[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

摘要

本发明公开了基于公共子序列的基因芯片表达数据的OPSM挖掘方法，其包括(1)输入基因芯片数据，对数据进行预处理；(2)获得基因芯片数据中任意两行之间的公共子序列；(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；(6)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，最终得到所有列模式长度且满足行阈值的OPSM。该方法在前缀树存储和遍历的操作上减少了时间和空间复杂度；可以在不需要大幅增加运算时间的情况下，精确找到基因芯片数据上所有满足支持度阈值的OPSM。

主权项

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NA[i]来存储以A序列中第i个元素Ai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Aj的位置是在Ai之前，若元素Aj在B序列中仍然排在元素Ai之前，则表示Ai和Aj在B中仍然保持着与A中一致的先后位置关系，因此以Aj结尾的公共子序列集合中必然包含原来以Aj结尾的公共子序列集合中的每一项再拼接上Ai后得到的全部新序列集合，在此基础上构造出全部NA[i]，而A和B的所有公共子序列集合就是所有NA[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。