基于JAVA的微阵列数据分析
Java Treeview — 微阵列数据的可扩展可视化
上海第二工业大学本科外文翻译Java Treeview—extensible visualization of microarray data ABSTRACTSummary: Open source software encourages innovation by allowing users to extend the functionality of existing applications.Treeview is a popular application for the visualization of microarray data, but is closed-source and platform-specific,which limits both its current utility and suitability as a platform for further development. Java Treeview is an open-source,cross-platform rewrite that handles very large datasets well,and supports extensions to the file format that allow the results of additional analysis to be visualized and compared.The combination of a general file format and open source makes Java Treeview an attractive choice for solving a class of visualization problems. An applet version is also available that can be used on any website with no special server-side setup.Availability: under GPL.Contact: alokito@INTRODUCTIONJava Treeview is an enhanced, open source, cross-platform rewrite of the original, windows-only Treeview (Eisen et al.,1998). The original Treeview provides a simple interface for viewing the results of hierarchical clustering. The clustering is done by a separate program that creates a tab-delimited text file called a ‘clustered data file’ or CDT file. The simple structure of the CDT file allows developers to use it as an output format for other tools. Although it was originally developed for gene expression data, Treeview has since been used to view the results of hierarchical clustering of other types of data, including GFP reporter levels and motif significance scores. In addition to making thefunctionality of Treeview available to a large audience, Java Treeview supports a generalized CDT format that allow many additional details, such as colors of genes,arrays, nodes and heights of terminal branches, to be specified.Furthermore, the generic structure of the generalized CDT and open source nature of Java Treeview encourage not only further enrichment of the dendrogram representation, but also the development of completely novel visualizations, several of which are presented here. These features dramatically expand the utility of Treeview, and have met with an encouraging response; in the 6 