生物信息学数据挖掘教程教案.ppt

生物信息学数据挖掘 ;主要内容;生物信息数据库;专门数据库目录网站;生物信息学中心;KDD(Knowledge Discovery in Database) ;KDD的基本过程;数据挖掘(data mining) ;数据挖掘的功能;CRISP-DM是Cross-Industry Standard Process for Data Mining的简称，中文翻译为“数据挖掘的跨行业标准过程”;数据挖掘的经典案例;在电信行业 加拿大BC省电话公司要求加拿大Simon Fraser大学KDD研究组根据其拥有的十多年的客户数据，总结、分析并提出新的电话收费和管理办法，制定既有利于公司又有利于客户的优惠政策。 竞技运动中的数据挖掘 美国著名的国家篮球队NBA的教练，利用IBM公司提供的数据挖掘工具临场决定替换队员。 电子商务的关联销售 、客户类别销售分析 ; ① 理解数据和数据的来源（understanding）。 ② 获取相关知识与技术（acquisition）。 ③ 整合与检查数据（integration and checking）。 ④ 去除错误或不一致的数据（data cleaning）。 ⑤ 建立模型和假设（model and hypothesis development）。 ⑥ 实际数据挖掘工作（data mining）。 ⑦ 测试和验证挖掘结果（testing and verification）。 ⑧ 解释和应用（interpretation and use）。;典型的数据挖掘系统结构;进行数据挖掘常用技术算法;进行数据挖掘常用技术算法;Apriori 算法该算法是由Agrawal 等在1993 年提出的，是最经典的产生关联规则频繁项目集的算法，是一种宽度优先的多趟扫描算法． 在Apriori 算法中，项目是按字典排序，Lk记为频繁k － 项目集构成的集合，Ck记为候选k － 项目集构成的集合． 下面是Apriori 算法的伪代码: 输入: 事务数据库D，最小支持度minsup; 输出: D 中的频繁项目集L; ( 1) L1 = { Frequent 1 － itemsets} ; ( 2) for ( k = 2; Lk － 1≠; k + + ) do begin ( 3) Ck = apriori － gen ( Lk － 1 ) ; / /从Lk － 1 产生新的候选k － 项目集/ / ( 4) for all transactiona t ∈ D do begin ( 5) Ct = subset ( Ck ，t ) ; / /产生t 中的候选子集/ / ( 6) for all candidates c ∈ Ct do ( 7) c． count + + ; ( 8) end ( 9) Lk = { c ∈ Ck │c． count≥minsup} ; ( 10) end ( 11) L =∪kLk ;;Apriori － gen 是以频繁( k － 1) － 项目集Lk － 1 为自变量的后选生成函数． 该函数返回所有频繁k － 项目 集的超集，分连接???剪枝2 步执行: 函数Apriori － gen ( Lk － 1 ) : ( 1) insert into Ck ; ( 2) select p［1］，p［2］，…p［k － 1］，q［k － 1］; ( 3) from Lk － 1p，Lk － 1q; ( 4) where p［1］= q［1］，p［2］= q［2］2，…，p［k － 2］= q［k － 2］，p［k － 1］＜ q［k － 1］; / /连接( join) / / ( 5) For all itemsets c ∈ Ck do ( 6) For all ( k － 1) － subset s of c do ( 7) If ( s ∈ Lk－1 ) then ( 8) delete c from Ck ; / /剪枝( prune) / / ( 9) end; ( 10) end; ( 11) answer = ∪ { c ∈ Ck } ; ;运用Apriori 算法挖掘数据库D 的过程;数据挖掘在生物信息学中的应用;( 4) 路径分析: 发现在不同阶段的致病因。 引起一种疾病的基因不止一个, 不同基因在疾病的不同阶段发挥作用。利用路径分析、演变分析等找到在不同阶段的致病遗传基因序列, 可开发不同阶段的治疗药物,从而取得更有效的治疗效果。 ( 5) 生物数据可视化和可视的数据挖掘。 由于生物数据的复杂性和高维性, 既不能以数字公式表示, 也不能以逻辑公式表示, 可借助各种可视