基因表達數據主要來自于兩個方面：（1）基因芯片，這是最主要的表達數據來源，利用基因芯片技術可以大規模并行獲取基因轉錄結果mRNA的數據；（2）表達系列分析SAGE和差異顯示、蛋白質芯片等是快速檢測蛋白質及其含量的另一類技術。

      通過分析基因表達數據，發現與疾病直接相關的基因，以及發現這些基因的活動規律。

      聚類分析是模式識別中一種非常有吸引力的方法，特別適用于模式分類數不知道的情況?；虮磉_數據聚類分析一般包括以下幾個步驟：（1）確定基因表達的數據；（2）計算相似性矩陣，各個矩陣元素代表兩個基因的表達是否相似；（3）選擇算法進行聚類分析；（4）顯示分析結果。對數據進行聚類分析之前，必須將包含在基因表達矩陣中的數據進行相似程度分析，并且對分析結果進行量化。通常情況下，相似往往被賦于一個較大的量化的值，而不相似則由一個較小的量化的值來表示。在實際計算中，往往以距離代替相似的概念，相似性度量被轉化為兩個基因表達模式之間的距離。距離越小，表達模式越相近，反之，則表達模式差異大。

圖1  表達模式的關系

      幾種常用的聚類方法：

      1、簡單聚類

      假設有n個基因，表達數據向量分別為X1, X2,…, XN；令任意一個基因的表達向量為第一個聚類的中心，依次處理其它基因。

      在處理第i個基因時，首先計算該基因的表達數據向量與現有各類中心的距離；假設與第j類的距離Dij最小，并且Dij<T，則將基因i分配到第j類；否則生成一個新類，該類的中心為第i個基因的表達向量。

      2、層次式聚類

      3、K平均聚類

      任意選取K個基因表達向量作為初始聚類中心

                   Z1, Z2,…, Zk

      反復迭代計算；如果||X-Zj(l)||< ||X-Zi(l)||(i=1,2,…,K,i?j)，則將X所代表的基因歸于第j類。按照上述辦法處理所有的基因；經過上述處理，聚類可能發生變化，因此需要重新計算K個新聚類中心：

      對于所有的聚類中心，如果Zj(l+1)=Zj(l)(j=1,2,…,K)，則迭代結束，得到最后的聚類結果；否則繼續進行迭代計算。

      4、自組織映射神經網絡

圖3  SOM結構圖

圖4  SOM聚類結果

      5、模糊聚類分析方法

      主要過程：

      （1）建立模糊相似矩陣

      （2）生成模糊等價矩陣

      （3）構建動態聚類圖

       6、聚類分析結果的樹圖表示

圖5  聚類分析結果樹圖

      基因調控網絡分析，一個基因網絡由一組生物分子（如基因、蛋白質）以及它們之間的相互作用構成，這些生物分子共同完成一些特定的細胞功能任務。在實際分析過程中，往往以圖這種數據結構表示基因網絡，圖中的節點代表基因或者蛋白質，而節點之間的連線代表基因、蛋白質之間的相互作用?；蚓W絡描述了特定細胞或組織中的功能路徑，如代謝、基因調控，信號傳導等。

      基因表達實際上是細胞、組織、器官受遺傳和環境影響的結果。一個基因的轉錄和表達由細胞的生化狀態所決定，在一個基因的轉錄過程中，一組轉錄因子作用于該基因的啟動子區域，控制該基因轉錄，而這些轉錄因子本身又是其它基因的產物。當一個基因通過轉錄、翻譯形成功能基因產物后，它將改變細胞的生化狀態，從而直接或間接地影響其它基因的表達，甚至影響自身的表達。多個基因的表達不斷變化，使得細胞的生化狀態不斷地變化。

      一個基因的表達受其它基因的影響，而這個基因又會影響其它基因的表達，這種相互影響、相互制約關系構成了復雜的基因表達調控網絡?；虮磉_數據之中隱含基因之間的相互作用關系，因而可以通過分析基因表達數據，構建基因調控網絡。

幾種基因調控網絡模型：

      1、布爾網絡模型

圖6  布爾網絡模型

表1  節點C真值表

圖7  作用規則與系統運行軌跡

圖8  布爾網絡模型狀態轉換

      2、線性組合模型

      線性組合模型是一種連續網絡模型，在這種模型中，一個基因的表達值是若干個其它基因表達值的加權和?；颈硎拘问綖椋?/span>

      3、加權矩陣模型

      加權矩陣模型與線性組合模型相似，在該模型中，一個基因的表達值是其它基因表達值的函數。

• 1 . 生物信息學概述
• 2 . 生物信息學研究進展
• 3 . 生物信息學的應用
  • 3.1. 轉錄調控位點預測
  • 3.2. miRNA靶基因調控分析
  • 3.3. 基因全序列拼接分析
  • 3.4. 高通量測序分析
  • 3.5. GO（Gene Ontology）功能注釋
  • 3.6. 基因芯片聚類分析