months following the 1.0 release, Java Treeview has been downloaded over 4000 times through word of mouth, the majority of times byWindows users with access to the original parison of multiple analysis methods is an important task that can be aided by superior visualization tools. New methods of microarray analysis appear almost daily in the literature. Also, to the researcher in the field it is tempting to consider minor modifications to existing methods. Many of these analyses associate a score or annotation with genes,arrays or nodes. The generalized CDT file, described in the manual, provides a natural place to put this information. Java Treeview loads the generalized CDT file into a standard data structure and makes it available for representation within an existing or novel visualization. For example, the location of genes on a microarray may be relevant to an investigation of spatial bias, the location of genes on the chromosome may be of interest in an array CGH experiment, and in many cases arrays may be annotated to distinct classes, for instance in a cancer study different types of source tumors. These additional types of data can be incorporated into the CDT file and represented either alongside the dendrogram or in a separate tabbed display (see Features and Fig. 1). All displays are linked together with a shared selection model, so that genes selected according to a particular criterion in one display are also selected in the other displays. This aids in comparison of the different visualizations, and adds value over special purpose visualization tools.There are a wide variety of tools available to the genomics researcher. A few examples, include A V A (Zhou and Liu,2003), TRANSPATH (Krull et al., 2003), Genesis (Sturn et al., 2002) and J-Express (Dysvik and Jonassen, 2001).However, many of these tools are monolithic applications that proscribe the types of data and analysis that may be done, are available for only a few platforms, or come with commercial entanglements. Java Treeview is thus closest in spirit to the TableView application (Johnson et al., 2003), but is built to display large phylogeny-based datasets with hierarchical trees; under Mac OSX, displaying a clustergram of 233 arrays × 5380 genes = 1 253 540 cells consumes 125 