宏基因組樣本分類方法研究.pdf

1、宏基因組也即環(huán)境基因組，是環(huán)境微生物群落中所有微生物物種基因組的集合。由于自然界中絕大多數(shù)微生物無法進(jìn)行傳統(tǒng)的單純培養(yǎng)研究，宏基因組學(xué)成為研究環(huán)境微生物的主流方法。宏基因組測(cè)序數(shù)據(jù)是多種微生物基因組序列的混合，分析宏基因組數(shù)據(jù)比分析常規(guī)的單物種基因組序列更加困難。高通量測(cè)序技術(shù)的發(fā)展使大量宏基因組數(shù)據(jù)不斷產(chǎn)生，如何完成宏基因組樣本分類成為研究者的關(guān)注點(diǎn)之一。本文的研究聚焦于人體腸道的宏基因組樣本的分類問題，發(fā)展了兩種不同的宏基因組樣本分

2、類算法，試圖通過分析腸道宏基因組數(shù)據(jù)完成對(duì)宿主疾病表型的判定。本論文的主要工作可以總結(jié)為以下三點(diǎn)。
　　(1)研究了宏基因組樣本分類特征，提出了全新的自比對(duì)特征。分類特征是樣本分類的基礎(chǔ)，本文引入了一種新的、對(duì)微生物物種有很好識(shí)別度的序列關(guān)聯(lián)性特征，即ICO特征，并將ICO特征的應(yīng)用范圍從單物種的區(qū)分?jǐn)U展到宏基因組樣本的分類。同時(shí)，基于一種全新的思路提出了宏基因組樣本自比對(duì)特征，該特征有助于解決高復(fù)雜度群落的宏基因組樣本分類問題。

3、
　　(2)建立了基于堿基關(guān)聯(lián)性特征ICO的樣本分類算法DectICO。該算法使用ICO特征對(duì)樣本進(jìn)行特征化，將核偏最小二乘法(KPLS)特征篩選算法有機(jī)結(jié)合到分類算法流程中，形成了動(dòng)態(tài)的特征篩選機(jī)制，結(jié)合支持向量機(jī)(SVM)的機(jī)器學(xué)習(xí)策略生成分類器，對(duì)宏基因組樣本進(jìn)行準(zhǔn)確的分類。生成了6組模擬宏基因組測(cè)序數(shù)據(jù)集并找到了1組高質(zhì)量的真實(shí)宏基因組測(cè)序數(shù)據(jù)集進(jìn)行分類實(shí)驗(yàn)，對(duì)樣本分類算法DectICO能否較好的解決宏基因組樣本分類問題進(jìn)

4、行評(píng)估。實(shí)驗(yàn)結(jié)果表明DectICO算法在復(fù)雜數(shù)據(jù)集的分類上較同類算法更有優(yōu)勢(shì)，結(jié)合長(zhǎng)寡核苷酸對(duì)樣本進(jìn)行特征化后，這種分類優(yōu)勢(shì)變得更加明顯。實(shí)驗(yàn)驗(yàn)證了ICO特征可以應(yīng)用于樣本分類算法，能夠幫助得到更好的分類結(jié)果，動(dòng)態(tài)的KPLS算法形成的動(dòng)態(tài)特征篩選機(jī)制可以幫助獲得分類正確率更高的分類器。還通過實(shí)驗(yàn)將DectICO算法和同類算法遞歸支持向量機(jī)(RSVM)分類算法進(jìn)行了分類準(zhǔn)確率的比較。實(shí)驗(yàn)結(jié)果表明DectICO算法與國(guó)際上的同類算法(RSV

5、M分類算法)相比，在宏基因組樣本分類問題上有更高的分類準(zhǔn)確率。
　　(3)提出了一種全新的基于自比對(duì)特征的宏基因組樣本分類算法。該算法利用原始數(shù)據(jù)集中的短序列(reads)裝配成的序列重疊群(contig)，通過構(gòu)建自比對(duì)數(shù)據(jù)庫，完成了對(duì)樣本分類特征信息的提取，同時(shí)避免了目前微生物數(shù)據(jù)庫不完善對(duì)樣本分類的影響。在這一算法流程中，定義了自比對(duì)數(shù)據(jù)庫、樣本匹配得分、測(cè)序片段重疊群(contig)的獨(dú)立性統(tǒng)計(jì)得分三個(gè)概念，在分類過程中完