人類基因組計(jì)劃的啟動(dòng)和實(shí)施使得核酸、蛋白質(zhì)數(shù)據(jù)迅速增長(zhǎng),如何從海量數(shù)據(jù)中獲取有效的信息成為生物信息學(xué)迫切要解決的問(wèn)題。數(shù)據(jù)挖掘技術(shù)用于在數(shù)據(jù)庫(kù)中發(fā)現(xiàn)潛在有用的知識(shí),在<愛(ài)尬聊_讓生活聊出新高度>生物信息學(xué)研究中,正發(fā)揮著越來(lái)越重要的作用,而且取得了豐碩的成果。那么數(shù)據(jù)挖掘在海量生物信息中有哪些方法和應(yīng)用呢？

---

北城太守 2021-11-12 00:35

維克托·邁爾的《大數(shù)據(jù)時(shí)代》給我們展現(xiàn)了一個(gè)新的世界，技術(shù)引領(lǐng)我們進(jìn)入數(shù)據(jù)時(shí)代。從海量的數(shù)據(jù)中挖掘處有價(jià)值的方便，有效的分析技術(shù)是大數(shù)據(jù)應(yīng)用的關(guān)鍵。大數(shù)據(jù)的成功應(yīng)用案例之一是google利用檢索詞預(yù)測(cè)流感爆發(fā)。
但是通用的分析技術(shù)，降低分析硬件需求仍然值得討論，SaaS可能是解決這一問(wèn)題的可能渠道，但是如何實(shí)現(xiàn)數(shù)據(jù)分析仍然是個(gè)問(wèn)題，現(xiàn)有MapReduce，Hadoop等系統(tǒng)本質(zhì)上是治標(biāo)不治本，大數(shù)據(jù)碎片化的過(guò)程中必然數(shù)據(jù)大量數(shù)據(jù)關(guān)聯(lián)。
還有另外一個(gè)問(wèn)題也會(huì)隨著出現(xiàn)，深身處于大數(shù)據(jù)時(shí)代的人們可能會(huì)感到信息的爆炸以及信息的暴露，在進(jìn)行研究的同時(shí)我們不能忘卻道德的底線！