MB of RAM; displaying one of 183 arrays × 21 819 genes = 3 992 877 cells consumes 300 MB of RAM. This puts the display of even very large clusters into the realm of cross-platform computing. Combined with an analysis program, such as XCluster (Sherlock, 2000) (/∼sherlock/cluster .html) or Cluster 3.0(De Hoon et al., 2004), a spreadsheet editor such as Excel,and scripted automation using packages such as PCL Analyisis(), Java Treeview is a powerful tool for discovering patterns in genome-wide datasets.BUILT-IN FUNCTIONALITY OF JA V ATREEVIEWJava Treeview provides fine control over the appearance of the dendrogram. Within the generalized CDT file, the foreground and background colors of gene and array annotations,as well as the color of each node branch in the array and gene dendrograms can be independently specified, greatly increasing the information that can be represented. In addition,time can be used instead of correlation to organize the dendrogram, allowing the visualization of phylogenetic trees. A customizable context-specific information window in the upper left displays information such as the number 3247Downloaded from https:///bioinformatics/article-abstract/20/17/3246/186177by guest on 24 May 2018A.J.Saldanhaof genes selected, the correlation of the selected node and relevant annotations depending upon the cursor location.Instead of a single annotation, arbitrary combinations of annotations can be displayed adjacent to the dendrogram.Clicking on a gene or array annotation opens relevant Web databases in an external browser, provided that there is an annotation column containing an identifier and an URL template for the external database. Templates for SGD(yeast),SOURCE(human), WormBase, FlyBase, the mouse Genome Database and GenomeNet Escherichia coli are provided by default, and there is a repository on the website describing additional URL templates. Java Treeviewcurrently supports three newvisualizations in addition to the dendrogram. Arbitrary gene scores can be used to produce scatterplots, gene locations can be used to produce a karyoscope plot and aligned sequence can be used to create a dendrogram-like view of sequence data. Motivating uses of the first two visualizations are provided in the accompanying figure, and sequence