基于機(jī)器學(xué)習(xí)的微孢子蟲PolyA位點(diǎn)預(yù)測(cè)研究.pdf

1、隨著人類基因組測(cè)序計(jì)劃的啟動(dòng)和發(fā)展，生物信息學(xué)應(yīng)運(yùn)而生。生物學(xué)與信息技術(shù)的相互交叉，不僅促進(jìn)了計(jì)算機(jī)科學(xué)的發(fā)展，也極大地推動(dòng)了生物學(xué)的應(yīng)用研究。西南大學(xué)家蠶基因組生物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室是國(guó)內(nèi)一個(gè)先進(jìn)的家蠶研究實(shí)驗(yàn)室，目前有家蠶基因組和功能基因組、家蠶遺傳資源與蠶?，F(xiàn)代產(chǎn)業(yè)技術(shù)、蠶桑病原微生物及微生物資源利用等方面的研究。家蠶病原體能夠感染家蠶，并能影響家蠶的生長(zhǎng)發(fā)育，給養(yǎng)蠶業(yè)帶來較大的損失。因此作為一個(gè)研究方向，吸引了越來越多的學(xué)者。生物

2、體不斷變化，基因組信息也千差萬別，機(jī)器學(xué)習(xí)的許多算法已經(jīng)被運(yùn)用在人類基因和水稻基因的預(yù)測(cè)中，然而微孢子蟲作為感染家蠶的一種病原體，基于計(jì)算機(jī)算法的研究卻寥寥無幾。本文即是利用機(jī)器學(xué)習(xí)中的算法來對(duì)微孢子蟲PolyA位點(diǎn)進(jìn)行預(yù)測(cè)并展開深入的研究。相較于生物學(xué)的方法，提高了工作效率，也為生物學(xué)中微孢子蟲的研究提供了一個(gè)很好的思路。
　　機(jī)器學(xué)習(xí)是通過計(jì)算的手段利用經(jīng)驗(yàn)來改善系統(tǒng)自身的性能。隨著計(jì)算機(jī)領(lǐng)域各種新技術(shù)和新方法的產(chǎn)生，這些方法

3、逐漸應(yīng)用到生物信息學(xué)領(lǐng)域，并且在基因預(yù)測(cè)領(lǐng)域的應(yīng)用越來越廣泛。多聚腺苷酸化是真核細(xì)胞內(nèi)形成成熟mRNA的一個(gè)重要步驟，其位點(diǎn)的預(yù)測(cè)對(duì)基因組序列中編碼基因的發(fā)掘具有重要的意義。在與家蠶微孢子蟲研究小組經(jīng)過深入的討論后，本文以缺乏有效基因預(yù)測(cè)方法的家蠶病原體微孢子蟲Encephalitozoon cuniculi作為研究對(duì)象，以Z曲線、位置特異性打分矩陣和k階核苷酸頻率為基礎(chǔ)對(duì)微孢子蟲Encephalitozoon cuniculi基因序列

4、進(jìn)行特征提取，在提取k階特征之后，我們對(duì)提取的k階核苷酸頻率特征進(jìn)行組合，并通過實(shí)驗(yàn)結(jié)果對(duì)比，選擇最優(yōu)的組合。把最優(yōu)組合與位置特異性打分矩陣和Z曲線作為最后的輸入特征。通過對(duì)該特征進(jìn)行PCA降維，減少特征空間的維度，從而減少算法復(fù)雜度。最后，我們使用不同的分類器對(duì)獲取到的特征進(jìn)行訓(xùn)練分類，進(jìn)而得到微孢子蟲PolyA位點(diǎn)的預(yù)測(cè)結(jié)果。該方法能夠根據(jù)微孢子蟲基因序列的表達(dá)偏好來選取最優(yōu)的k階核苷酸頻率特征，這對(duì)最后提取微孢子蟲PolyA位點(diǎn)的

5、特征起到一定的作用，從而對(duì)分類結(jié)果產(chǎn)生影響。為了提高微孢子蟲PolyA位點(diǎn)預(yù)測(cè)算法的準(zhǔn)確度，選擇合適的特征提取方法對(duì)后續(xù)的分類極其重要。
　　支持向量機(jī)被廣泛的應(yīng)用在不同的領(lǐng)域，在文本分類、車牌識(shí)別和圖像檢索等研究領(lǐng)域已有很多成果。本文利用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和KNN算法均對(duì)微孢子蟲PolyA位點(diǎn)進(jìn)行了預(yù)測(cè)研究，實(shí)驗(yàn)結(jié)果證明支持向量機(jī)的分類效果比較好。核函數(shù)是支持向量機(jī)分類的一個(gè)重要因素，鑒于目前條件正定核已經(jīng)被廣泛應(yīng)用于文本分類