基于特征向量的宏基因組測序序列分類算法研究.pdf

1、宏基因組測序序列分類問題是宏基因組學(xué)研究的一個重點問題。用實驗方法進行分類代價高且速度慢，故利用分類算法進行分類的計算手段成為了一種趨勢。主流的分類算法有基于比對的和基于結(jié)構(gòu)的兩類方法，前者需要和已知基因組進行比對，后者只需要特征向量信息即可。然而后者在低分類層次上的分類精度僅為60％左右，并且在大規(guī)模數(shù)據(jù)集上的時間開銷也太大。基于結(jié)構(gòu)的分類算法又有有監(jiān)督和無監(jiān)督之劃分，我們研究基于結(jié)構(gòu)的有監(jiān)督分類算法。
　　本研究主要內(nèi)容包括：

2、⑴宏基因組數(shù)據(jù)的特征向量提取方法。針對宏基因組測序序列的結(jié)構(gòu)特點，結(jié)合馬爾可夫模型的概率轉(zhuǎn)移矩陣性質(zhì)，提出了一種基于馬爾可夫模型的特征提取方法，得到了關(guān)于測序序列的特征向量集，驗證了新提取的特征向量在不同的測序物種之間的區(qū)分特性，應(yīng)用基于互信息選擇的降維方法對特征向量進行降維處理。將新提出的方法和基于k-mer頻率信息的特征提取方法應(yīng)用到LIBSVM分類算法中，進行分類性能比較。實驗結(jié)果表明，LIBSVM算法使用新方法產(chǎn)生的特征向量比使

3、用基于k-mer頻率信息產(chǎn)生的特征向量在分類精度上高出2％～3％，且分類運行時間也提高了4～5倍。⑵基于特征向量的SVM分類算法MarkovBinning。首先，對已知物種的特征向量集進行預(yù)處理，過濾掉噪聲數(shù)據(jù)。我們定義了一種新的相似性度量方法KLDist距離，計算出中心特征向量進行噪聲數(shù)據(jù)過濾，將過濾后的特征向量集作為SVM算法的初始訓(xùn)練集。為了加快訓(xùn)練過程，采用變步長的網(wǎng)格搜索法，改進了關(guān)于懲罰系數(shù)C和核函數(shù)參數(shù)γ的最優(yōu)參數(shù)對(C，