1.

岳晓宁 井元伟 （20xx）

摘要：引入数据挖掘技术，研究DNA序列数据内在规律性，并给出DNA序列分类问题的算法。综合考虑碱基组的出现概率以及相邻氨基酸之间的关系，从DNA序列片段的个案中密码子分布密度角度出发，提取出已知类别的DNA序列片段的特征；应用分类的逐步判别分析的方法，提出判别能力不显著的变量，给出DNA序列分类的判别函数。仿真结果表明，该算法具有分类计算公式简单且分类结果精度的优点。

关键字：DNA序列 密码子 判别函数 数据挖掘 频率 主要通过分析64个密码子来判断DNA序列的分类

2.数据挖掘技术在生物医学领域的应用

余辉 吕扬生 （20xx）

摘要：阐述了数据挖掘技术基本流程及其在生物医学领域的应用前景，介绍了近年来国内外研究学者运用数据挖掘技术在DNA分析、医学影像数据自动分析以及多种生理参数监护数据分析领域的研究趋势和发展方向。

关键字：数据挖掘 DNA分析 医学数字影像标准 医院信息系统 医学图像的存档与通讯系统

3. 马猛 钮俊清 宁岩 郑浩然 王熙法 （20xx）

摘要 随着DNA微阵列技术的广泛应用，产生了海量基因表达数据。如何利用这些数据研究基因间的调控关系成为当前生物信息学的一个研究热点。关联规则挖掘是数据挖掘领域的一个重要技术，然而直接对基因表达数据进行关联规则挖掘存在两个问题：一是时间和空间复杂度过高；二是获得的规则仅定性表示基因间的调控关系，无法提供关于调控关系强度的信息。本文利用聚类实现数据降维，然后将基因表达水平离散化为七个状态，最后关联分析每个聚类中的基因表达数据。实验结果表明本文的分析方法是有效地。

关键字 生物信息学；基因表达数据；数据挖掘；聚类；关联规则。

4

张鸿雁 （博士学位论文20xx年山东师范大学）

本课题把聚类中的数据对象转化成为图中的节点，那么簇的生成就转化为节点的组合问题，进而把善于解决组合问题的DNA计算应用到聚类中去，在DNA计算应用中是新的尝试，也为聚类分析提供了新的思路和方法。

本文的研究内容：

1、 利用面向对象方法学分析并描述DNA计算的相关概念

和技术。

2、 利用DNA计算进行聚类

3、 在已提出的基于DNA计算的聚类理论思想的基础上，

进一步通过实验来证明其可行性和效果。

4、 算法复杂度的讨论分为两个方面：一个是在计算机模拟

的基础上对基于DNA计算的聚类算法进行了复杂度的讨论，在计算机编程基础上，讨论按照计算机编程的思想分析DNA计算的时间复杂度；另一个是ＤＮＡ计算算法的复杂度讨论，讨论了生化实验的消耗和反应时间。

关键词：DNA计算 聚类算法 层次聚类 网格聚类 粘贴模型

5

王显金 阳军 （20xx）

摘要：从ＤＮＡ序列片段中密码子分布密度角度出发，提取ＤＮＡ序列片段的特征，基于五大类氨基酸出现的频率，应用聚类分析方法对ＤＮＡ序列片段 进行分类，结果表明，该算法具有分类简单且分类结果精度较高的优点。 关键字：密码子 频率 聚类分析

主要内容：四种碱基，三个构成一个密码子，所以密码子共有64个，64种密码子出现的频率构成64维特征向量，最终分成5大类。然后计算距离在进行分类。

本文对DNA序列信息的提取，主要以生物学意义为基础：根据氨基酸分子中侧链基的急性性质，把氨基酸分成五大类（含终止信息三联体），出于兼顾碱基含量和融入对碱基排列顺序的考虑，采用指针平移法对各类氨基酸在每一个DNA序列出现频率进行统计，得到一个五维特征向量与之对应，降维后得到四维向量，所得向量维数较低，便于计算和操作；使用SPSS统计工具，采用层次聚类法对40个样本进行分类，分类结果精度较高，其中学习样本回代正确率为95%。

6

王鑫（东北师范大学硕士学位论文20xx）

摘要：随着人类基因组计划的顺利完成和各种后基因组计划的开始实施，涌现出海量的生物分子数据。充分利用这些数据，揭示这些数据的内涵，得到对人类有用的生物学信息，是科学家们所面临的一个严峻的挑战。虽然生物信息学中已经提出了大量有积极意义的方法，但目前大部分的方法还不能获得最优的模式，最准确的预测。

本文根据数据挖掘中的关联规则挖掘算法。提出了一种支持度——匹配框架下、挖掘基因DNA序列数据库中非公共的闭合频繁序列之间的关联规则的新型算法。本文使用了来自美国NCBI中RAKalpha和HBsAg基因数据，以实例的形式说明和分析了算法。分析表明，这种算法不仅可以准确、快

速的找到所有的ＤＮＡ序列模式，还可以更好的发现这些模式之间隐含在序列结构中的生物学信息。并且利用这种算法在基因ＤＮＡ序列数据得到的规则，可以准确的预测新的基因ＤＮＡ数据的种类和功能。

