基于時間序列理論方法的生物序列特征分析.pdf

1、生物信息學(xué)的主要研究對象是DNA、RNA和蛋白質(zhì)分子，因?yàn)檫@些生物大分子包含了遺傳及物種進(jìn)化的所有信息，隨著DNA和蛋白質(zhì)被測序，如何從這些DNA和蛋白質(zhì)序列中獲得更多的生物信息是具有挑戰(zhàn)性的問題.隨著堿基和氨基酸在基因數(shù)據(jù)庫中的規(guī)模呈指數(shù)增長，利用新的理論方法去研究DNA和蛋白質(zhì)序列就變得越來越重要.許多生物學(xué)家、物理學(xué)家、數(shù)學(xué)家和計(jì)算機(jī)專家都被吸引到這個研究領(lǐng)域中來。
　　 在介紹了生物信息學(xué)的研究背景之后，本文首先介紹了研

2、究生物序列特性的時間序列理論方法，對本文要用到的短記憶ARMA模型和長記憶ARFIMA模型作了詳細(xì)的闡述，為研究DNA序列、蛋白質(zhì)序列特性做了理論上的準(zhǔn)備工作。
　　 混沌游走表示(Chaos Game Representation，簡記為CGR)是一種迭代映射技術(shù)，它可以把序列中的每一個單元，如DNA序列中的核苷酸，蛋白質(zhì)序列中的氨基酸，映射到一個連續(xù)的坐標(biāo)空間中去.我們基于CGR坐標(biāo)提出了一種將DNA序列轉(zhuǎn)換成一個時間序列(

3、CGR-游走序列)的方法，并引入長記憶ARFIMA(p，d，q)模型來分析，我們分析了十條DNA序列的CGR-游走序列，發(fā)現(xiàn)都能用長記憶ARFIMA(p，d，q)模型高度顯著地?cái)M合.作為一個具有完善算法的經(jīng)典時間序列模型，ARFIMA模型能幫助我們挖掘DNA序列中未知的特性，
　　 因?yàn)楹线m的ARFIMA模型在模型選擇時成功率較低，且在參數(shù)估計(jì)中最大似然計(jì)算量較大，用短記憶模型去近似長記憶模型是研究者們感興趣的問題，我們考慮利用

4、短記憶ARMA(1，1)過程去近似長記憶ARFIMA(p，d，q)過程，證明了這種適應(yīng)性方法的均方誤差準(zhǔn)則，并引入DNA序列的十條CGR-游走序列用以分析，驗(yàn)證了這種近似方法的有效性，為長記憶DNA序列找到了一個算法更為簡單的近似模型。
　　 在此基礎(chǔ)上，我們還考慮利用ARMA(2，2)模型去逼近ARFIMA(O，d，O)模型，基于ARMA(2，2)模型和ARMA(1，1)模型有效性損失率的比較可知，ARMA(2，2)近似模型優(yōu)

5、于ARMA(1，1)近似模型.為驗(yàn)證此結(jié)論，還引入了服從ARFIMA(O，d O)模型的CGR-游走序列用以分析，比較了ARMA(1，1)和ARMA(2，2)這兩個模型近似ARFIMA(O，d，O)模型的有效性，根據(jù)殘差標(biāo)準(zhǔn)差的結(jié)果可得ARMA(2，2)近似模型優(yōu)于ARMA(1，1)近似模型，
　　 我們修改了Kalman濾波遞推公式，解決了長記憶ARFIMA模型的缺失數(shù)據(jù)問題，并利用DNA序列的CGR-游走序列驗(yàn)證了此方法的有