---

勞文亮 2021-11-12 00:39

數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取可信的、新穎的、有效的模式的高級(jí)處理過(guò)程。
生物信息學(xué)是一門新興的交叉學(xué)科。人類基因組計(jì)劃的啟動(dòng)和實(shí)施使得核酸、蛋白質(zhì)數(shù)據(jù)迅速增長(zhǎng),如何從海量數(shù)據(jù)中獲取有效信息成為生物信息學(xué)迫切要解決的問(wèn)題。目前數(shù)據(jù)挖掘在生物信息領(lǐng)域的研究重點(diǎn)主要表現(xiàn)在以下幾個(gè)方面：
(1) 數(shù)據(jù)清理,數(shù)據(jù)集成,異種、分布式數(shù)據(jù)庫(kù)的語(yǔ)義集成。
許多國(guó)家和研究組織都建立了生物序列數(shù)據(jù)庫(kù)、蛋白質(zhì)結(jié)構(gòu)和功能數(shù)據(jù)庫(kù),為人們提供了豐富的信息。但是這些數(shù)據(jù)分散,且存儲(chǔ)介質(zhì)多樣,在同一數(shù)據(jù)庫(kù)中存在著大量具有重復(fù)信息的序列及一些高度相似的數(shù)據(jù),造成數(shù)據(jù)冗余。因此對(duì)這種異構(gòu)的和廣泛分布的數(shù)據(jù)庫(kù)的語(yǔ)義集成就成為一項(xiàng)重要任務(wù)。數(shù)據(jù)挖掘中的數(shù)據(jù)清理、數(shù)據(jù)集成方法有助于該問(wèn)題的解決。
(2) DNA 序列相似搜索和比對(duì)。
為識(shí)別一個(gè)新發(fā)現(xiàn)的基因和一個(gè)已知基因家族之間的進(jìn)化關(guān)系,確定他們的同源性或相似性,通常需要序列比對(duì),找出它們之間的最大匹配,從而定量給出其相似程度。由于序列數(shù)據(jù)是非數(shù)字的,其內(nèi)部不同種類核苷酸之間的精確交叉扮演著重要的角色。因此探索高效的搜索和比對(duì)算法在序列分析中非常重要。
(3) 基因組特征及同時(shí)出現(xiàn)的基因序列的分析。
對(duì)于基因家族的成組序列來(lái)說(shuō),必須闡明多個(gè)序列之間的關(guān)系,才能揭示整個(gè)基因家族的特征。多序列比對(duì)在識(shí)別一組相關(guān)序列中有重要生物意義。多比對(duì)算法的計(jì)算量可觀,為降低算法復(fù)雜性,必須研究有實(shí)用價(jià)值的比對(duì)算法。利用關(guān)聯(lián)規(guī)則、聚類分析有助于發(fā)現(xiàn)一組序列之間的差異以及相似性關(guān)系,以便對(duì)一個(gè)基因家族的特征有基本了解。另外在生物醫(yī)學(xué)研究上,人們發(fā)現(xiàn)疾病的產(chǎn)生大多數(shù)是由多基因決定的,利用關(guān)聯(lián)規(guī)則分析幫助確定在目標(biāo)(疾病) 樣本中同時(shí)出現(xiàn)的基因種類。
(4) 路徑分析:發(fā)現(xiàn)在不同階段的致病因。
引起一種疾病的基因不止一個(gè),不同基因在疾病的不同階段發(fā)揮作用。利用路徑分析、演變分析等找到在不同階段的致病遺傳基因序列,可開(kāi)發(fā)不同階段的治療藥物,從而取得更有效的治療效果。
(5) 生物數(shù)據(jù)可視化和可視的數(shù)據(jù)挖掘。
由于生物數(shù)據(jù)的復(fù)雜性和高維性,既不能以數(shù)字公式表示,也不能以邏輯公式表示,可借助各種可視化工具以圖、樹(shù)、方體、鏈的形式展現(xiàn)其復(fù)雜結(jié)構(gòu)和序列模式。常用的生物數(shù)據(jù)可視化工具有語(yǔ)義鏡技術(shù)、信息壁技術(shù)、基因調(diào)控網(wǎng)格等 。同時(shí),將經(jīng)過(guò)數(shù)據(jù)挖掘工具得到的數(shù)據(jù)結(jié)果也以圖形、圖像的形式展現(xiàn)給用戶,便于用戶尋找數(shù)據(jù)間規(guī)律和關(guān)系。
(6) 生物文獻(xiàn)的挖掘。
Internet 上生物文獻(xiàn)日益增多,人們通過(guò)搜索引擎獲取相關(guān)信息,但檢索結(jié)果數(shù)目巨大,準(zhǔn)確率不高,而且一般搜索結(jié)果只能給出標(biāo)題和摘要,不能給出文章總的關(guān)鍵詞句。特別是生物文獻(xiàn)數(shù)據(jù)中,大多數(shù)蛋白質(zhì)名稱都是復(fù)合詞,比較復(fù)雜,有的卻采用普通的詞匯命名與其常用詞義相混導(dǎo)致引擎搜索錯(cuò)誤,甚至在一篇文獻(xiàn)中同一種蛋白質(zhì)有好幾種命名出現(xiàn),增加了搜索困難。利用路徑遍歷模式、鏈接分析、自然語(yǔ)言處理等技術(shù)尋找文獻(xiàn)中關(guān)鍵詞如蛋白質(zhì)名稱,或捕捉上下文關(guān)系,可提高檢索速度和準(zhǔn)確率 。
(7) 基于隱私保護(hù)的數(shù)據(jù)挖掘。數(shù)據(jù)挖掘技術(shù)為生物工作者提供了有效工具的同時(shí)也引發(fā)了隱私保護(hù)問(wèn)題。比如研究單位的保密實(shí)驗(yàn)數(shù)據(jù),個(gè)人的醫(yī)療診斷記錄、病史記錄都有可能被誤用。通過(guò)在數(shù)據(jù)挖掘過(guò)程中使用限制數(shù)據(jù)訪問(wèn),模糊數(shù)據(jù),減少不必要分組,有目的增加噪聲數(shù)據(jù)等方法來(lái)達(dá)到保護(hù)隱私的目的 。目前在該領(lǐng)域的研究尚處于起步階段。

---

奮斗來(lái)往兮 2021-11-12 00:49

生物信息學(xué)是一門新興的交叉學(xué)科。人類基因組計(jì)劃的啟動(dòng)和實(shí)施使得核酸、蛋白質(zhì)數(shù)據(jù)迅速增長(zhǎng),如何從海量數(shù)據(jù)中獲取有效信息成為生物信息學(xué)迫切要解決的問(wèn)題。數(shù)據(jù)挖掘與生物信息學(xué)有很好的結(jié)合點(diǎn),在生物信息學(xué)領(lǐng)域的應(yīng)用潛力日益受到人們的重視。序列分析、基因表達(dá)、同源研究、蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)以及藥物設(shè)計(jì)為數(shù)據(jù)挖掘提供了廣闊的研究空間,也顯示了數(shù)據(jù)挖掘在這些方面的發(fā)展?jié)摿Α＠脭?shù)據(jù)挖掘技術(shù),將幫助人們認(rèn)識(shí)生物數(shù)據(jù)所蘊(yùn)涵的結(jié)構(gòu)和功能信息,進(jìn)而徹底了解生物數(shù)據(jù)所代表的生物學(xué)意義,幫助人們認(rèn)識(shí)自然界各種生物的遺傳信息,認(rèn)識(shí)病毒和細(xì)菌的真正面目,研制與開(kāi)發(fā)新藥物等等。

---