基于灰值区间的微阵列模拟数据生成算法

吉林大学学报(理学版)

基于灰值区间的微阵列模拟数据生成算法

夏雪飞^1,2, 韩啸³, 兰天姝¹, 王礼华⁴, 吴佳楠⁵, 周柚¹

1. 吉林大学计算机科学与技术学院, 长春 130012； 2. 吉林交通职业技术学院电子信息学院, 长春 130012；3. 吉林大学学报编辑部, 长春 130012； 4. 大阪电气通信大学信息科学与艺术学院, 日本大阪 5750063；5. 长春大学计算机科学技术学院，长春 130022

收稿日期:2016-07-26 出版日期:2016-11-26 发布日期:2016-11-29
通讯作者: 周柚 E-mail:zyou@jlu.edu.cn

An Algorithm for Generation of Simulated MicroarrayData Based on Grey Value Interval

XIA Xuefei^1,2, HAN Xiao³, LAN Tianshu¹, WANG Lihua⁴, WU Jianan⁵, ZHOU You¹

1. College of Computer Science and Technology, Jilin University, Changchun 130012, China;2. College of Electronic Information, Jilin Communications Polytechnic College, Changchun 130012, China；3. Editorial Department of Journal of Jilin University, Changchun 130012, China;4. Faculty of Information Science and Arts, Osaka ElectroCommunication University, Osaka 5750063, Japan;5. College of Computer Science and Technology, Changchun University, Changchun 130022, China

Received:2016-07-26 Online:2016-11-26 Published:2016-11-29
Contact: ZHOU You E-mail:zyou@jlu.edu.cn

摘要/Abstract

摘要： 针对微阵列芯片数据采集量大、获取成本高的问题, 提出一种新的基于灰值区间的微阵列模拟数据生成算法. 该算法通过灰值度量的方式模拟微阵列数据中基因的差异表达属性, 结合聚类分析方法创建聚类隧道, 进而产生与原始数据具有相似数理分布及生物学意义的模拟数据. 采用模拟数据和真实生物数据对算法进行实验验
证与分析, 实验结果表明, 基于灰值区间理念与聚类隧道产生机制生成的模拟数据是有效且可靠的.

关键词: 模拟数据, 聚类分析, 差异表达基因, 微阵列数据, 样本

Abstract: Aiming at the problem of large data acquisition and high cost of microarray chip, we proposed a new algorithm for generation of simulated microarray data based on grey value interval. The algorithm simulated differential expression of genes in microarray data by means of grey value measurement, combined with cluster analysis method to create a cluster tunnel, and then generated simulation data with similar mathematical distribution and biological significance of the original data. The algorithm was verified and analyzed by simulated data and real biological data. Experimental results show that the simulation data generated by the concept of grey value interval and the generation mechanism of cluster tunnel is effective and reliable.

Key words: simulated data, cluster analysis, differentially expressed genes, microarray data, sample

中图分类号:

TP393

夏雪飞, 韩啸, 兰天姝, 王礼华, 吴佳楠, 周柚. 基于灰值区间的微阵列模拟数据生成算法[J]. 吉林大学学报(理学版), 2016, 54(06): 1401-1404.

XIA Xuefei, HAN Xiao, LAN Tianshu, WANG Lihua, WU Jianan, ZHOU You. An Algorithm for Generation of Simulated MicroarrayData Based on Grey Value Interval[J]. Journal of Jilin University Science Edition, 2016, 54(06): 1401-1404.

[1]	张志宏, 刘传领. 基于灰狼算法优化深度学习网络的网络流量预测[J]. 吉林大学学报(理学版), 2021, 59(3): 619-626.
[2]	齐向明, 孙煦骄. 基于语义簇的中文文本聚类算法[J]. 吉林大学学报(理学版), 2019, 57(5): 1193-1199.
[3]	朱超平, 任继平. 基于智能优化算法的物联网异构数据融合方法[J]. 吉林大学学报(理学版), 2019, 57(3): 627-632.
[4]	赵珈玉, 陆冬梅. NSD样本最近邻密度估计的相合性[J]. 吉林大学学报(理学版), 2019, 57(2): 317-323.
[5]	何冰, 薄晓玲. 基于随机F-矩阵的高维双样本协方差矩阵相等性检验[J]. 吉林大学学报(理学版), 2019, 57(1): 65-71.
[6]	王海燕, 崔文超, 许佩迪, 李闯. 一种局部概率引导的优化K-means++算法[J]. 吉林大学学报(理学版), 2019, 57(06): 1431-1436.
[7]	李鸿雁, 唐娴. 聚类分析和活动轮廓模型相融合的图像分割算法[J]. 吉林大学学报(理学版), 2019, 57(04): 896-902.
[8]	姜建华, 吴迪, 郝德浩, 王丽敏, 张永刚, 李克勤. 基于CDbw和人工蜂群优化的密度峰值聚类算法[J]. 吉林大学学报(理学版), 2018, 56(6): 1469-1475.
[9]	丛伟杰, 何磊. 基于新的初始化策略计算MVEE的积极集算法[J]. 吉林大学学报(理学版), 2017, 55(05): 1141-1145.
[10]	高瑞梅, 吕堂红, 胡江. 高维样本协方差矩阵极限谱密度的显式表达式[J]. 吉林大学学报(理学版), 2016, 54(03): 499-505.
[11]	姜建华, 杨玉免, 边海燕, 康嘉容，王丽敏，刘颖. 改进DBSCAN聚类算法在电子商务网站评价中的应用[J]. 吉林大学学报(理学版), 2016, 54(02): 329-336.
[12]	李永明, 应锐, 蔡际盼, 姚竟. WOD样本密度函数和失效率函数递归核估计的逐点强相合性[J]. 吉林大学学报(理学版), 2015, 53(06): 1134-1138.
[13]	胡学平. 两类相依样本密度函数核估计的相合性[J]. 吉林大学学报(理学版), 2013, 51(06): 1085-1089.
[14]	刘永辉, 吴群英. ND样本最近邻密度估计的相合性[J]. J4, 2012, 50(06): 1141-1145.
[15]	高璐, 李文辉, 王莹. 基于模糊聚类分析和多特征融合的人脸识别方法[J]. J4, 2012, 50(02): 293-298.