论文部分内容阅读
随着近年来生物高通量技术的发展，基因微阵列数据呈指数增长趋势，如何有效地从这些海量的数据中提取有价值的信息显得尤为重要。在微阵列数据解析时，传统的聚类分析是一个很重要的工具，但它们存在着一定的不足：1）传统的聚类方法只适合实验条件比较少的数据集，因为这些算法是在所有的实验条件下进行基因的聚类；2）传统的聚类方法生成的类之间没有重叠，一个基因最多只能出现在一个聚类结果中，因此难以识别那些参与多个功能的基因。针对这些问题，很多研究者提出了一个改进的聚类思想：双聚类算法。目前已有很多识别bicluster的双聚类算法不断地被研究和应用。Bicluster中的基因在某些实验条件下有着相似的表达模式，甚至是参与相似的功能过程。然而，不同的双聚类算法会生成不同的bicluster，进而会产生不同生物学意义的分析结果。因此，对于这些双聚类算法的比较和检验显得尤为重要。在此研究中，我们选择了五种不同的双聚类算法（BIMAX，FABIA，ISA，QUBIC和SAMBA）和两组维数不同的拟南芥表达数据集（GDS1620和pathway），来比较这些算法的生物学表现。GO（Gene Ontology）注释和PPI（Protein-Protein Interaction）网络被用来检验这些算法生成的bicluster的生物学意义。为了客观、量化地比较各bicluster的意义和不同算法的表现，我们在研究中提出了两种打分方法：加权富集（WE）得分和蛋白质-蛋白质互作（PPI）得分。对于每一种打分方法，通过把所有的bicluster按照得分大小综合到一个统一的排序中，我们可以很直观地分析出这些双聚类算法的表现。WE和PPI这两种打分方法在验证bicluster的生物学意义时都被证明是有效的。两种方法得到的得分之间已被检验到有着显著的正相关，这也印证了这两种方法的一致性。对于这五种双聚类算法的检验和比较显示：（1）对于数据集GDS1620，ISA是五种算法中最有效的一个；对于数据集pathway，BIMAX的表现要优于其他四种算法；（2）ISA和BIMAX这两种算法都具有数据依赖性，前者不太适合基因数小的数据集，后者更适用于实验条件更多的数据集；（3）FAIBA和QUBIC在本研究中表现的都不理想，或许它们更适合具有大量基因和大量实验条件的数据集；（4）SAMBA算法没有明显的数据依赖性，因为它在两个给定的数据集中表现的都不错。这些结果信息能够指导研究者们根据自己的数据集选择合理的算法。