alignment visualization is described in the examples section of the website. Examples, mini-tutorials and an extensive User Manual are available from the website ().An open-source, PERL based package, ‘helper-scripts’, is provided to aid in the incorporation of data into the .cdt format for visualization. Currently, all views support output to raster-based images(PNG, PPM and JPEG) and output of subsets of the data to tab-delimited text for further analysis. The dendrogram display also supports output to vector-based postscript files.译：摘要简介：开源软件通过允许用户扩展现有应用程序的功能来鼓励创新.Treeview是用于微阵列数据可视化的流行应用程序，但是是封闭源代码和特定于平台的，它将当前的实用性和适用性限制为进一步发展的平台。
Java阵列
{“行1列0”，“行1列1”}} / /第二行
/ /打印出街[一]
为（int i = 0;我<= 1;我+ +）
为（0142-1123 = 0; Ĵ <= 1; J + +中）
System.out.println（“圣[”+我+","+ Ĵ +“] =”+字[一]研究[J]）;
阵列
数组是普遍有效的存储组变量手段。 数组是一组数组变量共享相同的名称和顺序进行排序，从零到少了一个比变量的数量。 变量的数目，可存储在数组被称为数组的 维数 。 每个数组变量在被称为 元素 的数组。
创建数组
有三个步骤创建一个数组，声明它，分配并初始化它。
声明数组
Java中的其他变量一样，数组必须有一个像字节，整型，字符串或双特定类型。 适当类型的变数可以存储在一个数组。 你不能有一个数组，例如都将存储整数和字符串。
就像Java中的所有其他变量数组必须声明。 当你声明一个数组变量，您后缀型 [] 来表示这个变量是一个数组。 下面是一些例子：
诠释[]钾;
浮动[]尖;
的String []的名称;
换句话说，你声明一个数组就像你在任何其他变量声明，除非您附加括号的变量的类型结束。
分配数组
声明一个数组只是说那是什么。 它不创建数组。 实际创建数组（或任何其他物体）使用新的运 营商。 当我们创建一个数组，我们需要告诉编译器如何它的许多内容将在被储存。 下面是我们如何想创建上述声明的变量： 新
System.out.println（“× [”+我+","+ Ĵ +“] =”+ x的[我]研究[J]）;
Java机器学习使用机器学习库进行数据分析和预测
Java机器学习使用机器学习库进行数据分析和预测机器学习在各个领域中都有着广泛的应用，它可以通过分析大量的数据，从中获得有价值的信息，并对未来进行预测。
而Java 作为一种广泛应用于企业级应用开发的编程语言，也有着强大的机器学习库供开发者使用。
本文将介绍如何使用Java机器学习库进行数据分析和预测。
一、准备工作在开始之前，我们需要准备一些基本的工作。
首先，我们需要安装Java和相应的开发环境。
其次，我们需要选择一个合适的机器学习库。
目前，在Java中有许多成熟的机器学习库可供选择，例如Weka、Deeplearning4j等。
根据实际需求和个人偏好，选择一个合适的库进行学习和实践。
二、数据分析在进行机器学习之前，我们首先需要进行数据分析。
数据分析包括数据的清洗、处理和可视化等步骤。
通过这些步骤，我们可以对原始数据有一个更好的了解，并对数据进行预处理，为后续的机器学习算法做好准备。
1. 数据清洗数据清洗是指对原始数据进行去重、去噪、缺失值处理等操作，以保证数据的准确性和完整性。
对于较小的数据集，我们可以手动进行数据清洗；而对于较大的数据集，我们可以使用Java机器学习库提供的函数进行自动化的数据清洗。
2. 数据处理数据处理包括数据的转换、归一化、特征选择等操作。
通过这些操作，我们可以将原始数据转化为适合机器学习算法处理的格式。
例如，将离散型变量转化为连续型变量，对数据进行标准化等。
3. 数据可视化数据可视化是通过图表、图像等形式将数据展示出来，以便更直观地观察和理解数据的特征和规律。
通过数据可视化，我们可以发现数据的分布情况、异常值等信息。
三、机器学习模型选择在数据分析之后，我们需要选择合适的机器学习模型进行数据预测。
机器学习模型包括监督学习、无监督学习和强化学习等。
在实际应用中，我们需要根据具体的问题和数据特点选择合适的模型。
1. 监督学习监督学习是指通过已有的输入和输出数据，建立一个模型，用于对未知数据进行预测或分类。
JavaWeb应用中的大数据处理与分析
JavaWeb应用中的大数据处理与分析在当今信息爆炸的时代，大数据已经成为各行各业的重要组成部分。
对于JavaWeb应用程序而言，如何高效地处理和分析大数据是至关重要的。