关键词：数据挖掘；关联规则；ＤＮＡ序列数据库；Ａpriori算法。

第一章 引言

1.1生物信息学简介 1.2数据挖掘的研究现状 1.3论文的内容

第二章 关联规则和Apriori的简单介绍

第三章 序列数据库中的关联规则挖掘

第四章 在基因数据库中挖掘关联规则的算法以及实例

主要内容：从某种意义上讲，支持度能反映关联规则中A和B的关系是否是普遍规律；而置信度则反映了在这种情况下的关系方向，即是从A到B，还是从B到A。（支持度：p=(A∪B) 置信度：P=(B|A)）

第二篇：面板数据分析方法总结

这是我在查阅各种资料后得出的关于面板数据的总结，最近在做面板的实证论文，所以需要这个，欢迎大家继续扩充，只要是关于面板的都行，关于具体如何在Eviews6中实现的更好，不甚感激。

----------

*横截面的异方差与序列的自相关性是运用面板数据模型时可能遇到的最为常见的问题,此时运用OLS可能会产生结果失真,因此为了消除影响,对我国东、中、西部地区的分析将采用不相关回归方法( SeeminglyUnrelated Regression, SUR)来估计方程。而对于全国范围内的估计来说,由于横截面个数大于时序个数,所以采用截面加权估计法(Cross SectionWeights, CSW) 。

*一般而言，面板数据可用固定效应(fixed effect) 和随机效应(random effect) 估计方法,即如果选择固定效应模型,则利用虚拟变量最小二乘法(LSDV) 进行估计;如果选择随机效应模型,则利用可行的广义最小二乘法(FGLS) 进行估计(Greene ,20xx) 。它可以极大限度地利用面板数据的优点,尽量减少估计误差。至于究竟是采用固定效应还是随机效应,则要看Hausman 检验的结果。

*单位根检验：在进行时间序列的分析时,研究者为了避免伪回归问题,会通过单位根检验对数据平稳性进行判断。但对于面板数据则较少关注。随着面板数据在经济领域应用,对面板数据单位根的检验也逐渐引起重视。面板数据单位根的检验主要有Levin、Lin 和Chu 方法(LLC 检验) (1992 ,1993 ,20xx) 、Im、Pesaran 和Shin 方法( IPS 检验) (1995 ,1997) 、Maddala 和Wu 方法(MW检验) (1999) 等。

*协整检验：协整检验是考察变量间长期均衡关系的方法。在进行了各变量的单位根检验后,如果各变量间都是同阶单整，那么就可以进行协整检验了。面板协整检验理论目前还不成熟,仍然在不断的发展过程中,目前的方法主要有:

(1)Kao(1999)、Kao and Chiang(20xx)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。

(2)Pedron(i1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。

(3)Larsson et a(l20xx)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法。这种检验的方法是检验变量存在共同的协整的秩。

*一般的顺序是：先检验变量的平稳性,当变量均为同阶单整变量时,再采用协整检验以判别变量间是否存在长期均衡关系。如果变量间存在长期均衡的关系,我们可以通过误差修正模型(ECM) 来检验变量间的长期因果关系;如变量间不存在协整关系,我们将对变量进行差分,然后通过向量自回归模型(VAR),检验变量间的短期因果关系。 关于平稳性检验和协整检验、因果检验流程图

↗ 同阶单整→协整检验→协整？（YES：EG两步法 for 长期因果关系；NO：误差修正模型ECM/VEC for 短期因果关系）

平稳？（单位根检验）

↘非同阶单整→差分使平稳→VAR→Granger因果检验 for 短期因果关系 关于面板数据模型选择回归与检验流程图

混合 固定（main：个体固定） 随机（main：个体随机）

▏▁▁▁▁▁▁▁▁▁▁▁▁ ▏▁▁▁▁▁▁▁▁▁▁▁▁▁ ▏

▏先回归估计 ▏先回归估计

↓Cross-section:fixed ↓Cross-section:random

F检验 Hausman检验

▏ ▏

H0:混合 H1:个体固定 HO:个体随机 H1:个体固定

--

Output： ▏ ▏

If: If:

F=(Cross-section F Stat.)>Fa(df1,df2) H=(Cross-section Random Stat.)>χ2a(df1)

or Prob.<a or Prob.<a

Then:reject H0,accept H1 Then:reject H0,accept H1

以Eviews6为例，来说明一下面板模型的选择问题：

F检验是用来在混合模型和固定效应模型中做出选择，而Hausman检验是用来在固定效应模型和随机效应模型中做出选择，所以不存在孰先孰后的问题；

由于我们通常估计的个体效应而不是时刻效应，所以我们进行回归和检验的时候，Period选择None。

回归的时候，具体操作设置如下，

Depedent Variable里填因变量，Common Coefficients里填自变量（包括截距项c），Cross-Section视回归需要选择None、Fixed、Random，Period选择None，可以依次实现混合回归、个体固定回归、个体随机回归。然后在个体固定回归之后，进行F检验进行模型选择决策1；在个体随机回归之后，进行Hausman检验进行模型选择决策2，从而最终得出最佳回归。