一、生物信息学与数据挖掘

生物信息学是一门新兴的交叉学科。生物信息学是伴随基因组研究而产生的，它的研究内容紧随着基因组研究而发展。在过去的一个世纪里，生物医学研究有了迅猛的发展，目前大量研究都集中在DNA数据的分析上，由此产生了一门新的学科--生物信息学。生物信息学（bioinformatics）是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也是21世纪自然科学的核心领域之一。其研究重点主要体现在基因组学（genomics）和蛋白组学(proteomics)两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。

大量生物学实验积累了数以万计的生物信息数据。如何有效地进行数据的采集、整理、检索、分析，从中提取规律，上升为理论，指导研究工作，以便“读懂”基因组的遗传信息，对生物信息学提出了很高的要求，也对信息理论与技术提出了挑战。数据挖掘作为一种以数据库、统计学和人工智能学为基础的新兴技术，给基因组学家们提供了前所未有的数据分析工具，为基因和蛋白信息的分析和提取提供了强有力的手段。

二、目前数据挖掘在生物信息学中的作用主要包括：

①用于生物信息数据库的建立与查询：包括基因和基因组数据库（如Genbank、EMBL核酸序列数据库、GDB等）、蛋白质数据库（如PIR、PSD、SWISS-PROT、PROSITE、PDB等）以及功能数据库（如KEGG、TRRD、TRNSFAC等）。

②用于序列比对：即蛋白质序列之间或核酸序列之间的比对。包括序列的两两比对和多序列比对。

③核酸与蛋白质结构和功能的预测分析。

④基因组序列信息分析。

⑤功能基因组相关信息分析：包括大规模基因表达谱分析、基因组水平蛋白质功能综合预测。

具体而言，生物信息知识发现中应用的数据挖掘技术包括：

①构选基因数据库或数据仓库：由于广泛多样的DNA数据高度分数，为了便于对DNA数据库进行系统分析，需要利用数据挖掘中的数据清理和数据集成的方法来构造集成式数据仓库和开发分布式数据库。

②序列模式分析：DNA序列间的相似搜索和比较是基因分析中最重要的问题之一。由于基因数据是非数字的，所以数据挖掘中针对非数字的序列模式分析方法在基因序列比对中能起到非常重要的作用。

③关联分析：大部分疾病不是由一个基因引起的，而是由多个基因组合起来共同起作用的结果。因此采用数据挖掘中的关联分析方法有助于发现基因组间的联系，进而揭示人类疾病背后的基因原因。

④可视化：基因的复杂结构和序列模式常常需要由各种可视化工具以图、树、链等形式来表现。可视化工具有助于生物信息的模式理解和知识发现。

三、数据挖掘工具的现状

比较著名的有IBM Intelligent Miner、SAS Enterprise Miner、SPSS Clementine等，它们都能够提供常规的挖掘过程和挖掘模式。

1、Intelligent Miner

由美国IBM公司开发的数据挖掘软件Intelligent Miner是一种分别面向数据库和文本信息进行数据挖掘的软件系列,它包括Intelligent Miner for Data和Intelligent Miner for Text。Intelligent Miner for Data可以挖掘包含在数据库、数据仓库和数据中心中的隐含信息,帮助用户利用传统数据库或普通文件中的结构化数据进行数据挖掘。它已经成功应用于市场分析、诈骗行为监测及客户联系管理等；Intelligent Miner for Text允许企业从文本信息进行数据挖掘，文本数据源可以是文本文件、Web页面、电子邮件、Lotus Notes数据库等等。

2、Enterprise Miner

这是一种在我国的企业中得到采用的数据挖掘工具，比较典型的包括上海宝钢配矿系统应用和铁路部门在春运客运研究中的应用。SAS Enterprise Miner是一种通用的数据挖掘工具，按照"抽样--探索--转换--建模--评估"的方法进行数据挖掘。可以与SAS数据仓库和OLAP集成，实现从提出数据、抓住数据到得到解答的"端到端"知识发现。

3、SPSS Clementine

SPSS Clementine是一个开放式数据挖掘工具，曾两次获得英国政府SMART 创新奖，它不但支持整个数据挖掘流程，从数据获取、转化、建模、评估到最终部署的全部过程，还支持数据挖掘的行业标准--CRISP-DM。 Clementine的可视化数据挖掘使得"思路"分析成为可能，即将集中精力在要解决的问题本身，而不是局限于完成一些技术性工作（比如编写代码）。提供了多种图形化技术，有助理解数据间的关键性联系，指导用户以最便捷的途径找到问题的最终解决办法。

其它常用的数据挖掘工具还有LEVEL5 Quest 、MineSet (SGI) 、Partek 、SE-Learn 、SPSS 的数据挖掘软件Snob、Ashraf Azmy 的SuperQuery 、WINROSA 、XmdvTool 等。

四、我们的任务：

1、分析生物数据的相似性度量函数：如波动相似性为依据的函数。

2、数据挖掘技术映射分析模型：验证是否robust。

支持向量机（Support Vector Machine，SVM）

支持向量机是近几年发展起来的新型通用的知识发现方法，在分类方面具有良好的性能。SVM是建立在计算学习理论的结构风险最小化原则之上，主要思想是针对两类分类问题在高位空间中寻找一个超平面作为两类的分割，以保证最小的分类错误率。

方法：关联分析、分类分析、序列分析、回归分析、聚类分析等。

3、Effective dimension reduction methods and SVM for tumor classification using gene expression data(tow class)

Data: ColonDataSe.data, Leukemia.data, DLBCL.dat, GCM.data, Lung.data, CNS.data

4、multi-class SVM;

程序：Microarrays Data Class_WgrLS-SVMl_B_Wgr]

例：Binary class gene expression datasets ColonDataSet.dat 62*2001;