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)微生物無法進行傳統(tǒng)的單純培養(yǎng)研究，宏基因組學成為研究環(huán)境微生物的主流方法。宏基因組測序數(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注點之一。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。
　　(1)研究了宏基因組樣本分類特征，提出了全新的自比對特征。分類特征是樣本分類的基礎，本文引入了一種新的、對微生物物種有很好識別度的序列關聯(lián)性特征，即ICO特征，并將ICO特征的應用范圍從單物種的區(qū)分擴展到宏基因組樣本的分類。同時，基于一種全新的思路提出了宏基因組樣本自比對特征，該特征有助于解決高復雜度群落的宏基因組樣本分類問題。

3、
　　(2)建立了基于堿基關聯(lián)性特征ICO的樣本分類算法DectICO。該算法使用ICO特征對樣本進行特征化，將核偏最小二乘法(KPLS)特征篩選算法有機結(jié)合到分類算法流程中，形成了動態(tài)的特征篩選機制，結(jié)合支持向量機(SVM)的機器學習策略生成分類器，對宏基因組樣本進行準確的分類。生成了6組模擬宏基因組測序數(shù)據(jù)集并找到了1組高質(zhì)量的真實宏基因組測序數(shù)據(jù)集進行分類實驗，對樣本分類算法DectICO能否較好的解決宏基因組樣本分類問題進

4、行評估。實驗結(jié)果表明DectICO算法在復雜數(shù)據(jù)集的分類上較同類算法更有優(yōu)勢，結(jié)合長寡核苷酸對樣本進行特征化后，這種分類優(yōu)勢變得更加明顯。實驗驗證了ICO特征可以應用于樣本分類算法，能夠幫助得到更好的分類結(jié)果，動態(tài)的KPLS算法形成的動態(tài)特征篩選機制可以幫助獲得分類正確率更高的分類器。還通過實驗將DectICO算法和同類算法遞歸支持向量機(RSVM)分類算法進行了分類準確率的比較。實驗結(jié)果表明DectICO算法與國際上的同類算法(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確率。
　　(3)提出了一種全新的基于自比對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)建自比對數(shù)據(jù)庫，完成了對樣本分類特征信息的提取，同時避免了目前微生物數(shù)據(jù)庫不完善對樣本分類的影響。在這一算法流程中，定義了自比對數(shù)據(jù)庫、樣本匹配得分、測序片段重疊群(contig)的獨立性統(tǒng)計得分三個概念，在分類過程中完