生物分子數據的距離度量及其應用.pdf

1、生物分子數據的比較是生物信息學最基本最重要的工具之一。通過序列比較，我們可以從大量的序列數據中獲取生物序列中的功能、結構和進化信息。生物信息學的許多其它領域，如數據庫搜索，系統(tǒng)樹構建，蛋白質結構和功能的預測，序列片段的拼接等都需要首先確定生物序列間的距離度量。目前廣泛使用的序列比較方法是比對，然而該方法存在著計算復雜度高，對序列進化模型的假設較為苛刻等缺陷。因此，發(fā)展有效的不依賴于比對的序列比較方法，并探討其在生物信息學其它領域中的應用

2、，特別是基于全基因組的系統(tǒng)發(fā)育分析，是一個非常有意義的課題。 本文就兩類常用的“非比對”序列比較方法進行了探討。論文的主要內容安排如下： 第二章給出了兩種基于序列中字符串出現頻率的序列比較方法。第一種方法是對經典相對熵方法的修正，該方法可以避免相對熵在確定兩個字頻率向量距離時，由于字符類型缺失而導致的退化現象。第二種方法在字出現次數服從Poisson分布的假設下，我們定義了字的表達水平，用字表達水平的差異來刻畫兩條序列之

3、間的距離。通過構建包含SARS-CoV在內的25個病毒全基因組的系統(tǒng)發(fā)生樹，上述方法的有效性得以驗證。 第三章研究了基于符號序列復雜度的距離度量。該距離度量利用兩條序列條件壓縮的思想，對序列的進化模型假設較少，因此一些進化操作，如基因組重排等，對此度量影響較小。作為其應用，我們將其與k近鄰算法結合，預測了蛋白質的亞細胞位點。另外，對于蛋白質結構的比較，我們提出了一種“符號化指派”的方法，可將蛋白質結構的比較轉換為符號序列的比較。