[参考文献]
[1]刘海龙.生物医学信号处理[M].北京:化学工业出版社,2006.
[2]KeoghE,ChakrabartiK,PazzaniM,etal.DimensionalityReductionforFastSimilaritySearchinLargeTimeSeriesDatabases[J].KnowledgeandInformationSystems,2001,3(3):263-286.
[3]练仕榴,郑刚,牟善玲.用于心电波形分析的相似性度量策略[J].计算机工程,2011,37(9):263-265.
[4]张大克,王玉杰.随机平均欧氏距离的统计性质与分类阈值[J].天津科技大学学报,2008,23(4):85-88.
摘要:生物医学是一门融合了多种学科知识的综合型学科,其中主要涉及到的学科类型包括生物学、医学以及生命科学。随着科学技术的不断发展,生物医学的覆盖范围也变得越来越广泛,大数据技术的应用也更加频繁。大数据时代为生物医学研究的发展创设了良好的社会环境。本文将就生物医学的大数据现状以及展望进行深入的探索研究。
关键词:生物医学;大数据;研究趋势
由于生物医学涉及到了许多学科的理论和知识,因此,在大数据时代下,生物医学研究能够获得更加全面细致的数据支持。随着大数据技术的深入应用,生物医学的数据规模正呈现出不断扩大的趋势。在这样的背景下,生物医学的内涵将变得更加丰富。由此可见,大数据技术和生物医学的有机融合对于生物学规律的研究具有十分重要的积极意义。
1对生物医学大数据的分析研究
大数据分析是生物医学大数据中的重要组成部分之一,大数据分析的深入开展需要大数据储存的强力支持,目前,生物医学大数据分析的内容主要包括以下几个方面:
1.1蛋白质组数据分析研究
经过长时间的发展,蛋白质组质谱分析技术已经逐渐趋于完善,在分析工作开展的过程中,需要使用到大量具备高分辨率的质谱数据,这些数据在蛋白组定性和定量分析工作开展的过程中能够发挥出巨大的作用。当前阶段,蛋白质组学的研究内容得到了极大的扩充,更加强调了对研究规律深入应用。在大数据技术的支持下,很多更加先进高效的数据分析方法得到了有效的应用,蛋白质组学研究的标准朝着更加规范化以及系统化的方向发展,因此,为了保障蛋白质组学研究的顺利发展,必须加快推进不同层面组学数据的综合分析。
1.2单细胞数据的分析研究
单细胞数据分析的细胞数量十分庞大,因此,相应的数据量也十分庞大。单细胞基因组测序中涉及到了DNA扩增技术的应用,这也导致测序深度存在高度不一致的现象,这对相应的基因组分析工作带来了巨大的挑战,加之单细胞的性质存在一定的差异性,因此,单细胞数据分析的难度相对较高。当前阶段,单细胞基因组数据分析所使用的方法较少,比较常见的方法为单细胞基因表达差异化分析方法以及经过完善的velvet基因组拼装方法,同时,在单细胞异质化分析领域仍旧存在大量的空白。
1.3基因组数据分析研究
随着越来越多先进测序技术的推广,高通量数据分析法的应用变得更加完善,为基因组和转录组数据的分析提供了有效的支持。系统化数据分析实现了对基因组、转录组以及的表观基因组等数据的综合分析,促进了生物系统研究朝着的更加标准化以及深入化的方向发展。大量的高通量测序数据的采集推动了基因组的数据的集中整合以及深度挖掘,因此必须使用更加先进的大数据分析硬件以及软件才能保障基因组数据分析的有效推进。
1.4宏基因组数据分析研究
近些年来,与生物医学相关的宏基因组项目的数量正呈现出迅猛增加的趋势,其数量的规模也在不断扩大。同时吗,微生物群落大数据分析项目的数据量也在增加,在这样的情况下,如何保障数据分析的效率和准确性就成了科研人员必须考虑的问题。目前,宏基因组研究领域已经基本完成了数据库的构建,微生物群落研究的流程的规范性得到了极大的提升。同时,一大批微生物群落生物信息学研究网站开始涌现出来,为微生物群落研究提供了更加完善的服务项目。此外,微生物群落数据规模的不断扩展对计算机的性能提出了更高的要求,因此必须研发出更加先进的计算机分析平台,才能更好的应对数据量不断增加的趋势。