不同胰岛素敏感状态下大鼠基因数据处理

胰岛素抵抗是目前众多老年慢性疾病发病的共同途径,其发生机制的研究对于寻找与制定疾病的防治策略最有重要的意义,但传统的研究方案往往局限于某个器官、一货机种代谢产物,或某一、两种基因参与的条件,得出的结论多为局部描述性,难以进行规律上的探素.基于两种组织(肌肉和肝脏)3种不同胰岛素敏感状态下(限食、对照、肥胖)的12组4 040条基因芯片数据,从基因表达数据的统计分析开始,观察不同胰岛素敏感状态下的大鼠组织对糖刺激反应的基因表达情况,比较、阐述胰岛素抵抗发生的分子机理;并通过SOM聚类分析的方法,发现不同胰岛素敏感状态下的大鼠基因表达变化下所隐藏的表达模式,从而为进一步分析胰岛素抵抗发生的分子机理提供了可能.     

2种方法对不同pH下猪胰岛素结构的分子动力学模拟

为了研究猪胰岛素单体在不同pH下的动态变化,本文从已有的NMR实验数据出发,通过2种不同的方法对胰岛素单体进行了MD模拟,方法1在已知不同pH下晶体结构及氨基酸侧链质子化状态时进行模拟,方法2为从特定晶体结构出发,通过设定部分氨基酸侧链的质子化状态来模拟不同pH下蛋白的结构变化.方法2在某些文章中已被使用,但是没有人探...     

混沌运动对初值敏感依赖的本质原因

以Lorenz系统、Chen、Lü系统和Rössler系统为例,研究了混沌吸引子形成的机理、结构特征以及混沌运动对初值敏感依赖的本质原因。指出,连续非线性动力学系统要产生混沌吸引子,至少要存在两种非线性运动模态,并在两种运动模态之间进行非严格周期地转换;相邻状态在同一运动模态中运动的逐渐分离,和在不同运动模态之间的不同时（或不同幅度）转换,导致了系统运动对初值的敏感依赖,这就是混沌运动的本质。     

基于PMU的同步发电机功角计算

介绍一种精确计算发电机功角的方法:根据同步相量测量单元(PMU)同步采样的端电压、电流数据,利用状态判据将发电机的运行状态划为暂态和稳态两个过程,然后在不同的状态下采用与其适应的功角计算算法.     

个性化(p,α,k)-匿名隐私保护算法

目前大多数个性化隐私保护算法,对敏感属性的保护方法可以分为两种:一种是对不同的敏感属性设置不同的阈值;另一种是泛化敏感属性,用泛化后的精度低的值取代原来的敏感属性值。两种方法匿名后的数据存在敏感信息泄露的风险或信息损失较大,以及数据可用性的问题。为此,提出个性化(p,α,k)匿名隐私保护算法,根据敏感属性的敏感等级,对等价类中各等级的敏感值采用不同的匿名方法,从而实现对敏感属性的个性化隐私保护。实验表明,该算法较其他个性化隐私保护算法有近似的时间代价,更低的信息损失。     

基于脑电(EEG)信号的“愉快-不愉快”情绪分析

脑电是目前研究脑科学的重要方法之一。情绪变化可以导致脑电信号的差异,本文运用小波分析以及EEGLAB工具箱对"愉快-不愉快"这两种情绪状态下的脑电(EEG)信号进行差异化分析,然后定量地找出不同情绪状态下的信号差别,最终实现人体情绪的可视化。该研究的方法和分析结果为研究老师、学生、海员等工作或学习压力比较大的职业群体的情绪变化提供了较好的参考价值。     

加密算法遭到重创

我们从网上可以查到:清华大学的教授王小云宣布了她和她的研究小组对包括MD5(也称“信息摘要算法”)在内的五大加密算法的破译结果。这相当于动摇了现代信息安全的基础。那么,我们的日常生活会受到影响吗?网银、邮箱密码通常用的是一种称为Hash(散列)函数的加密方式。MD5能将一串随机长度的信息通过其加密算法生成一个唯一的128位值。理想状态下,经过Hash加密后,不同原始信息产生的密码也会不同。即使调用全球的计算机,也难以找到两个相同的“数字手印”,因此能保证数字签名无法被伪造。被金融等敏感领域所广泛采用的数字签名技术也是建…     

高超声速飞行器模型参考变结构自动驾驶仪设计

与传统飞行器相比,高超声速的高度一体化设计造成空气动力学、推进系统和结构动态严重耦合,导致其对飞行条件的变化极其敏感,并且使得气动特性难以准确分析,这些都给其飞行控制系统设计带来了极大的挑战;文章引入了一种能够抵抗参数大范围变化的控制方法一模型参考变结构控制(MRVSC)对飞行器俯仰通道自动驾驶仪进行设计,并应用MATLAB分别对PID控制和MRVSC两种方法进行仿真分析;仿真结果表明,和经典控制方式相比,MRVSC能够更好地抵抗参数扰动影响,具有很好的控制效果.     

