自適應(yīng)剖面隱馬氏模型軟件研制.pdf

1、該文第一章對課題研究需要用到的生物學背景知識和生物信息學的主要內(nèi)涵作了扼要的介紹,說明了該課題研究的學術(shù)意義和應(yīng)用價值,以及該課題具體研究的內(nèi)容.該文第二章從序列特征片斷CpG島建模,說明了研究隱馬氏模型的必要性.接著,列出了隱馬氏模型及其在實際應(yīng)用中面臨的三個關(guān)鍵問題,并給出了具體的求解過程.然后,介紹了在生物信息學中常用的隱馬氏模型:剖面隱馬氏模型、基因發(fā)現(xiàn)器隱馬氏模型和跨膜蛋白結(jié)構(gòu)預(yù)測隱馬氏模型等,反映了隱馬氏模型在生物信息學中起

2、著越來越重要的作用.最后,通過對國外隱馬氏模型的應(yīng)用狀況進行了總結(jié),列舉了現(xiàn)有的隱馬氏模型軟件及隱馬氏模型數(shù)據(jù)庫和模型庫.該文第三章圍繞著剖面隱馬氏模型展開各方面的討論.首先,闡述了計分矩陣的統(tǒng)計顯著性,剖面隱馬氏模型作為多重序列聯(lián)配的統(tǒng)計框架和各種得分;如負對數(shù)似然得分、Z-得分和對數(shù)差異得分.接著,基于貝葉斯推斷分析,在假設(shè)剖面隱馬氏模型參數(shù)(包括狀態(tài)轉(zhuǎn)移概率和符號發(fā)出概率)的先驗分布均為Dirichlet分布的前提下,推導了貝葉斯

3、Baum-Welch重估計(EM)算法公式.然后,我們使用實際的例子說明了Baum-Welch重估計(EM)算法是一種局部優(yōu)化算法,最終的剖面隱馬氏模型的質(zhì)量取決于初始參數(shù)的選取.基于模擬退火算法的思想,在加入隨機擾動的情況下,驗證了初始解的隨機選取對最終結(jié)果基本沒有影響.最后,對基于啟發(fā)式方法和極大化后驗構(gòu)建算法確定和調(diào)整剖面隱馬氏模型主狀態(tài)數(shù)進行了比較研究.用實例說明了用貝葉斯信息準則在選取模型主狀態(tài)數(shù)時的有效性.該文第四章針對剖面

4、隱馬氏模型訓練算法的不足之處,首先提出了一個兩階段(參數(shù)和構(gòu)形)交替優(yōu)化算法,它能自動地從數(shù)據(jù)估計參數(shù)和優(yōu)化構(gòu)形,簡稱為自適應(yīng)剖面隱馬氏模型.通常為確定剖面隱馬氏模型將訓練分為兩個階段:第一階段是指在模型主狀態(tài)數(shù)已定時從訓練序列數(shù)據(jù)集訓練剖面隱馬氏模型的參數(shù)(狀態(tài)轉(zhuǎn)移概率和符號發(fā)出概率);第二階段是指從訓練序列數(shù)據(jù)集確定剖面隱馬氏模型的主狀態(tài)數(shù),往往是采用啟發(fā)式方法或人工比較的方法.而自適應(yīng)剖面隱馬氏模型使得在參數(shù)估計的同時,模型拓撲構(gòu)