[发明专利]一种基于图论和贪婪算法挖掘组学数据的方法

说明书

本发明公开了一种基于图论和贪婪算法挖掘组学数据的方法。所述方法包括步骤：利用统计学方法，计算组学对象差异性，对通路差异分布进行基因组尺度可视化；将组学对象转化为对应的基元反应，以反应物为起点，生成物为终点，构建由化合物组成的邻接矩阵，搭建代谢网络；以显著差异点为中心，运用贪婪算法进行网络精简，获得差异点之间的联通关系；对网络拓扑学结构进行解析。本发明整合了统计学和图论方法，实现了组学数据的有效降维和可视化，实现组学数据的准确挖掘。

技术领域

本发明涉及组学数据挖掘技术领域，特别是涉及一种基于图论和贪婪算法挖掘组学数据的方法。

背景技术

随着科学研究的不断发展，当代科学越来越认识到整体或系统的重要性，有些问题不能简单成局部事件将其处理，因为当一个独立部分放在一个高级结构中时，他们之间会因产生动态的相互作用产生不同的表现。这就有了系统生物学的最新定义：不同于以往仅仅关心个别的基因和蛋白质的分子生物学，在于研究细胞信号传导和基因调控网路、生物系统组成之间相互关系的结构和系统功能。在生物学和医学研究的系统生物学方法随着高通量测序技术的应用，使人们收集到更多的分子水平相关信息，主要包括基因组学、转录组学、蛋白质组学和代谢组学等。

组学数据复杂多样，包括了参与代谢反应的反应物，产物，相应的酶，及该反应的可逆性等数据信息，构成了数据量巨大的复杂生物网络，而对于数据量巨大的组学模型和错综复杂的生物机理研究，需要借助可视化的系统，直观理解复杂代谢网络，从而观察其中隐含的生物学意义。如何有效整合多组学数据，从中抽取具有生物学意义的信息，是一个十分具有挑战性的问题。

发明内容

本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于图论和贪婪算法挖掘组学数据的方法，利用拓扑学方法挖掘组学数据的重要特征，对后续生物学和医学领域的研究具有重要意义。

为实现本发明的目的所采用的技术方案是：

一种基于图论和贪婪算法挖掘组学数据的方法，包括以下步骤：

S1.利用统计学方法，计算组学对象差异性，对通路差异分布进行基因组尺度可视化；

S2.将组学对象转化为对应的基元反应，以反应物为起点，生成物为终点，构建由化合物组成的邻接矩阵，搭建代谢网络；

S3.以显著差异点为中心，运用贪婪算法进行网络精简，获得差异点之间的联通关系；

S4.对网络拓扑学结构进行解析。

作为一个优选的技术方案，所述对通路差异分布进行基因组尺度可视化的方法如下：

利用统计学差异性分析计算出组学对象数据中对应基因的差异性，将差异性数据归一化处理，以基因组尺度的代谢网络总图为底板，将归一化后的差异性数据与colormap相偶联，通过不同颜色的变化呈现组学所涉及代谢产物的通路分布和差异性。

作为一个优选的技术方案，所述基因组尺度的代谢网络总图根据反应构成的代谢网络，提前规定每个基因、化合物的坐标，通过计算机进行绘制。

作为一个优选的技术方案，所述将差异性数据归一化处理，是将差异性数据按下式映射至0～1，设定渐变颜色，将数据和颜色一一对应，构建图形绘制的colormap；

式中，x为原始数据，x_min为一组数据的最小值，x_max为一组数据的最大值，所得结果X即为归一化后数据。

作为一个优选的技术方案，所述邻接矩阵的搭建方法如下：

通过KEGG数据库的API，获取组学数据包含的所有酶促反应，以“→”拆分反应，逐一拿出反应物和生成物，以反应中反应物为行，生成物为列，归一化的差异性数据为权重，建立邻接矩阵；