本文将探讨在JavaWeb应用中如何进行大数据处理与分析，以及相关的最佳实践和工具。
1. 大数据处理的挑战随着互联网的快速发展，用户生成的数据量呈指数级增长。
传统的数据库系统已经无法满足对海量数据的高效处理需求。
在JavaWeb应用中，面对海量数据，如何进行有效的处理成为了一项重要挑战。
2. 大数据处理解决方案2.1 分布式计算框架Hadoop和Spark是两个常用的分布式计算框架，它们提供了强大的计算能力和可靠性，适合用于大规模数据处理。
在JavaWeb应用中，可以通过集成Hadoop和Spark来实现对大数据的高效处理。
2.2 数据存储技术对于大数据处理而言，高效的数据存储至关重要。
传统的关系型数据库可能无法胜任海量数据的存储需求，因此可以考虑使用NoSQL数据库如MongoDB、Cassandra等来存储大数据。
3. 大数据分析的重要性除了处理海量数据外，对数据进行分析也是至关重要的。
通过对大数据进行分析，可以发现隐藏在数据背后的规律和趋势，为业务决策提供有力支持。
4. 大数据分析工具4.1 数据可视化工具数据可视化是大数据分析中不可或缺的一环。
通过可视化工具如Tableau、Power BI等，可以将复杂的数据转化为直观易懂的图表和报表，帮助用户更好地理解数据。
4.2 机器学习算法机器学习在大数据分析中扮演着重要角色。
通过机器学习算法如决策树、聚类、回归等，可以对大数据进行深入挖掘和预测分析。
5. 最佳实践与建议5.1 数据清洗与预处理在进行大数据分析之前，需要对原始数据进行清洗和预处理，包括去除异常值、填充缺失值等操作，以确保分析结果准确性。
5.2 并行计算与优化针对大规模数据集，可以采用并行计算技术来提高计算效率。
同时，对代码进行优化也是提升大数据处理性能的关键。
用Java进行数据分析
用Java进行数据分析数据分析是一种通过收集、清洗、转换和分析数据来获取信息和洞察力的过程。
Java作为一种高效、稳定的编程语言，被广泛应用于数据分析领域。
本文将探讨Java在数据分析中的应用，介绍Java的数据分析工具和库，以及一些实际案例。
1. Java在数据分析中的优势Java作为一种高性能、跨平台的编程语言，具有很多优势，使其在数据分析领域受到广泛应用。
首先，Java具有强大的并发编程能力，可以轻松处理大规模数据。
其次，Java有丰富的类库和框架，可以帮助开发人员快速、高效地进行数据处理和分析。
此外，Java拥有成熟的开发工具和社区支持，使得数据分析工作更加稳定可靠。
2. Java的数据分析工具和库在Java领域，有许多优秀的数据分析工具和库，可以帮助开发人员进行数据处理和分析。
其中，Apache Hadoop是一个用于分布式存储和处理大规模数据的开源框架，提供了丰富的数据处理工具和库，如MapReduce、Hive、Pig等，可以方便地进行数据处理和分析。
另外，Apache Spark是一个快速、通用的集群计算系统，可以用于大规模数据处理和分析，并且支持多种数据源和数据格式。
此外，Java还拥有许多其他数据分析工具和库，如Weka、RapidMiner、Jupyter等，可以满足不同领域的数据分析需求。
3.实际案例分析下面，我们将介绍一个使用Java进行数据分析的实际案例，以展示Java在数据分析中的应用价值。
假设一个电商平台希望对用户行为数据进行分析，以了解用户的购物偏好和行为特征，从而进行精准营销和个性化推荐。
首先，我们需要收集和清洗用户行为数据，然后使用Java进行数据处理和分析。
我们可以利用Apache Hadoop对大规模用户行为数据进行分布式存储和处理，使用MapReduce等工具进行统计分析，得出用户购物偏好和行为特征，最后利用这些洞察结果来进行精准营销和个性化推荐，从而提升用户购物体验和平台收益。
java解析excel根据列列出数据的方法
java解析excel根据列列出数据的方法在Java中解析Excel文件可以使用Apache POI库来实现。
下面是一个简单的示例代码，用于解析Excel文件并将其中其中一列的数据列出来。
首先，需要在项目中添加Apache POI库的依赖。
```xml<!-- Apache POI dependencies --><dependency><groupId>org.apache.poi</groupId><artifactId>poi</artifactId><version>4.1.2</version></dependency><dependency><groupId>org.apache.poi</groupId><artifactId>poi-ooxml</artifactId><version>4.1.2</version></dependency>```然后，可以使用以下代码来解析Excel文件，并输出其中一列的数据。
