小波變換—模式識別挖掘代謝物組學信息的研究.pdf

1、如何從利用海量的波譜數(shù)據挖掘出重要的信息是代謝物組學研究需要解決的重大問題.本文以4種基因型的擬南芥樣本為例,C010和C24是親本基因型,Co10×C24和C24×Co10是兩個雜交基因型.通過比較主成分分析、等級聚類分析及BP人工神經網絡等三種最具代表性的數(shù)據分析方法與小波變換結合前后得到的模式識別結果,探討將小波變換引入代謝物組學領域生物信息學研究的可行性和實用性. 本文結合小波變換能夠在頻域進行去噪和信息提取的能力及主成

2、分分析對多元數(shù)據降維和樣本關系可視化的能力建立了小波變換一主成分分析(WT-PCA)的方法.研究表明小波函數(shù)的選取對WT-PCA的結果具有一定影響.利用DB8小波,WT-PCA對4種不同基因型擬南芥樣本的區(qū)分度達到了90.675﹪,而PCA僅為46.875﹪:PCA對其中的2個雜交基因型基本不能進行區(qū)分,而WT-PCA對二者的區(qū)分度達到了81.25﹪. 本文結合等級聚類分析的結果客觀性強的特點建立了小波變換一等級聚類分析(WT-

3、HCA)的方法.類間距離對HCA的結果具有顯著影響.利用最小方差距離得到的結果優(yōu)于利用最近距離、最遠距離和平均距離得到的結果.利用最小方差距離,HCA對4種基因型和2個雜交基因型樣本的區(qū)分度分別為84.375﹪和75﹪. WT-HCA將結果大大提高,分別達到了90.675﹪和81.25﹪. 本文結合BP人工神經網絡非線性學習和自適應性的能力以及小波變換優(yōu)化輸入變量的能力建立了小波變換-BP人工神經網絡(WT-BPNN)的有監(jiān)督模