基因表达谱数据挖掘可以帮助人们发现新的疾病亚型，提高复杂疾病诊断的正确率。因此，发展高效实用的基因表达谱数据处理方法具有十分重要的实际意义。本书首先介绍生物信息学中基因芯片和基因表达谱等一些基本概念，然后利用Re-lief、Fisher判别、Wilcoxon和Kruskal-Wallis秩和检验方法、信噪比方法、主成分分析方法、因子分析方法、独立分量分析方法、经典粗糙集和邻域粗糙集、人工神经网络和集成神经网络、小波包变换和离散余弦变换、遗传算法和遗传规划、流形学习、张量分析等方法，系统研究了基于基因表达谱的肿瘤亚型数据挖掘方法（包括特征提取与分类识别等）。设计多种基因表达谱分类识别算法，并结合SVM、NSC、FLDA、DLDA等多种分类器及集成分类器，进行大量的基因表达谱分类识别实验，以图和表的形式给出大量实验结果，同时对各种方法的性能进行比较。系统研究基于基因调控概率的肿瘤基因表达谱数据挖掘方法，结合Filter和Wrapper两种特征选择方法的优点，研究基于支持向量机和惩罚策略（SVPS）的肿瘤关键基因选择算法。设计基于标准遗传算法和多目标遗传算法的集成基因表达谱特征选择方法。
本书适合国内高校和科研院所生物和信息领域中从事生物信息学教学和研究的教师、高年级本科生、研究生和科技人员，对于其他与生物信息学研究有关及有志于从事这一领域研究的计算机科研人员也是必备的参考读物。
样章试读
目录
- 前言
第1章 绪论
1.1 生物信息学简介
1.1.1 生物信息学概念
1.1.2 生物信息学的研究背景和意义
1.1.3 生物信息学的研究内容与方法
1.1.4 生物信息学的研究历史和现状
1.1.5 应用前景
1.2 基因组时代简介
1.2.1 基因组计划
1.2.2 基因的基本结构
1.3 基因表达谱数据挖掘的研究意义与研究现状
1.3.1 研究意义
1.3.2 研究现状
1.4 本章小结
第1章参考文献
第2章 DNA微阵列技术与基因表达谱
2.1 基因芯片与DNA微阵列
2.1.1 基因芯片介绍
2.1.2 基因芯片的特点、分类和制作
2.1.3 基因芯片制备方法
2.1.4 DNA微阵列技术的应用和研究方向
2.2 基因表达谱
2.2.1 基因表达谱的获取与表示
2.2.2 基因表达谱的特点
2.2.3 基因表达谱的数学描述
2.2.4 常用的肿瘤基因表达谱数据集
2.3 基因表达谱数据分析
2.3.1 基因表达谱数据的预处理
2.3.2 基因表达谱数据分析的层次
2.3.3 差异基因筛选
2.3.4 基因解读与注释
2.3.5 基因表达调控
2.4 基因表达谱的研究方向
2.5 本章小结
第2章参考文献
第3章 基因表达谱数据挖掘中的模式识别基础
3.1 模式识别的概念及其研究方向
3.2 特征提取与选择方法
3.2.1 特征提取中用到的统计量
3.2.2 基因表达谱的特征提取与选择
3.3 常用的基因表达谱聚类与分类算法
3.3.1 基因表达谱聚类和分类的目的
3.3.2 聚类与分类算法的划分及评估准则
3.3.3 基于类间距离的聚类算法
3.3.4 层次聚类
3.3.5 基于密度、网格和模型的聚类算法
3.3.6 K-均值法
3.3.7 仿射传播聚类
3.3.8 K-近邻分类方法及其改进方法
3.3.9 决策树
3.3.10 线性判别分析
3.3.11 基因表达谱可分性判据
3.4 分类器
3.4.1 贝叶斯分类器
3.4.2 人工神经网络
3.4.3 自组织映射
3.4.4 支持向量机
3.4.5 多分类器性能比较
3.5 本章小结
第3章参考文献
第4章 基于因子分量分析的基因表达谱特征提取方法
4.1 基因表达谱特征提取方法简介
4.2 主分量分析
4.2.1 主分量分析的基本思想
4.2.2 主分量分析算法步骤
4.3 判决主分量分析
4.3.1 判决主分量分析的基本思想
4.3.2 判决主分量分析算法步骤
4.4 因子分析
4.4.1 因子分析的基本思想
4.4.2 因子分析算法的步骤
4.5 独立分量分析
4.5.1 独立分量分析的基本思想
4.5.2 独立分量分析算法的步骤
