生物信息学——数据挖掘

　　生物信息学以各种各样的生物学数据为研究材料，通过计算机处理后再进行结果解读，处理方法包括对生物学数据的搜索（收集和筛选）、处理（编辑、整理、管理和显示）及利用（计算、模拟）。当前主要的研究方向有：序列比对、序列组装、基因识别、基因重组、蛋白质结构预测、基因表达、蛋白质反应的预测，以及进化模型创建等。

　　生物信息学的兴起有赖于测序技术、生物样本库以及计算机科学等的高速发展。生物信息学的发展也衍生出了一系列组学研究，包括转录组学、基因组学、蛋白质组学、代谢组学和微生物组学等，所有这些组学都是由一个个小型或大型的数据库构成的。

数据挖掘的常见功能如下：

　　1.分类（classification）按照分析个体的属性状态分别加以区分，并建立类组

　　2.估计（estimation）根据已有的数量型变量和相关的分类变量，以获得某一属性的估计值和预测值

　　3.预测（prediction）根据个体属性的已有观测值来估计个体在某一属性上的预测值

　　4.关联分组（affinity grouping）从所有对象决定哪些相关对象应该放在一起

　　5.同质分组（clustering）将异质总体分成为同质性类别（clusters），即聚类分类，关联分组和同质分组即通过转录组，基因组或其他一些特征将不同的样本分成多个亚型，如乳腺癌的luminal和basal型，而估计和预测则是通过分析某个变量来预估另一个变量的变化情况，如高肿瘤突变负荷的患者更倾向于对免疫治疗有效，其生存时间更长等等。

数据挖掘的过程如下：

　　1.理解数据和数据的来源（understanding）

　　2.获取相关知识与技术（acquisition）

　　3.整合与检查数据（integration and checking）

　　4.去除错误或不一致的数据（data cleaning）

　　5.建立模型和假设（model and hypothesis development）

　　6.实际数据挖掘工作（data mining）

　　7.测试和验证挖掘结果（testing and verification）

　　8.解释和应用（interpretation and use）

　　生物信息数据挖掘越来越受到国家和科研工作者的重视，在未来临床医学方面数据挖掘是实现“精准医疗”的关键技术，因此生物信息数据挖掘会极大地推动了相应学科和临床的的发展。