基因芯片聚类分析
基因表达数据主要来自于两个方面：（1）基因芯片，这是最主要的表达数据来源，利用基因芯片技术可以大规模并行获取基因转录结果mRNA的数据；（2）表达系列分析SAGE和差异显示、蛋白质芯片等是快速检测蛋白质及其含量的另一类技术。
通过分析基因表达数据，发现与疾病直接相关的基因，以及发现这些基因的活动规律。
聚类分析是模式识别中一种非常有吸引力的方法，特别适用于模式分类数不知道的情况。基因表达数据聚类分析一般包括以下几个步骤：（1）确定基因表达的数据；（2）计算相似性矩阵，各个矩阵元素代表两个基因的表达是否相似；（3）选择算法进行聚类分析；（4）显示分析结果。对数据进行聚类分析之前，必须将包含在基因表达矩阵中的数据进行相似程度分析，并且对分析结果进行量化。通常情况下，相似往往被赋于一个较大的量化的值，而不相似则由一个较小的量化的值来表示。在实际计算中，往往以距离代替相似的概念，相似性度量被转化为两个基因表达模式之间的距离。距离越小，表达模式越相近，反之，则表达模式差异大。
图1 表达模式的关系
几种常用的聚类方法：
1、简单聚类
假设有n个基因，表达数据向量分别为X1, X2,…, XN；令任意一个基因的表达向量为第一个聚类的中心，依次处理其它基因。
在处理第i个基因时，首先计算该基因的表达数据向量与现有各类中心的距离；假设与第j类的距离Dij最小，并且Dij<T，则将基因i分配到第j类；否则生成一个新类，该类的中心为第i个基因的表达向量。
2、层次式聚类
3、K平均聚类
任意选取K个基因表达向量作为初始聚类中心
Z1, Z2,…, Zk
反复迭代计算；如果||X-Zj(l)||< ||X-Zi(l)||(i=1,2,…,K,ij)，则将X所代表的基因归于第j类。按照上述办法处理所有的基因；经过上述处理，聚类可能发生变化，因此需要重新计算K个新聚类中心：
对于所有的聚类中心，如果Zj(l+1)=Zj(l)(j=1,2,…,K)，则迭代结束，得到最后的聚类结果；否则继续进行迭代计算。
4、自组织映射神经网络
图3 SOM结构图
图4 SOM聚类结果
5、模糊聚类分析方法
主要过程：
（1）建立模糊相似矩阵
（2）生成模糊等价矩阵
（3）构建动态聚类图
6、聚类分析结果的树图表示
图5 聚类分析结果树图
基因调控网络分析，一个基因网络由一组生物分子（如基因、蛋白质）以及它们之间的相互作用构成，这些生物分子共同完成一些特定的细胞功能任务。在实际分析过程中，往往以图这种数据结构表示基因网络，图中的节点代表基因或者蛋白质，而节点之间的连线代表基因、蛋白质之间的相互作用。基因网络描述了特定细胞或组织中的功能路径，如代谢、基因调控，信号传导等。
基因表达实际上是细胞、组织、器官受遗传和环境影响的结果。一个基因的转录和表达由细胞的生化状态所决定，在一个基因的转录过程中，一组转录因子作用于该基因的启动子区域，控制该基因转录，而这些转录因子本身又是其它基因的产物。当一个基因通过转录、翻译形成功能基因产物后，它将改变细胞的生化状态，从而直接或间接地影响其它基因的表达，甚至影响自身的表达。多个基因的表达不断变化，使得细胞的生化状态不断地变化。
一个基因的表达受其它基因的影响，而这个基因又会影响其它基因的表达，这种相互影响、相互制约关系构成了复杂的基因表达调控网络。基因表达数据之中隐含基因之间的相互作用关系，因而可以通过分析基因表达数据，构建基因调控网络。
几种基因调控网络模型：
1、布尔网络模型
图6 布尔网络模型
表1 节点C真值表
图7 作用规则与系统运行轨迹
图8 布尔网络模型状态转换
2、线性组合模型
线性组合模型是一种连续网络模型，在这种模型中，一个基因的表达值是若干个其它基因表达值的加权和。基本表示形式为：
3、加权矩阵模型
加权矩阵模型与线性组合模型相似，在该模型中，一个基因的表达值是其它基因表达值的函数。
