[发明专利]基于公共子序列的基因芯片表达数据的OPSM挖掘方法

权利要求书

1.基于公共子序列的基因芯片表达数据的OPSM挖掘方法，其特征在于包括如下步骤：

(1)输入基因芯片数据，对数据进行预处理；具体是：首先输入基因芯片数据，对数据进行预处理，即把一个原始数据矩阵A的每一行都做升序排序，它们的数值大小用它们的列标号代替，得到列置换矩阵；在数据预处理阶段，将每一个基因在每个芯片试验中的表达量按照从小到大的顺序排列，而且用相应的芯片试验编号来代替，即对于原始矩阵中的每一行，把所有的值按升序排列，用对应的列标号替代原来的值，使原始矩阵转化为一个序列数据集；

(2)获得基因芯片数据中任意两行之间的公共子序列；对所述列置换矩阵，应用改进的CalACS方法得到任意两行之间的公共子序列，具体是：对于序列长度分别为|A|,|B|的序列A和B，CalACS的时间和空间复杂度均为O(|A|×|B|)，令A和B序列的长度相同，即|A|＝|B|，以变量N_A[i]来存储以A序列中第i个元素A_i结尾的A，B两个序列的公共子序列集合；A，B的公共子序列中任意两个元素必须在A序列和B序列中保持着一样的前后次序关系，假设在A序列中A_j的位置是在A_i之前，若元素A_j在B序列中仍然排在元素A_i之前，则表示A_i和A_j在B中仍然保持着与A中一致的先后位置关系，因此以A_j结尾的公共子序列集合中必然包含原来以A_j结尾的公共子序列集合中的每一项再拼接上A_i后得到的全部新序列集合，在此基础上构造出全部N_A[i]，而A和B的所有公共子序列集合就是所有N_A[i]的并集；

(3)生成长度为2的候选集树；

(4)在长度为2的候选集树上进行剪枝操作即把不满足频繁条件的枝条删除，得到2‐频繁树；

(5)将2‐频繁树拼接成3‐候选集树，并经过剪枝操作得到3‐频繁树；具体是：按照Apriori原则将步骤(2)中得到的长度为3的公共子序列拼接在步骤(4)中得到2‐频繁树上，从而建立3‐候选集树，再进行与步骤(4)中一样的剪枝操作得到3‐频繁树；

(6)依次重复上述操作，将k‐频繁树上进行拼接成k+1‐候选集树，并经过剪枝操作得到k+1‐频繁树，直到不能产生频繁树为止，其中k的取值范围为2到原始基因芯片数据矩阵的列数减1，最终得到所有列模式长度且满足行阈值的OPSM。

2.根据权利要求1所述的基于公共子序列的基因芯片表达数据的OPSM挖掘方法，其特征在于步骤(3)具体是：使用前缀树的数据结构来存储和遍历步骤(2)中得到的所有长度为2的公共子序列，生成长度为2的候选集树。

3.根据权利要求1所述的基于公共子序列的基因芯片表达数据的OPSM挖掘方法，其特征在于步骤(4)具体是：在步骤(3)得到的长度为2的候选集树上进行剪枝操作，根据设定的行阈值将不满足条件的枝条删除，得到2‐频繁树，并遍历2‐频繁树上的每一条枝，输出双聚类结果。

4.根据权利要求1所述的基于公共子序列的基因芯片表达数据的OPSM挖掘方法，其特征在于步骤(6)中每一次都拼接得到列长度更长的候选集树，并通过将不满足频繁条件的枝条删除，得到频繁树，并遍历频繁树上的每一条枝，输出双聚类结果。