孙小洁，郑方强，曾健明

(1.山东农业大学 植物保护学院，山东 泰安 271018；2.珠海健明生物医药科技有限公司，广东 珠海 519000)

基因芯片技术自20世纪80年代发展至今已产生了大量的基因表达数据。如何从复杂的基因大数据中进行知识发现，是生物信息学研究的重要课题之一。为了满足对高通量基因表达数据存储不断增长的需求，美国国家生物技术信息中心(NCBI)建立了基因表达数据库(GEO)[1-4]，为用户提供了可供数据提交、存储和检索的平台。目前，GEO数据库已经收录了累计10万多个系列、280多万个样本的数据，涉及3 000多种生物[5]。

面对海量复杂的生物数据，研究者的思维方式也相应地从数据的生成转向对数据的深入挖掘和分析。数据挖掘是从大量的数据中通过算法搜索隐藏于其中信息的过程[6]。将数据挖掘方法应用于生物信息大数据，能够从中挖掘出有价值的信息，寻找潜在规律，进而对相关疾病机制作出科学的诠释，是当前生物信息学的热点问题之一。

基因表达芯片是采用传统的基因表达量测定方法，会产生出大量有价值的数据，是生物信息数据挖掘工作的重要组成部分。基因表达芯片测序的结果是每个样品的探针表达量，在后续分析过程中需要根据基因与探针之间的对应关系进行ID转换，进而计算基因的表达量高低。部分芯片平台可以从Bioconductor网站的注释程序包中直接获取这种对应关系，但只覆盖了约90个常用的芯片，而现存的测序平台有10 000多个，且日益增长；……