一种新的代价敏感分类方法

代价敏感学习(cost-sensitive learning)是指在机器学习的过程中考虑不同的误判(misclassification)带来的不同的代价(cost).论文将一项最新的贝叶斯分类研究成果应用到代价敏感学习中,提出了一种新的称之为代价敏感隐藏朴素贝叶斯分类算法.实验表明该方法比另一种典型的代价敏感算法更有效.     

抵抗帧间共谋的自适应量化嵌入隐写方法

由于视频无法抵抗帧间共谋攻击,使得水印隐蔽性和鲁棒性降幅明显,因此提出一种基于自适应量化嵌入机制的抵抗方法,用以克服嵌入水印后导致的失真累加效应.通过构建共谋模型、模拟攻击原理及分析噪声来源获得抵抗策略,即在自适应量化嵌入机制的基础上,利用人眼对光学高频区域不敏感的视觉冗余特性实现水印隐写.仿真对比实验结果表明:经施加噪声干扰,从视觉质量角度观察水印的隐蔽性未受影响,说明该方法对噪声不敏感;帧平均、帧切除的首末帧峰值信噪比平均降幅比例为20.24％,帧重构、帧裁剪不同比例的平均波动幅度为2.77％,明显优于最低有效位(LSB)、差值扩展(DE)算法等对比方法的首末帧平均降幅比例41.17％和27.89％,平均波动幅度的13.74％和7.70％,表明所提方法具备较强收敛及调节帧间冗余的作用,使共谋者无法利用任何的帧间信息冗余来消除水印,进而无法实施有效的共谋攻击.     

一种具有高度可验证性的微阵列片间校准算法

由于系统偏差的存在,多微阵列数据之间在进行差异比较分析前,首先需要进行片间校准,使不同微阵列的探针数据处于同一可比较的水平。目前片间校准算法的准确性依赖于看家基因表达水平的不变性,或者探针数据统计分布的稳定性。这些假设条件并非在所有条件下成立,如需要进一步实验验证,其算法的正确性又难以进行实验验证。本文提出一种具有高度实验可验证性的多微阵列数据校准的遗传选择优化方法。基于该方法所得到的优化校准基准子集,可以在仅假设少数看家基因表达水平不变的情况下,在不牺牲校准精度的前提下,完成多微阵列数据的片间校准,从而使得通过实验验证片间校准算法的正确性成为可能。     

识别表达不稳定的基因

提出集成分析来自相同研究问题的不同数据集来识别表达不稳定的基因.把这一问题形式化为一个非线性整数规划问题,三个启发式的算法被提出来求解这一优化问题;进一步地设计了一个统计量来度量基因的不稳定表达程度.提出的方法应用于两个真实数据,实验结果显示:所识别的不稳定基因在两个数据中的表达不一致;利用表达不稳定基因可以提高差异表达基因的筛选结果,而去除表达不稳定基因可以有效地提高微阵列数据分类.实验结果表明,提出的方法是有效的,并且表达不稳定基因可以为微阵列数据分析提供有价值的信息.     

Gene Selection for Cancer Classification using Support Vector Machines

DNA micro-arrays now permit scientists to screen thousands of genes simultaneously and determine whether those genes are active, hyperactive or silent in normal or cancerous tissue. Because these new micro-array devices generate bewildering amounts of raw data, new analytical methods must be developed to sort out whether cancer tissues have distinctive signatures of gene expression over normal tissues or other types of cancer tissues.In this paper, we address the problem of selection of a small subset of genes from broad patterns of gene expression data, recorded on DNA micro-arrays. Using available training examples from cancer and normal patients, we build a classifier suitable for genetic diagnosis, as well as drug discovery. Previous attempts to address this problem select genes with correlation techniques. We propose a new method of gene selection utilizing Support Vector Machine methods based on Recursive Feature Elimination (RFE). We demonstrate experimentally that the genes selected by our techniques yield better classification performance and are biologically relevant to cancer.In contrast with the baseline method, our method eliminates gene redundancy automatically and yields better and more compact gene subsets. In patients with leukemia our method discovered 2 genes that yield zero leave-one-out error, while 64 genes are necessary for the baseline method to get the best result (one leave-one-out error). In the colon cancer database, using only 4 genes our method is 98% accurate, while the baseline method is only 86% accurate.     

肿瘤信息基因启发式宽度优先搜索算法研究

基于基因表达谱的肿瘤检测方法有望成为临床医学上一种快速而有效的肿瘤分子诊断方法,但由于基因表达谱数据存在维数过高、样本量很小以及噪音很大等特点,使得肿瘤信息基因选择成为一件有挑战性的工作.根据肿瘤基因表达谱样本集的特点,提出了一种以支持向量机分类性能为评估准则的寻找信息基因的启发式宽度优先搜索算法,其优点是能够同时搜索到基因数量尽可能少而分类能力尽可能强的多个信息基因子集.实验采用了3种肿瘤样本集以验证新算法的可行性和有效性,对于急性白血病、难以分类的结肠癌和多肿瘤亚型的小圆蓝细胞瘤样本集,分别只需2,4和4个信息基因就能获得100%的4-折交叉验证识别准确率.与其它优秀的肿瘤分类方法相比,实验结果在信息基因数量及其分类性能方面具有明显的优越性.为避免样本集的不同划分对分类性能的影响,提出了一种能够更加客观地反映信息基因子集分类性能的全折交叉验证评估方法.     

