基于頻率分布特征的生物核酸序列的定量分析.pdf

1、抽取不同長度單詞的頻率分布特征向量用以刻畫序列特征的方法，稱為基于Genome Signature 方法。基于計算核酸序列組合的一個重要的應用就是進行長序列的比對，甚至是全基因組的比對。這種基于語言學方法進行序列分析和比對，不需要預先或者后來的任何Alignment, 可以比較非同源的，甚至是長度差異很大的序列，所以又可以稱為“Alignment-free sequence comparisons”。 本文使用基于Genome

2、 Signature 的理論抽取核酸頻率分布特征，并采用計算語言學中統(tǒng)計學習的方法定量分析生物核酸序列。以119 個細菌的全基因核酸序列為研究對象，抽取雙核苷酸頻率分布特征，構建其數字特征向量；以PCC(Person CorrelationCoefficient)距離為標準，對兩兩序列之間的關系進行分析。對細菌親緣關系給予定量的描述，得出物種親緣關系越相近，PCC 距離越小。物種親緣關系越遠，PCC 距離越大。從細菌的全基因組核酸序列上

3、采用非重疊的方法，截取長度為1000bp 的片斷359902 條。抽取這些短片段的雙核苷酸頻率分布特征向量，計算每條短片段與119 個全基因組雙核苷酸頻率分布特征向量之間的PCC 距離。經過統(tǒng)計分析，得出如下結論：1000bp 長度的片段基本能夠保持一個物種全基因組的Genome Signature。來自每個物種上不同位置的1000bp片斷與其全基因組的PCC距離是不同的。采用可視化的方法，構建取自不同位置的1000bp片段與全基因組核

4、酸序列的距離圖譜。得出外來基因較多的物種，其圖譜的波動很大，反之，波動很小。并用該方法有效的預測Neisseriameningitides strain MC 58的水平基因轉移。 最后是對短核酸片段的分類和聚類的研究。首先，構建了一個15類的小型分類器，來源于15 個物種的50604 條片段中，正確分類的為35116 條，整體分類準確性為69.39％。分類器針對來源于不同物種的短片段分類準確性差別很大。比如Bordetell

5、a pertusis 準確性為80.74％，而外來基因較多的Escherichia coli O157:H7 EDL933 準確性只有35.87％。分類器的準確性與待分短片段的來源有關。另外，構建119 類的大型分類器，比較15類的小型分類器和119 類的大型分類器的分類情況。 本文的最后是對短片段的聚類分析。來自Escherichia coliO157:H7 EDL933 的短片段內部距離較大分為4 個簇。取自Bordete