4.5.3 FastICA
4.6 因子分析、主分量分析和独立分量分析之间的关系
4.7 基于主分量分析、判决主分量分析和因子分析的肿瘤亚型分类方法
4.7.1 算法框架模型
4.7.2 信息基因选择
4.7.3 基于主分量分析的肿瘤亚型分类的实验结果与分析
4.7.4 基于判决主分量分析的肿瘤亚型分类的实验结果与分析
4.7.5 基于因子分析的肿瘤亚型分类的实验结果与分析
4.8 基于独立分量分析的肿瘤亚型分类方法
4.8.1 基因表达谱的ICA模型及其生物学意义
4.8.2 基于独立分量分析的基因表达谱提取与选择算法
4.8.3 实验结果与分析
4.9 基于独立分量分析的肿瘤亚型惩罚性分类方法
4.9.1 惩罚性回归模型
4.9.2 优化得分算法
4.9.3 惩罚性优化得分分类算法
4.9.4 特征基因的初选
4.9.5 实验结果与分析
4.10 本章小结
第4章参考文献
第5章 基于傅里叶与小波包变换的基因表达谱特征提取方法
5.1 基于离散余弦变换和傅里叶变换的基因表达谱特征提取方法
5.1.1 离散傅里叶变换和离散余弦变换
5.1.2 Relief算法
5.1.3 基因表达谱分类模型
5.1.4 实验结果与分析
5.2 基于小波包变换的基因表达谱特征提取与选择
5.2.1 小波包变换
5.2.2 肿瘤亚型分类方法
5.2.3 实验结果与分析
5.3 基因表达谱的特征提取与选择方法比较
5.4 本章小结
第5章参考文献
第6章 信息基因的启发式搜索算法研究
6.1 信息基因选择问题
6.1.1 基于基因表达谱的肿瘤分类问题描述
6.1.2 肿瘤分类模型及评估
6.1.3 信息基因选择方法简介
6.1.4 信息基因选择策略
6.2 基于启发式搜索的基因表达谱数据挖掘算法
6.2.1 肿瘤信息基因的启发式宽度（HBSA）优先搜索算法
6.2.2 信息基因选择
6.2.3 HBSA算法实现
6.2.4 实验结果与分析
6.3 基于Wilcoxon秩和检验的信息基因选择方法
6.3.1 算法的基本思想
6.3.2 算法的基本步骤
6.3.3 实验结果与分析
6.4 基于Kruskal-Wallis秩和检验的基因选择方法
6.4.1 算法的基本步骤
6.4.2 实验结果与分析
6.4.3 SRBCT数据集中信息基因描述及肿瘤亚型相关基因推测
6.5 本章小结
第6章参考文献
第7章 基于粗糙集的信息基因选择方法
7.1 基于粗糙集的肿瘤信息基因选择方法
7.1.1 粗糙集模型简介
7.1.2 粗糙集属性约简的一般步骤和算法实现
7.1.3 基于粗糙集的信息基因选择方法
7.1.4 实验结果与分析
7.2 基于邻域粗糙集的肿瘤信息基因选择方法
7.2.1 邻域粗糙集模型简介
7.2.2 邻域分类器
7.2.3 基于邻域粗糙集模型的肿瘤分类方法
7.2.4 实验结果与分析
7.3 基于邻域粗糙集的多类肿瘤亚型分类方法
7.3.1 多肿瘤亚型分类算法框架和模型
7.3.2 实验结果与分析
7.4 本章小结
第7章参考文献
第8章 基于基因调控概率模型的基因表达谱数据挖掘方法
8.1 基因表达调控的生物学背景
8.2 基于概率统计的基因调控概率模型
8.3 基因调控概率计算
8.3.1 基于全概率公式的基因调控概率计算
8.3.2 基于最大似然估计的基因调控概率计算
8.3.3 基于贝叶斯后验概率估计的基因调控概率计算
8.4 基于基因调控概率模型的基因选择与肿瘤基因分类
8.4.1 基于基因调控概率模型的基因选择
8.4.2 基于基因调控概率模型的肿瘤诊断与分类
8.5 实验结果与分析
8.5.1 基于基因调控概率模型的基因选择方法的应用
8.5.2 基于基因调控概率的肿瘤诊断与分类方法的应用
8.6 本章小结
第8章参考文献
第9章 基于神经网络和支持向量机的基因选择及肿瘤分类方法
9.1 人工神经网络
9.1.1 人工神经网络
9.1.2 径向基函数神经网络
9.2 基于径向基函数神经网络的肿瘤分类方法
9.2.1 模拟退火算法
9.2.2 改进的基于模拟退火的径向基函数网络优化算法
9.2.3 实验结果与分析