```javaimport ermodel.*;import java.io.FileInputStream;import java.io.IOException;public class ExcelParserpublic static void main(String[] args)String filePath = "path_to_excel_file.xlsx";int columnIndex = 0;try (FileInputStream file = new FileInputStream(filePath); Workbook workbook = WorkbookFactory.create(file))Sheet sheet = workbook.getSheetAt(0); // 获取第一个工作表for (Row row : sheet)Cell cell = row.getCell(columnIndex); // 获取指定列的单元格if (cell != null)String cellValue = getCellValueAsString(cell);System.out.println(cellValue);}}} catch (IOException e)e.printStackTrace(;}private static String getCellValueAsString(Cell cell) switch (cell.getCellType()case STRING:return cell.getStringCellValue(;case NUMERIC:if (DateUtil.isCellDateFormatted(cell))return cell.getDateCellValue(.toString(;} elsereturn String.valueOf(cell.getNumericCellValue();}case BOOLEAN:return String.valueOf(cell.getBooleanCellValue(); case FORMULA:return cell.getCellFormula(;default:return "";}```在上述示例代码中，`filePath`变量表示Excel文件的路径，`columnIndex`变量表示要列出数据的列索引（从0开始）。
生物软件汇总
生物软件汇总，强烈推荐！质粒绘图Plasmid Processor 1.02 绘制质粒图软件。
Plasmid Processor Pro 绘制质粒图软件,与Plasmid Processor是同一个作者。
WinPlas 2.7 demo 质粒绘图软件商业版。
DMUP beta 环状质粒绘图软件测试版。
Plasmid Toolkit 1.4s 质粒绘制软件。
pDRAW 1.1.60 DNA分析与绘图软件,可绘制线性或环形DNA图。
Redasoft Visual Cloning 2000 Demo 是有名的绘制质粒图Redasoft Plasmid 1.1软件的升级版。
SimVector 2.01 Demo 质粒图绘制软件。
CloneMap 2.11 Demo 质粒作图软件演示版。
pCIRCLE 2nd Flash MX 2004 制作的用于绘制环状质粒的软件图像处理Image Tool 3.0 科学用途的处理图像软件。
Image J 1.31 用Java语言写成的科学用途的处理图像软件。
Cross Checker 2.91 基因指纹图分析软件。
ALFmap 1.22 ALF (Amersham Pharmacia) 图像格式转换软件。
Band Leader 3.0 凝胶图像处理软件。
Scion Image 4.12 图像处理与分析工具。
OSIRIS 4.18 通用医学图像处理与分析软件。
Melanie 4 Viewer 免费Melanie图像查看器。
ChromoZoom 1.1 比较两个图像的相同与不同之处软件。
bandscan 5.0 Demo 蛋白凝胶电泳图像分析软件。
SigmaScan Pro 5.0 Demo 图像分析软件30天全功能演示版。
SigmaGel 1.0 Demo 凝胶图像分析软件。
TotalLab 2.0 评估版图像分析软件。
LabImage 2.71 评估版凝胶图像分析软件。
用Java进行数据分析
用Java进行数据分析Java是一种功能强大的编程语言，被广泛应用于数据分析领域。
它提供了许多工具和库，可以帮助开发人员处理和分析大量的数据。
本文将介绍如何使用Java进行数据分析，并探讨Java在数据分析领域的应用。
首先，Java提供了许多用于数据分析的工具和库，最著名的是Apache Hadoop。
Hadoop是一个用于分布式计算的开源框架，它可以处理大规模的数据集。
通过使用Hadoop，开发人员可以快速且高效地处理大量的数据，并进行各种复杂的分析和计算。
除了Hadoop外，Java还提供了一些其他的工具和库，如Apache Spark和Apache Flink。
这些工具可以帮助开发人员在分布式计算环境中执行复杂的数据分析任务，提供了一些高级的分析功能和算法。
在Java中，最常用的数据分析库是Apache Commons Math。
它提供了许多数学和统计学函数，可以用于各种数据分析任务，如数据建模、回归分析、聚类和分类等。
此外，Java还有一些其他的数据分析库，如Weka、RapidMiner和Weka。
这些库提供了一系列的机器学习算法和数据挖掘工具，可以帮助开发人员进行更深入的数据分析和挖掘。
在实际应用中，使用Java进行数据分析通常需要遵循以下几个步骤：1.数据收集和预处理：首先，需要收集和整理需要分析的数据。
数据可以来自各种来源，如数据库、日志文件、传感器等。
