蛋白質(zhì)批量同源性搜索及DNA模體識(shí)別算法研究.pdf

1、生物信息領(lǐng)域中，批量蛋白質(zhì)同源性搜索和模體識(shí)別是當(dāng)今的兩個(gè)研究熱點(diǎn)。本文針對批量蛋白質(zhì)同源性搜索問題和模體識(shí)別問題，提出了基于聚類和壓縮的批量蛋白質(zhì)同源性搜索算法與基于隨機(jī)投影和粒子群優(yōu)化的模體識(shí)別算法。
　　通過一組蛋白質(zhì)查詢序列集對大規(guī)模蛋白質(zhì)數(shù)據(jù)庫進(jìn)行同源性搜索是現(xiàn)代生物信息學(xué)的基本任務(wù)。過去幾年里，由于高速發(fā)展的測序技術(shù)導(dǎo)致海量的蛋白質(zhì)序列數(shù)據(jù)產(chǎn)生，因此，如何在大規(guī)模數(shù)據(jù)庫中高效地進(jìn)行批量同源性搜索已成為一個(gè)廣泛關(guān)注的問題

2、。針對這個(gè)問題，基本方法主要是對查詢集中的每條序列運(yùn)行BLASTP，或通過將查詢集中的序列組成串聯(lián)的虛擬序列之后再進(jìn)行查詢。然而這些方法沒有考慮查詢序列間或搜索數(shù)據(jù)庫序列間存在的冗余性，同源性搜索的效率仍可進(jìn)一步提高。基于此，本文提出了一種基于壓縮和聚類的批量快速同源性搜索算法C2-BLASTP(Compression andCluster BLASTP)，本算法充分利用了數(shù)據(jù)庫序列和查詢序列中的冗余信息。首先，對查詢序列和蛋白質(zhì)數(shù)據(jù)庫

3、通過冗余分析和冗余移除過程進(jìn)行壓縮操作;進(jìn)而對壓縮后的數(shù)據(jù)庫進(jìn)行相似子序列聚類;然后在聚類數(shù)據(jù)庫上利用映射原理進(jìn)行一個(gè)粗略的查找以發(fā)現(xiàn)潛在結(jié)果，根據(jù)找到的潛在結(jié)果集建立可執(zhí)行數(shù)據(jù)庫;最后用壓縮處理后的查詢序列集在創(chuàng)建好的可執(zhí)行數(shù)據(jù)庫上進(jìn)行同源性搜索。本文在NCBI NR數(shù)據(jù)庫上進(jìn)行了實(shí)驗(yàn)驗(yàn)證，并從精度、速度和內(nèi)存消耗三方面驗(yàn)證了本算法的有效性。
　　在基因表達(dá)和基因調(diào)控中，通過轉(zhuǎn)錄過程可以實(shí)現(xiàn)將DNA的遺傳信息傳遞給蛋白質(zhì)。轉(zhuǎn)錄過

4、程中轉(zhuǎn)錄因子結(jié)合位點(diǎn)的識(shí)別可以幫助生物學(xué)研究人員了解序列之間的進(jìn)化關(guān)系。識(shí)別轉(zhuǎn)錄因子結(jié)合位點(diǎn)的問題，即模體識(shí)別問題對了解序列的生物意義具有重大意義。粒子群算法中通過整合局部最優(yōu)解和全局最優(yōu)解來處理該問題，但存在當(dāng)序列集中存在較多噪音子序列時(shí)易陷入局部最優(yōu)解的問題。針對這個(gè)問題，本文提出了PSORPS(Particle Swarm Optimization Random Projection Strategy)算法。首先利用隨機(jī)投影的策略