基于模式識別方法的生物序列和基因表達(dá)數(shù)據(jù)分析.pdf

1、隨著分子生物學(xué)的發(fā)展，特別是人類基因組計劃的順利完成，生命科學(xué)研究進(jìn)入后基因組時代。在這個時代，大量生物數(shù)據(jù)的積累為人們在分子水平探索生命的奧秘提供了寶貴的第一手資料，然而，海量生物數(shù)據(jù)的供給與現(xiàn)有數(shù)據(jù)分析能力之間的矛盾日益突出，生命科學(xué)的發(fā)展迫切需要自動的、高效的、可靠的數(shù)據(jù)分析和挖掘技術(shù)，于是，一門以生命科學(xué)和計算機科學(xué)為基礎(chǔ)的嶄新的、擁有巨大發(fā)展?jié)摿Φ男聦W(xué)科逐漸興起，這就是生物信息學(xué)。 模式識別是一種利用計算機對輸入的數(shù)

2、據(jù)進(jìn)行分析，從而實現(xiàn)對研究對象的解釋、歸類、和鑒別分析，進(jìn)而揭示事物本質(zhì)的技術(shù)。在上世紀(jì)60-70年代模式識別技術(shù)得到快速的發(fā)展，并且逐漸在光學(xué)字符識別、語音識別和醫(yī)學(xué)數(shù)據(jù)分析方面得到成功應(yīng)用。近年來，模式識別技術(shù)也開始被用到生物數(shù)據(jù)分析中，并且在生命科學(xué)研究中扮演著越來越重要的角色，尤其是在基因識別、基因發(fā)現(xiàn)、motif識別、蛋白質(zhì)分類和識別、系統(tǒng)發(fā)育分析以及基因表達(dá)數(shù)據(jù)分析等多個研究領(lǐng)域日漸顯示出傳統(tǒng)實驗技術(shù)無法比擬的優(yōu)勢。但是由于

3、生物數(shù)據(jù)有其固有的特征，比如維數(shù)不固定、數(shù)據(jù)集中各類樣本嚴(yán)重不平衡，而且一種生物現(xiàn)象可以從多個角度進(jìn)行刻畫，這就給傳統(tǒng)模式識別技術(shù)在生物數(shù)據(jù)分析中的有效應(yīng)用帶來新的挑戰(zhàn)。本文的目標(biāo)是研究分析生物序列和基因表達(dá)數(shù)據(jù)的新算法，力求對生物數(shù)據(jù)進(jìn)行有效的刻畫和分析，從而更好地揭示隱藏在海量數(shù)據(jù)中的生命規(guī)律。 論文第一章首先回顧了生物信息學(xué)的發(fā)展歷史和模式識別技術(shù)在這一領(lǐng)域的應(yīng)用情況，然后給出論文章節(jié)的安排。第二章提出了一種預(yù)測蛋白質(zhì)序

4、列亞細(xì)胞定位的方法。第三章和第四章研究如何根據(jù)全基因組序列分析和推斷物種之間的進(jìn)化關(guān)系。第五章研究基因表達(dá)數(shù)據(jù)分析的問題。最后在第六章對論文進(jìn)行總結(jié)，并提出今后的一些研究建議。 第二章提出了一種基于最優(yōu)局部信息融合的蛋白質(zhì)亞細(xì)胞定位預(yù)測方法。該方法基于蛋白質(zhì)合成過程的分選機制，從蛋白質(zhì)序列中搜索出一個最佳的分割位置，用以將一條完整的蛋白質(zhì)序列分割成分選信號和成熟蛋白質(zhì)序列兩個部分，然后分別從這兩條序列中提取相應(yīng)的特征，并且將這

5、兩種特征結(jié)合起來刻畫整條蛋白質(zhì)序列，最后設(shè)計基于支持向量機的融合分類器對蛋白質(zhì)亞細(xì)胞定位進(jìn)行預(yù)測。在公共蛋白質(zhì)序列數(shù)據(jù)集上的實驗結(jié)果表明，本章提出的方法能夠有效改進(jìn)蛋白質(zhì)亞細(xì)胞定位預(yù)測的效果，同時，在真核蛋白質(zhì)上找到的蛋白質(zhì)序列分割位點與真實的生物現(xiàn)象相符合，這能夠為預(yù)測蛋白質(zhì)的剪切位點提供有用參考信息。 第三章提出了一種基于譜聚類技術(shù)的系統(tǒng)發(fā)育樹重構(gòu)算法。該方法從全局的觀點出發(fā)，采用分裂的策略，利用譜圖聚類方法(Spectr

6、al Graph Clustering，簡寫為SGC)研究物種之間的進(jìn)化關(guān)系。首先構(gòu)造一個距離矩陣，其中元素表示兩個物種之間的進(jìn)化距離，然后利用譜圖理論求解聚類問題，就是根據(jù)最大—最小準(zhǔn)則構(gòu)造劃分圖的最優(yōu)化問題，再通過解該矩陣的Laplace矩陣的特征值問題來求解最優(yōu)化問題，最后，根據(jù)最大特征值所對應(yīng)的特征向量將物種進(jìn)行分類。SGC算法在模擬數(shù)據(jù)上得到比鄰接法(Neighbor—joining，簡寫為NJ)更加準(zhǔn)確的結(jié)果，而在桿狀病毒基

7、因組數(shù)據(jù)集上推斷的系統(tǒng)發(fā)育樹，較好地支持目前公認(rèn)的分類結(jié)果。 第四章提出了一種基于全基因組信息融合的系統(tǒng)發(fā)育分析方法。首先定義了兩種新的基因組進(jìn)化距離度量：有序基因塊順序重排的編輯距離和共有基因一致性距離度量，然后通過一個線性模型將這兩種進(jìn)化信息與基因含量變化信息融合起來，構(gòu)造一個包含三種進(jìn)化信息的距離度量，最后根據(jù)這種綜合的距離度量推斷種群的系統(tǒng)發(fā)育樹。本章方法在模擬數(shù)據(jù)集上得到的實驗結(jié)果比采用單獨的進(jìn)化信息更加具有靈敏性，

8、尤其是對那些進(jìn)化距離比較短的物種，我們的方法能夠有效地刻畫它們之間的進(jìn)化關(guān)系；在虹彩病毒和痘病毒數(shù)據(jù)集上，得到的實驗結(jié)果與目前公認(rèn)的分類結(jié)果相吻合。 第五章提出了一個基因選擇模型：Integrate filter+wrapper。首先提出了四種用于評價基因重要性的標(biāo)準(zhǔn)：信息增益、決策樹、局部可分性和Fisher Score，接著根據(jù)這四種標(biāo)準(zhǔn)分別對基因的重要性進(jìn)行排序，然后用每個基因的預(yù)測準(zhǔn)確率對它們進(jìn)行加權(quán)，計算出每個基因重