|
|
|
|
|
|
|
|
法最早应用于健康学的研究方面 (Zhang & Singer, 1999)，是以分类树为基础，预测类别。聚类树则是通过递归区分法过程建立的，也就是依据某选定的预测者是否高于某选定的临界值，将研究对象逐次细分完成分类。选择正确的预测者及与其相应的临界值，即可将癌组织样品与正常组织样品准确区分开来。 与目前常规使用的DNA微列数据的分析方法——聚类法相比较，递归区分法法具有“学习能力”。所谓的“学习能力”，就是当你将已经确知的基因表达与正常或癌组织关系的信息，作为“练习曲 (Training data)”交给这种数学分析法时，该法可还照着这个练习曲演练，并引伸出一个新的数学模式来， 更好应用于该类癌组织的分类鉴别中。因为具有了这种学习能力，递归区分法法可济取以往的研究成果，在前人的基础上进行工作，从而优于常规的聚类法。 类似的具有这种“学习能力”的DNA微列数据的分析方法 还包括Golub等(1999) 提出的改进区分判别法（Derived discriminant decision rule），Brow 等(2000) 提出的支持向量器（Support vector machine）方法，Xiong 等 (2000 ) 运用的Fisher线性判别式等。和以上这些方法比较，递归区分法更有利于处理大规模的数据，同时进行两种以上的组织分类，其精确度也更高 (Zhang 等， 2001)。临床实践要求DNA微列技术及数据的分析处理能够程式化并低成本。常规DNA微列实验中，成千上万的基因被分析，被研究，但如果能从中找到少数几种“全能”的基因，并通过这几种基因就可准确有效地分类鉴别癌组织，则最为理想。这一方面，递归区分法也有所作为。通过其“学习能力”，递归区分法可从众基因中，确定出需要多少，需要那些全能基因来鉴别某癌组织样品。例如，在分析来自22个正常组织及40个直肠癌组织样品的2000个基因中，该法鉴定出三个基因。只用这三个基因，就可将所有癌组织样品从正常组织样品中区分开来，准确率达98%。被鉴定的这三个基因其实都与癌症有关。因此在研究大量基因的表达中，可利用递归区分法（Recursive partitioning〕或类似方法，将研究范围集中到几个“全能”基因上， 再进行更深层次的研究，这样更有效，经济，快速，成为这类研究上的一条捷径。 DNA 微列或芯片数据的生物信息学研究日新月异，新方法，新理论不断涌现，本文最后将网站http://linkage.rockefeller.edu/wli/microarray/推荐给读者，以便从中查阅更多文献，掌握研究动态。
< 1 > < 2 >
|
|
|
|
|
设为首页 | 加入收藏 | 广告服务 | 友情链接 | 版权申明
Copyriht 2007 - 2008 © 科普之友 All right reserved |
