基于σ选择MOEA的微阵列数据三维聚类挖掘  

σ Selection MOEA Based Mining 3D Clusters in Microarray Data

作　　者：刘军万[1,2] 李舟军[2,3] 刘飞飞[4] 

机构地区：[1]中南林业科技大学计算机科学学院,湖南长沙410004 [2]国防科学技术大学计算机学院,湖南长沙410073 [3]北京航空航天大学计算机学院,北京100083 [4]中南林业科技大学图书馆,湖南长沙410004

出　　处：《中南林业科技大学学报》2009年第1期92-96,共5页Journal of Central South University of Forestry & Technology

基　　金：国家自然科学基金项目(60573057);中南林业科技大学青年科学研究基金项目(07026B)

摘　　要：从三维微阵列数据集挖掘出的三维聚类,能够分辨出与某些表现型(如疾病)相关的样本,而且能找出与这些表现型相关的候选基因.当挖掘3D微阵列数据矩阵中的3D聚类时往往要考虑同时优化几个目标,而且这些目标经常相互冲突,因此,应用多目标进化算法来求解GST数据集中的3D聚类是可行的.本文基于∈-支配和σ选择操作策略,提出一个新奇的多目标进化三维聚类算法来挖掘三维微阵列数据集中的3D聚类.通过在酵母细胞周期调控基因数据集上应用此算法,实验结果表明我们的方法能发现具有重大意义的高质量的3D聚类.3D （three-dimensional） clusters mining from gene-sample-time （simply GST） microarray data can identify the samples corresponding to some phenotypes, such as diseases, and find the candidate genes correlated to phenotypes. When mining 3D clusters in 3D microarray data matrix, several objectives have to be optimized simultaneously, and often these objective are in conflict with each other. Therefore, it is very available to use a multi-objective evolutionary algorithms （MOEA） for finding 3D clusters in GST data. Based on E-dominance and sigma select strategy, this paper proposes a novel multi-objective evolutionary 3D clustering algorithm to mine 313 cluster from 3D microarray data. Experimental results on yeast cell cycle dataset show that our approach can find significant 3D clusters of high quality.

关 键 词：数据挖掘 ∈-支配 微阵列数据 多目标进化 三维聚类 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程] TP391[自动化与计算机技术—控制科学与工程]