[发明专利]高通量转录组数据样本分类数目估计方法

权利要求书

1.一种高通量转录组数据样本分类数目估计方法，通过循环过程自动判断收敛，对数据聚类时的分类数目作出估计，其特征在于包括如下步骤：

(一)由高通量转录组数据样本集筛选出差异表达基因，由差异表达基因的表达数据构成差异表达基因表达谱；

(二)在上述差异表达基因表达谱中，对每一个差异表达基因的表达值进行二值化转换；

(三)设定N的初始值为2，N为样本分类数目；

(四)把样本分成N类，同时把差异表达基因分成K类，使用富集分析方法建立数据的二值化N×K表达模型矩阵；

所述步骤(四)的具体方法为：

基于给定N，先将所有样本聚类成N类，然后执行如下循环过程：

(1)设定K的初始值为2，K为差异表达基因分类数目；

(2)将所有差异表达基因分成K类，此时整个数据划分成N×K个块，数据格式是二值化的差异表达基因表达谱；

(3)创建维度为N×K的情形分析表，表中每一个单元的数值等于对应数据块中二值化数值“1”的个数，使用超几何分布分析方法，对情形分析表的每一个单元计算p值，对于第i行，第j列的p值计算如下

x是表中第i行第j列的数值，J是表中第j列的和，I是第i行的和，M是表中数字的总和，

使用“1”代表p0.05的情形分析表单元，“0”代表其他单元，建立二值化N×K表达模型矩阵；

(4)检测二值化N×K表达模型矩阵是否存在相同的行，如果存在，K＝K-1，循环结束；否则K＝K+1，重复步骤(2)至(4)；

(五)分析步骤(四)得到的二值化N×K表达模型矩阵，若N类样本中有至少两类的表达谱特征相同，也就是二值化N×K表达模型矩阵中有至少两列的值完全相同，则算法收敛，此时输出N的值，N＝N-1；否则，N＝N+1，重复步骤(四)和(五)。

2.根据权利要求1所述的高通量转录组数据样本分类数目估计方法，其特征在于：所述步骤(一)的具体步骤包括：

(1)对全部样本，使用公式来计算噪声的平均波动水平，其中a₁和a₀是回归常数，使用广义线性回归模型来估计；μ是基因的平均表达值；再对每一个基因的样本，计算该基因的平均表达值μ和基因表达方差σ，并按照CV²＝σ²/μ²计算该基因的波动水平CV²，然后选取那些的基因；

(2)对于经步骤(1)选取的基因，使用主成分分析PCA方法选取差异表达基因；

(3)选取样本中包含差异表达基因的基因表达数据，构成差异表达基因表达谱。

3.根据权利要求1所述的高通量转录组数据样本分类数目估计方法，其特征在于：所述步骤(二)中的二值化转换方法为：对每一个差异表达基因聚类，将此基因在所有样本中的表达值分为两类，用数值“1”代替属于高表达水平那一类的基因表达值，用数值“0”代替属于低表达水平那一类的基因表达值。

4.根据权利要求1所述的高通量转录组数据样本分类数目估计方法，其特征在于：对样本和差异表达基因进行分类时，均使用K均值的聚类方法。