然后，需要对数据进行预处理，包括数据清洗、缺失值处理、异常值检测和特征选择等。
2.数据建模和分析：一旦数据准备好，可以选择适当的模型和算法来进行数据分析。
可以使用统计学方法、机器学习算法、聚类和分类算法等来分析数据。
3.结果可视化和解释：最后，将分析结果进行可视化展示，并解释结果。
通过可视化，可以更好地理解数据并发现隐藏在数据中的模式和关联。
Java在数据分析领域的应用非常广泛。
许多大型企业和机构，如金融、医疗、电信等，都使用Java进行数据分析。
欧洲猫基于Java的数据统计分析功能的介绍
1本文研究的意义和主要工作随着民航产业的高速发展，空域密度也随之不断加大，而安全飞行与增加航班流量之间的矛盾也越来越突出，近些年国际国内飞行安全事故也时有发生。
再者，不管软硬件故障还是人为原因而引起的不安全隐患普遍存在。
那么系统相关的运行数据的存储，统计以及分析便成为安全保障的重要一环。
然而JADE服务器能够收集系统运行的数据，达到长期保存，随时提取的目的，用于统计分析。
其主要作用是弥补系统数据统计和分析功能的不足。
例如：①针对航路点、扇区，席位等的航班流量按照用户指定的时间段进行统计和分析，为系统配置优化提供决策支持；②生成特定时间段的系统负荷的统计和分析报告，为降低系统负荷，负载均衡等提供决策支持；③统计和分析系统运行态势，如工作负荷，人工操作频率，告警信息统计等，为阶段性的系统运行评估、后续的调整和优化提供了数据支持。
为系统的安全运行提供可靠的数据支持。
2JADE的组成及软件功能2.1硬件介绍JADE单独使用了一台Z420主机作为其运行平台，使之独立成为一台服务器，专职用于欧洲猫系统后台运行数据的记录、统计、分析。
2.2JADE数据库的介绍对于JADE而言，其软件组成主要是依赖于两个独立的逻辑数据库即统计数据库和分析数据库。
虽然获得信息记录数据的功能和采集方法二者差不多，但是在数据的使用上和数据的存储周期上二者存在明显差异。
统计数据库是用于系统数据的统计，处理的数据周期较欧洲猫基于Java的数据统计分析功能的介绍Introduction of the Data Statistical Analysis Function of European Modem Based on Java颜萌（中国民用航空华东地区空中交通管理局技术保障中心，上海200335）YAN Meng(Technical SupportCenterofCAACEast China RegionalAirTrafficManagement Bureau,Shanghai200335,China)【摘要】JADE全称为：Java Aided Data Analysis Facilities Environment即是一款将欧洲猫系统的后台运行数据进行记录、统计、分析，再将分析所得的结果以列表等形式反馈给用户的软件。
微阵列数据分析（MicroarrayDataAnalysis）
微阵列数据分析（MicroarrayDataAnalysis）蔡政安副教授（台湾前⾔在⼈类基因组测序计划的重要⾥程碑陆续完成之后，⽣命科学迈⼊了⼀个前所未有的新时代，在⼈类染⾊体总长度约三⼗亿个碱基对中，约含有四万个基因，这是⽣物学家⾸次以这么宏观的视野来检视⽣命现象，⽽医药上的研究⽅针亦从此改观，科学研究从此正式进⼊后基因组时代。
微阵列实验(Microarray)及其它⾼通量检测(high-throughput screen)技术的兴起，⽆疑将成为本世纪的主流；微阵列实验主要的优势在于能同时⼤量地、全⾯性地侦测上万个基因的表达量，通过基因芯⽚，可在短时间内找出可能受疾病影响的基因，作为早期诊断的⽣物标记(biomarker)。
然⽽，由于这⼀类技术的⾼度⾃动化、规模化及微型化的特性，使得他们所⽣成的数据量⾮常庞⼤且数据形态⽐⼀般实验数据更加复杂，因此，传统统计分析⽅法已经不堪使⽤。
在此同时，统计学家并未在此重要时刻缺席，提出⾮常多新的统计理论和⽅法来分析微阵列实验数据，也⼴受⽣物学家所使⽤。
由于微阵列数据分析所牵涉的统计问题层⾯相当⼴且深⼊，本⽂仅针对整个实验中所衍⽣的统计问题加以介绍，并介绍其中⼀些新的图形⼯具⽤以呈现分析结果。
基因芯⽚的原理微阵列芯⽚即⼀般所谓的基因芯⽚，也是基因组计划完成后衍⽣出来的产品，花费成本虽⾼，但效⽤⽆限，是⽬前所有⽣物芯⽚中应⽤最⼴的，由于近年来不断改进，也是最有成效的⽣物技术。
⼀般⽽⾔，基因芯⽚是利⽤微处理技术，先把⼈类所有的基因分别固着在⼀⼩范围的玻璃⽚(glass slide)、薄膜(membrane)或者硅芯⽚上；然后，可以平⾏地、⼤量地、全⾯性地侦测基因组中mRNA的量，也就是侦测基因的调控及相互作⽤表达。
⽬前微阵列芯⽚⼤致分为以下两种平台:cDNA芯⽚及⾼密度寡核⽢酸芯⽚(high-density oligonucleotide)，两种系统⽆论在芯⽚的制备及样本处理上都有相当的差异，因此在分析上也略有不同，以下便就芯⽚的特性简略介绍。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
定 ， 列基 因 是 没 有 意 义 的 数 据 。本 体 （ ｎ ｏｏ ｙ 一 ｏ ｔｌｇ ） 信 息有 三个 类别 ： 物学 过程 、 子功 能 、 生 分 细胞组 分 。 来 自少 量饮 酒微 阵列 研 究 的 １ ０ ０ ０个基 因 的序 列 被 输 人用 作过 量表 达分 析 。该结 果强 烈显 示饮 酒 对能 量 代谢 相关 基 因有 显 著 的效 应 ； 氧 呼 吸 和三 羧 酸 有