9.3 基于支持向量机的基因表达谱分类方法
9.3.1 支持向量机简介
9.3.2 超球面二类别SVM算法
9.3.3 SVM多类分类器
9.3.4 SVM决策树
9.4 基于支持向量机和惩罚策略的基因表达谱分类方法
9.4.1 支持向量机与基因表达谱矩阵
9.4.2 基于支持向量机的基因初始关联度计算
9.4.3 基于惩罚策略的基因惩罚关联度计算
9.4.4 实验结果与分析
9.5 基因选择算法及肿瘤样本分类器性能比较
9.6 本章小结
第9章参考文献
第10章 基于集成分类器系统的基因表达谱数据挖掘方法研究
10.1 多分类器集成系统
10.1.1 多分类器集成系统的研究历史和发展现状
10.1.2 集成分类器模型及其构造方法
10.1.3 多分类器集成系统构建
10.1.4 差异度测度
10.2 基于概率神经网络集成的肿瘤样本分类方法
10.2.1 分类算法模型
10.2.2 基于间隔的迭代搜索算法
10.2.3 实验结果与分析
10.3 基于标准遗传算法的集成基因表达谱特征选择算法设计
10.3.1 遗传算法简介
10.3.2 集成基因表达谱特征选择算法设计
10.3.3 实验结果与分析
10.4 基于集成独立分量的基因表达谱特征提取与选择
10.4.1 独立分量选择必要性的实验验证
10.4.2 集成独立分量选择在基因表达谱分析中的应用
10.4.3 实验结果与分析
10.5 基于多目标遗传算法的基因表达谱集成特征选择算法
10.5.1 染色体编码方式设计
10.5.2 适应值函数的设计
10.5.3 集成生成个体
10.5.4 实验结果与分析
10.6 基于进化计算的扩展集成独立分量选择系统
10.6.1 扩展独立分量选择系统设计方案
10.6.2 多目标遗传算法的设计
10.6.3 实验结果与分析
10.7 基于遗传规划的多类基因表达谱数据分析
10.7.1 遗传规划概述
10.7.2 基于遗传规划的多类判别分析
10.7.3 基于遗传规划的多类基因表达谱数据判别分析方法
10.7.4 实验结果与分析
10.7.5 基于遗传规划的基因表达谱数据分析生物学意义
10.8 基于旋转森林的肿瘤样本分类方法
10.8.1 基于决策树的集成系统
10.8.2 旋转森林的算法框架
10.8.3 基于旋转森林的肿瘤样本分类方法
10.8.4 实验结果与分析
10.8.5 基分类器差异度与精确度分析
10.9 本章小结
第10章参考文献
第11章 基于流形学习的基因表达谱特征提取方法
11.1 流形学习的研究背景与现状
11.2 几种典型的流形学习算法
11.3 面向分类的流形学习中存在的问题
11.3.1 本征维数
11.3.2 样本外点问题
11.3.3 监督（半监督）流形学习
11.3.4 小样本问题
11.4 基于局部线性判别嵌入的特征提取方法
11.4.1 局部线性嵌入算法
11.4.2 局部线性判别嵌入法的思想
11.4.3 局部线性判别嵌入法
11.5 实验结果与分析
11.6 本章小结
第11章参考文献
第12章 基于张量分析的高阶基因表达谱特征提取方法
12.1 张量分析
12.1.1 张量的基本概念及其伸展、块表示和分解
12.1.2 张量与向量、张量与矩阵和张量与张量之积
12.2 张量的奇异值分解与多线性独立分量分析
12.3 基于张量多线性ICA的肿瘤亚型分类方法
12.3.1 分类方法
12.3.2 实验结果与分析
12.4 本章小结
第12章参考文献
附录部分源代码
1.判决主分量分析
2.启发式宽度优先搜索算法
3.SVM分类模型的参数选择法
4.基于小波包变换的基因表达谱特征提取算法
5.基于邻域粗糙集的基因约简算法
6.Relief算法
7.采用DCT变换抽取特征的肿瘤分类方法
8.概率神经网络分类方法
9.基于概率神经网络集成的基因表达谱特征提取方法
10.基于FastICA的肿瘤分类方法
11.基于集成独立分量分析的肿瘤分类方法
12.基于遗传规划的肿瘤分类方法
13.旋转森林
14.基于流形学习的肿瘤分类方法
彩图
京公网安备 11010102004214号