[发明专利]高通量转录组数据样本分类数目估计方法

说明书

本发明涉及一种高通量转录组数据样本分类数目估计方法。首先找出差异表达基因，然后将每一个差异表达基因的表达值进行二值化转换，再对样本和差异表达基因分别进行聚类，并使用富集分析方法建立数据的二值化表达模型。对每一个给定的聚类数目，评估其相应的二值化表达模型，从而判定算法是否收敛。相对于现有技术，本发明对样本分类间相似性进行评估，能保证所得到的每一类样本都有区别于其他样本的独特特征。本发明还有很好的噪声鲁棒性，同时可以很好的降低人工判定带来的偏差。

技术领域

本发明涉及一种高通量转录组数据样本分类数目估计方法，是针对高通量转录组学数据的分析方法，属于生物数据分析领域。

背景技术

高通量组学分析，在生物医学研究领域有着极广泛的应用。相较于传统的分子生物学研究，组学分析可以大大提高分析通量，即一次可以对上万个目标分子进行测量。也正因为如此，组学数据的数据结构复杂性大大增加了。因此统计分析在组学数据解读中发挥了重要的作用。聚类分析方法在转录组学数据分析中得到了广泛应用。但是目前对于如何将转录组数据进行有生物学意义的分类还没有一个共识，其中关键的问题是分类数目的确定。已有的方法可以分为两大类：

1、人工检查法。这一类方法将高维数据投影到低维空间中(通常是2维或3维)，然后通过人工审查判定聚类数目。这一类方法受研究者主观因素影响很大。并且由于受到噪声的干扰，不同类别之间的界限有可能被混淆，从而造成误判。

2、统计度量法。通过计算某些与分类数目相关的统计量来预测分类数目。例如，通过计算类内的稀疏度和熵来检测分类数目是否合适，或者将分类数目设置为描述数据特征所使用的特征值的数目，等等。这一类方法为分类提供了客观的参考依据，但是，目前很多的统计度量法都还需要人工来判断统计量随着分类数目增加而出现的拐点，从而估计恰当的分类数目，这就增加了主观误差。更重要的是，现有的统计量都无法保证所得到的分类之间是显著统计差异的，因此可能会造成数据解读困难。

发明内容

针对现有技术存在的问题，本发明提出一种新的基于统计学理论的高通量转录组数据样本分类数目估计方法。本发明方法使用递归循环计算，每次循环将聚类数目N加1，算法收敛时即可估计N的值。针对目前已有方法不能保证分类结果的统计显著性的问题，本发明提出新的方法对样本分类间相似性进行评估，新方法能保证所得到的每一类样本都有区别于其他样本的独特特征。本发明有很好的噪声鲁棒性，同时可以很好的降低人工判定带来的偏差。

本发明的技术方案如下：

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；

(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)。

特别地，步骤(一)包括如下步骤：