基于模式識別方法的生物序列和基因表達數(shù)據(jù)分析.pdf

1、隨著分子生物學的發(fā)展，特別是人類基因組計劃的順利完成，生命科學研究進入后基因組時代。在這個時代，大量生物數(shù)據(jù)的積累為人們在分子水平探索生命的奧秘提供了寶貴的第一手資料，然而，海量生物數(shù)據(jù)的供給與現(xiàn)有數(shù)據(jù)分析能力之間的矛盾日益突出，生命科學的發(fā)展迫切需要自動的、高效的、可靠的數(shù)據(jù)分析和挖掘技術，于是，一門以生命科學和計算機科學為基礎的嶄新的、擁有巨大發(fā)展?jié)摿Φ男聦W科逐漸興起，這就是生物信息學。 模式識別是一種利用計算機對輸入的數(shù)

2、據(jù)進行分析，從而實現(xiàn)對研究對象的解釋、歸類、和鑒別分析，進而揭示事物本質(zhì)的技術。在上世紀60-70年代模式識別技術得到快速的發(fā)展，并且逐漸在光學字符識別、語音識別和醫(yī)學數(shù)據(jù)分析方面得到成功應用。近年來，模式識別技術也開始被用到生物數(shù)據(jù)分析中，并且在生命科學研究中扮演著越來越重要的角色，尤其是在基因識別、基因發(fā)現(xiàn)、motif識別、蛋白質(zhì)分類和識別、系統(tǒng)發(fā)育分析以及基因表達數(shù)據(jù)分析等多個研究領域日漸顯示出傳統(tǒng)實驗技術無法比擬的優(yōu)勢。但是由于

3、生物數(shù)據(jù)有其固有的特征，比如維數(shù)不固定、數(shù)據(jù)集中各類樣本嚴重不平衡，而且一種生物現(xiàn)象可以從多個角度進行刻畫，這就給傳統(tǒng)模式識別技術在生物數(shù)據(jù)分析中的有效應用帶來新的挑戰(zhàn)。本文的目標是研究分析生物序列和基因表達數(shù)據(jù)的新算法，力求對生物數(shù)據(jù)進行有效的刻畫和分析，從而更好地揭示隱藏在海量數(shù)據(jù)中的生命規(guī)律。 論文第一章首先回顧了生物信息學的發(fā)展歷史和模式識別技術在這一領域的應用情況，然后給出論文章節(jié)的安排。第二章提出了一種預測蛋白質(zhì)序

4、列亞細胞定位的方法。第三章和第四章研究如何根據(jù)全基因組序列分析和推斷物種之間的進化關系。第五章研究基因表達數(shù)據(jù)分析的問題。最后在第六章對論文進行總結，并提出今后的一些研究建議。 第二章提出了一種基于最優(yōu)局部信息融合的蛋白質(zhì)亞細胞定位預測方法。該方法基于蛋白質(zhì)合成過程的分選機制，從蛋白質(zhì)序列中搜索出一個最佳的分割位置，用以將一條完整的蛋白質(zhì)序列分割成分選信號和成熟蛋白質(zhì)序列兩個部分，然后分別從這兩條序列中提取相應的特征，并且將這

5、兩種特征結合起來刻畫整條蛋白質(zhì)序列，最后設計基于支持向量機的融合分類器對蛋白質(zhì)亞細胞定位進行預測。在公共蛋白質(zhì)序列數(shù)據(jù)集上的實驗結果表明，本章提出的方法能夠有效改進蛋白質(zhì)亞細胞定位預測的效果，同時，在真核蛋白質(zhì)上找到的蛋白質(zhì)序列分割位點與真實的生物現(xiàn)象相符合，這能夠為預測蛋白質(zhì)的剪切位點提供有用參考信息。 第三章提出了一種基于譜聚類技術的系統(tǒng)發(fā)育樹重構算法。該方法從全局的觀點出發(fā)，采用分裂的策略，利用譜圖聚類方法(Spectr

6、al Graph Clustering，簡寫為SGC)研究物種之間的進化關系。首先構造一個距離矩陣，其中元素表示兩個物種之間的進化距離，然后利用譜圖理論求解聚類問題，就是根據(jù)最大—最小準則構造劃分圖的最優(yōu)化問題，再通過解該矩陣的Laplace矩陣的特征值問題來求解最優(yōu)化問題，最后，根據(jù)最大特征值所對應的特征向量將物種進行分類。SGC算法在模擬數(shù)據(jù)上得到比鄰接法(Neighbor—joining，簡寫為NJ)更加準確的結果，而在桿狀病毒基

7、因組數(shù)據(jù)集上推斷的系統(tǒng)發(fā)育樹，較好地支持目前公認的分類結果。 第四章提出了一種基于全基因組信息融合的系統(tǒng)發(fā)育分析方法。首先定義了兩種新的基因組進化距離度量：有序基因塊順序重排的編輯距離和共有基因一致性距離度量，然后通過一個線性模型將這兩種進化信息與基因含量變化信息融合起來，構造一個包含三種進化信息的距離度量，最后根據(jù)這種綜合的距離度量推斷種群的系統(tǒng)發(fā)育樹。本章方法在模擬數(shù)據(jù)集上得到的實驗結果比采用單獨的進化信息更加具有靈敏性，

8、尤其是對那些進化距離比較短的物種，我們的方法能夠有效地刻畫它們之間的進化關系；在虹彩病毒和痘病毒數(shù)據(jù)集上，得到的實驗結果與目前公認的分類結果相吻合。 第五章提出了一個基因選擇模型：Integrate filter+wrapper。首先提出了四種用于評價基因重要性的標準：信息增益、決策樹、局部可分性和Fisher Score，接著根據(jù)這四種標準分別對基因的重要性進行排序，然后用每個基因的預測準確率對它們進行加權，計算出每個基因重