随着人类基因组计划的进展,对于基因的功能和基因组内各基因的研究逐步深入。研究基因在不同时间和条件下的表达情况,是认识基因功能的一个主要途径。cDNA微阵列技术可以同时测量全基因组的表达情况,是生物学家认识基因的重要工具。微阵列技术产生了大量基因表达数据,要从中提取有价值的信息,采用数据挖掘的技术是十分必要的。 功能相近的基因其表达模式相似,通过发现相似的表达模式可以预测未知基因的功能。数据挖掘中的聚类算法是按照数据的相似性进行划分,实现物以类聚的思想。采用聚类技术对基因表达数据进行处理,可以把表现模式相近的基因聚集到一起,这种划分有助于专业人员发现基因功能和遗传模式。 目前基因芯片邻域中的大多数聚类算法在实际应用中存在着一些不足之处,例如K-均值和自组织映射都需要预先输入簇的个数,而在对基因表达谱进行聚类时,簇的个数通常是未知的,改变这一参数往往会极大地影响聚类结果;传统的聚类算法对噪声数据非常敏感,对规模的可伸缩性差;传统聚类算法最早是起源自非生物相关的研究邻域,所以通常的聚类结果并不包含明确的生物学意义。本文针对以上不足,将K最近邻先吸收思想和已知基因的生物学知识引入了基于密度的聚类算法中,设计并实现了一种新的基于密度的K最近邻先吸收的聚类算法,在聚类过程中利用已知基因的生物学意义生成最初的簇集。最后将所提出的算法应用于酵母细胞有丝分裂下的基因芯片数据,对聚类的结果从簇结构的合理性和生物学上的意义两方面给出了明确的比较,从对比结果知本文所提出的算法无论从簇结构的合理性还是生物学意义上都明显高于K-均值聚类算法。