基因組詞語構成特性分析及應用研究.pdf

1、近幾年來生物信息學主要關注了DNA序列上的數(shù)據(jù)特點,利用DNA序列中的堿基信息去探索序列中的功能區(qū),挖掘序列中可能含有功能信息的潛在位點,探索隱藏在堿基下的遺傳信息。本文目的在于挖掘出DNA序列中的功能詞語和功能信號,但由于現(xiàn)階段對非編碼區(qū)表達信息知道的很少,因此對于更加準確理解DNA序列有一定困難。
　　在本文中主要提出了條件隨機場模型作為序列切分的工具,與其他統(tǒng)計模型相比,它解決了標記偏置的問題,同時可以任意添加特征。首先是對

2、英文序列進行分析,選取與語言無關的特征,最后發(fā)現(xiàn)改進的信息熵包含的信息量最多。然后對添加了特征和標記的英文的序列進行切分,發(fā)現(xiàn)準確率在90％以上，說明基于條件隨機場的英文序列的切分是有效的,選取的特征有很好的切分效果。利用英文序列和DNA序列都是小字符集的特點,同時經(jīng)過英文序列切分選取到好的與語言無關的特征。考慮遷移學習的思想,對英文序列和DNA序列的特征值進行擬合分析,發(fā)現(xiàn)兩個樣本空間的特征值可以通過轉換函數(shù)連接起來,對英文序列的特征

3、值經(jīng)過轉換函數(shù)處理后映射到DNA序列的樣本空間;同時考慮不采用遷移學習,利用已有的位點信息來構造模型進行序列的切分,對兩者的序列切分的結果進行比較,遷移學習的召回率在80%左右,而只基于已有位點的切分召回率只有40%左右,這說明遷移學習對DNA序列切分的準確性要比采用已有的位點信息進行切分準確的多。
　　最后研究DNA序列的詞序列應用。通過采用向量空間模型和改進的序列比對方法去計算人和黑猩猩序列的物種相似度,發(fā)現(xiàn)改進的序列比對的方