多类别肿瘤基因表达谱的自动特征选择方法

从信息学角度出发寻找肿瘤相关基因、发现肿瘤基因表达特征对肿瘤的诊断和治疗具有重要的生物学意义,而肿瘤与正常组织的分类是其中一个重要应用。根据多类别肿瘤基因表达谱,提出了一种自动特征选择方法。首先,结合非参数方法和filter思想,利用决策序列的随机性度量基因的权值并排序;然后,采用相关信息熵进行冗余性排除,自动地选择出具有高分辨能力、低冗余度的特征基因子集。实验结果表明,提出的方法能从多类别肿瘤基因表达谱数据中自动选出30个具有良好分类能力的特征基因,且具有较高的正确识别率。     

考虑样本不平衡的模型无关的基因选择方法

在基因表达数据分析中,鉴别基因是后续研究中非常重要的信息基因.有很多研究致力于从基因表达数据中选出信息基因这一挑战性工作,并提出了一些基因选择方法.然而,这些方法(特别是非参数选择方法)都没有考虑不同样本类别中样本大小的不平衡性问题.考虑样本不平衡性和基因选择方法的稳定性,给出一个全新的与数据分布模型无关的基因选择方法.在类内变化小和类间差别大的策略下,选择敏感的度量函数提高方法的鉴别能力,同时,利用类内变化和类间差别的一致性来增加方法的稳定性和适用性.这一方法不但可以应用于两个类别的情况,也可以应用于多个类别的情况.最后,使用两组真实的基因表达数据对所提出的方法进行了验证.实验结果表明,这一方法比其他方法具有更高的有效性和稳健性.     

An Immune-Evolutionary Algorithm for Multiple Rearrangements of Gene Expression Data

Microarray technologies are employed to simultaneously measure expression levels of thousands of genes. Data obtained from such experiments allow inference of individual gene functions, help to identify genes from specific tissues, to analyze the behavior of gene expression levels under various environmental conditions and under different cell cycle stages, and to identify inappropriately transcribed genes and several genetic diseases, among many other applications. As thousands of genes may be involved in a microarray experiment, computational tools for organizing and providing possible visualizations of the genes and their relationships are crucial to the understanding and analysis of the data. This work proposes an algorithm based on artificial immune systems for organizing gene expression data in order to simultaneously reveal multiple features in large amounts of data. A distinctive property of the proposed algorithm is the ability to provide a diversified set of high-quality rearrangements of the genes, opening up the possibility of identifying various co-regulated genes from representative graphical configurations of the expression levels. This is a very useful approach for biologists, because several co-regulated genes may exist under different conditions.     

基于主成份分析的肿瘤分类检测算法研究

基于基因表达谱的肿瘤诊断方法有望成为临床医学上一种快速而有效的诊断方法，但由于基因表达数据存在维数过高、样本量很小以及噪音大等特点，使得提取与肿瘤有关的信息基因成为一件有挑战性的工作。因此，在分析了目前肿瘤分类检测所采用方法的基础上，本文提出了一种结合基因特征记分和主成份分析的混合特征抽取方法。实验表明明，这种方法能够有效地提取分类特征信息，并在保持较高的肿瘤识别准确率的前提下大幅度地降低基因表达数据的维数，使得分类器性能得到很大提高。实验采用了两种与肿瘤有关的基因表达数据集来验证这种混合特征抽取方法的有效性，采用支持向量机的分类实验结果表明，所提出的混合方法不仅交叉验证识别准确率高而且分类结果能够可
可视化。对于结肠癌组织样本集，其交叉验证识别准确率高这95．16％；而对于急性白血病组织样本集，其交叉验证识别准确率高这100％。     

On Learning Gene Regulatory Networks Under the Boolean Network Model

Boolean networks are a popular model class for capturing the interactions of genes and global dynamical behavior of genetic regulatory networks. Recently, a significant amount of attention has been focused on the inference or identification of the model structure from gene expression data. We consider the Consistency as well as Best-Fit Extension problems in the context of inferring the networks from data. The latter approach is especially useful in situations when gene expression measurements are noisy and may lead to inconsistent observations. We propose simple efficient algorithms that can be used to answer the Consistency Problem and find one or all consistent Boolean networks relative to the given examples. The same method is extended to learning gene regulatory networks under the Best-Fit Extension paradigm. We also introduce a simple and fast way of finding all Boolean networks having limited error size in the Best-Fit Extension Problem setting. We apply the inference methods to a real gene expression data set and present the results for a selected set of genes.