62、生物数据挖掘与聚类分析的创新方法

生物数据挖掘与聚类分析的创新方法

在生物信息学和数据挖掘领域，挖掘蛋白质 - DNA 关联规则以及寻找数据的替代聚类是两个重要的研究方向。下面将分别介绍相关的研究成果和创新方法。

高效挖掘蛋白质 - DNA 结合核心的算法

在挖掘蛋白质 - DNA 关联规则方面，研究人员提出了一种使用紧凑结构 FS - Trees 的高效算法。与之前没有置信度控制且最大长度受限为 6 的研究结果相比，该算法生成的结果几乎覆盖了之前研究的所有结果。具体来说，通过将置信度阈值降低到 0.1，该算法对于 5 - 5（转录因子长度 - 转录因子结合位点长度）和 6 - 6 规则的覆盖率分别达到了 96.5% 和 100%。此外，在长度大于等于 6 的情况下，该算法有 133 条经过验证的规则，而之前的研究由于最大长度限制仅有 6 条。

实验结果表明，该算法在真实生物数据上的运行速度比之前的工作有显著提升。对生成规则的验证也证实了该方法在预测蛋白质 - DNA 结合核心方面的适用性。虽然该算法最初是针对蛋白质 - DNA 相互作用提出的，但它的框架具有通用性，也适用于其他类似问题，如蛋白质 - 蛋白质相互作用。而且，FS - Trees 为近期正在进行的更广泛扩展研究提供了有用的基础，例如近似关联结合核心的发现。

基于特征选择的替代聚类新方法

数据聚类的目标是将相似的数据根据某些数据属性（特征）分组到同一类中，将不相似的数据分组到不同类中，以提供对数据的总体视图。然而，大多数聚类算法只能找到一种数据分组方式，尽管可能存在其他替代方案。替代聚类算法旨在解决这个问题，尝试找到数据集的有价值且不同的聚类。

替代聚类的需求与问题定义