格 的方式 处理 审计 和技术 问题 。这些 开源 软件 可 以
程 数据 。Ｅ ＧＥ已经 用来 分析 研究 少量 急性 饮酒 的 Ｄ 数 据 。在此 实验 中， 非表达 基 因过 滤之后 ， ＤＧ Ｅ Ｅ测 定 了 １０ ０ ０个 基 因属 于差异 表 达 ， 不 同于使 用配 对 这 ｔ 检验 测定 的 １ ３ 基 因 。该 结 果 被 用 于评 估 在 本 ８个 体 （ ｎｏｏ ｙ 数 据 库 中 生 物 学 过 程 的 过 量 表 达 。 ｏ ｔｌｇ ）
维普资讯
民航 医学 ２ ０ ０ ７年 第 ｌ ７卷 第 ３期
个 范例 。 目前应用 很广 泛 的是有 专利 授权 的电子 表 格 ， 是 一些 不 为 人 所 知 的 开 源 软 件 ， ： ｎ ｍｅ— 但 如 Ｇｕ ｒ ｉ，Ｃ ｌ，ＫＳ ｒａ ｓ ｍｅ等 ， ｃ ａｃ ｐ ｅ ｄｏ 也一 样 用 的办 公 软 件 ， 这 些 新 的工 具 可 以通 而
过 互联 网在 Ｏｐ ｎ ｆ ｅ ｏ ｇ ｏ ｇｅ Ｚ ｈ ｅ Ｏｆ ｃ． ｒ ，Ｇ ｏ ｌ， ｏ ｏ以及其 ｉ 他 一些 网站 上 下 载获 得 。 结 果／ 论 由于 存 储 讨 容量 上 的 限制 ， 们 考 虑 使 用 开放 源代 码 的操 作 系 我
１ 基 于 Ｊ Ｖ 的微 阵列数 据分 析／ ｕ ｉｎＤ… … ７ Ａ Ａ Ｂ ｒ ａ
（ 冬 王 译）
大多 数基 因表 达分析 实 验 的直 接 目的是产 生 一 列差异 表 达基 因 。然 而 ， 果 缺 乏 生 物 背 景 下 的测 如
１ 差 异基 因 表 达 的 提 取 （ ＤＧ ： 阵 列数 据 的 ６ Ｅ Ｅ） 微 时 间过 程分 析软 件／ ｕ ｉ Ｂ ｒ ｎＤ… … ａ
的。
１ 航 空航 天 医学从 业人 员需 要 学习开 源软 件 的 ．
概念。
３ 论证 来 自时 间过程 分析 新方 法 的结果 与 已知 ． 生 物学 是相 符 的 。
（ 兵 邱 译）
２ 听众 需要 学 习如何 将 开源 软件 应用 于航 空航 ．
天 医学 研究 领域 。
３ 从业 者需 要 学 习数 据 和研究 成 果是如 何 丰 富 ． 航 空航 天 医学领 域 的免 费共享 知识 。
（ ｎｏｏ ｙ数据库 按 分子 功能 、 物学 过程及 细 胞组 ｏ ｔｌｇ 生
分来分 类所 有 已知 的蛋 白质 ） 分 析 结 果 强烈 提示 此 大量线 粒 体 蛋 白质 在对 饮 酒 的反 应 中是 差 异 表 达 的 ， 中包 括 与 能 量 代 谢 相 关 的基 因 （ ０个 基 因） 其 ５ 。
统 Ｌ ｎ ｘ代 替 Ｗｉｄ ｗｓ 作 系统 。在很 多情 况下 ， ｉｕ ｎｏ 操
使 用数据 库是 比电子表 格更 好 的数据 处理 方法 。尽 管获 取开 源软 件 的成 本 是非 常低 的 （ 享 软件 ） 甚 共 ， 至是免 费 的 （ 费 软件 ） 但 是 软 件 使 用 的培 训 费用 免 ，
的应用 范 围逐 渐 扩大 ， 可共 享 的知识 、 息也 在逐 渐 信
增加 。过去 的研 究结 果和 数据从 主流存取 文 件 中聚 集分 离 出来 。
学 习 目的
１ 论证 开 源软 件在 非商 业用 途领 域 中是最 有用 ．
的。
２ 论 证 基 因表 达 数 据 的 时 间 过 程 分 析 是 可 行 ．
学 习 目的
和切换 到 新 的软件 的成本 还 有待 观察 。 结论
本
研 究 团 队 已经 处 在 这 些 新 概 念 的应 用 领 域 领 先 地
位， 他们 对 开源 软件 概 念 的应 用 已经达 到 了增 进 合
作 、 除非议 以及 降低 成 本 的效 果 。随着 开 源 软 件 消
循 环是 两个 最有 影 响的过 程 。事 实 上 ， ７个 可能 的 ７
分子 医学 在 常规 医学 中变 得 更 加平 常 了 ， 且 并
正在 被应 用 于航空 航天 医 学 。由于 在“ 常” 因背 正 基 景 下 机体 对环 境条 件 做 出反 应 ， 航 空 航 天 医 学 因 故 素 在分 子水 平 变得 更 加 微 妙 ， 且 作 为 一 时 间 函数 并 经常 影 响人 的 工作 能力 。大 多数 统计检 验 被设计 用 来 比较 少量有 限 数 据 点 ， 如 ｔ 验 、 差 分 析 等 。 例 检 方 差异 基 因表 达 的提 取 （ Ｄ Ｅ ＧＥ） 属 于例 外 。 Ｅ 则 ＤＧＥ 使 用 的是 一 个较新 的 统计 分 析 体 ， 个 用 来 发 现 差 一 异表 达基 因的最 优发 现程 序 。最 优 发现程 序 的优 点 在 于它 可 以在 重 复测量 以及 治疗 组之 间分 析 时 间过
该结 果是 令 人期 待 的 ； 而 ， 少 直观 的结果 显示 与 然 较
细胞 器 定位 和运输 （ ６ １ ９个 基 因 ） 宿 主 应 答 （ ７个 及 ８ 基 因） 关 的大量 基 因 的差 异 表 达 。这 些 结 果 综 合 相 起来 ， 仅 在预期 生 物 学过 程 中通 过 确 认 基 因 的差 不 异表 达来 验证 此软 件 的分 析 方 法 论 ， 且 还 扩 展 了 而 结果 ， 出 了关 于 少量饮 酒 对机 体效 应 的新发 现 。 得