生物信息学中的数据挖掘方法及应用【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

生物信息学中的数据挖掘方法及应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1什么是生物信息学1

1.2生物信息学的研究对象2

1.2.1基因组数据2

1.2.2蛋白质组数据2

1.2.3基因表达数据5

1.3生物信息学的研究领域10

1.4生物信息学的进展和存在的问题11

1.4.1生物信息学的进展11

1.4.2生物信息学存在的问题13

参考文献14

第2章 操纵子预测16

2.1操纵子预测的研究背景及现状16

2.1.1操纵子简介16

2.1.2操纵子预测的研究现状17

2.2操纵子预测的相关数据18

2.2.1基因间距离18

2.2.2 COG功能分类19

2.2.3保守基因对（簇）20

2.2.4系统进化谱22

2.2.5基因本体24

2.2.6 KEGG同源27

2.2.7同义密码子使用偏好性29

2.2.8其他属性信息31

2.2.9基因组和已知操纵子数据32

2.3操纵子预测的相关基础32

2.3.1预测问题定义32

2.3.2预测数据预处理33

2.3.3预测效果评价35

2.4基于神经网络的操纵子预测模型35

2.4.1模型的具体流程36

2.4.2模型的实验验证40

2.5基于图聚类方法的操纵子预测模型43

2.5.1模型预测流程概括44

2.5.2模型预测的具体流程45

2.5.3模型的实验验证53

2.6小结55

参考文献56

第3章 原核生物系统发生树的构建59

3.1系统发生树构建的研究背景及现状59

3.1.1系统发生树简介59

3.1.2原核生物系统发生树构建的研究现状59

3.2系统发生树构建的相关数据和基础60

3.2.1原核生物基因组数据60

3.2.2已知系统进化树数据62

3.2.3直系同源信息62

3.2.4水平转移基因信息64

3.2.5操纵子信息65

3.2.6构建问题定义65

3.2.7结果性能估计65

3.3基于连续直系同源基因的系统发生树构建方法66

3.3.1方法描述66

3.3.2方法的具体流程67

3.3.3方法的实验验证69

3.4基于全基因组序列和注释信息的系统发生树构建方法72

3.4.1方法描述72

3.4.2方法具体流程73

3.4.3方法的实验验证83

3.5小结88

参考文献89

第4章 基于数据扰动的误标记样本检测92

4.1误标记样本检测的研究背景及现状92

4.2基于LOOPC矩阵的误标记样本检测方法93

4.2.1 LOOPC矩阵94

4.2.2 CL-stability方法95

4.2.3 LOOE-sensitivity方法96

4.3基于扰动影响值的误标记样本检测方法98

4.3.1扰动影响值98

4.3.2基于扰动影响值的列算法101

4.3.3基于扰动影响值的行算法103

4.3.4行算法中的阈值调整策略105

4.3.5渐进修正的行算法108

4.4误标记样本检测方法的比较分析111

4.4.1测试数据集说明111

4.4.2测试指标说明113

4.4.3实验结果分析113

4.5小结122

参考文献122

第5章 基因表达数据中的差异表达基因识别125

5.1差异表达基因的研究背景及现状125

5.2 T -test假设检验方法126

5.3 SAM方法127

5.4 RankProd方法128

5.5基于总体数据集变化量评估的检测方法129

5.5.1基因的表达变化量129

5.5.2总体数据集变化量评估134

5.5.3总体数据集评估方法的效果分析136

5.6小结142

参考文献142

第6章 基于微阵列数据的特征选择144

6.1特征选择算法的研究背景及现状144

6.1.1特征选择在基因芯片中的应用144

6.1.2基于微阵列数据的特征选择算法的研究现状145

6.2特征选择算法研究的相关基础146

6.2.1支持向量机（SVM）146

6.2.2支持向量机递归特征剔除（SVM-RFE）147

6.2.3改进的支持向量聚类算法（SVC-KM）148

6.2.4局部支持向量机（LLA）148

6.3多阶段特征选择算法149

6.3.1算法描述149

6.3.2算法流程150

6.3.3算法的实验验证153

6.4双向局部化特征选择算法160

6.4.1算法描述160

6.4.2算法流程161

6.4.3算法的实验验证164

6.5基于改进遗传算法的特征选择方法169

6.5.1算法描述169

6.5.2算法过程概括169

6.5.3算法流程170

6.5.4算法效果的实验分析174

6.6小结177

参考文献179

第7章 改进的双聚类算法在癌症基因芯片数据中的应用182

7.1基因芯片数据聚类算法简介182

7.1.1传统聚类算法概述182

7.1.2常用的传统聚类算法及其特点183

7.1.3传统聚类存在的不足185

7.1.4双聚类算法分类及其特点185

7.1.5 Cheng-Church算法187

7.2改进的Cheng-Church算法及模拟数据分析190

7.2.1 Cheng-Church算法的优缺点190

7.2.2 Cheng-Church算法的改进191

7.2.3模拟数据分析192

7.3癌症基因芯片数据的双聚类分析194

7.3.1癌症基因芯片数据分析的意义194

7.3.2实验数据来源195

7.3.3特征基因的选择199

7.3.4双聚类分析200

7.4小结205

参考文献206