DNA序列比較的K-詞非頻率模型研究及應(yīng)用.pdf

1、以驚人的速度急劇增長的生物分子序列數(shù)據(jù)急需高效的計算方法來進行分析處理。由于算法本身的復(fù)雜度較高，在包含生物序列較多的大型數(shù)據(jù)集面前，傳統(tǒng)的基于比對的序列比較方法顯得無能為力。打分矩陣選擇的困惑是比對方法在實際應(yīng)用中的另一難題。為了克服以上兩方面的問題，許多非比對方法紛紛涌現(xiàn)，不同程度地解決了序列比較問題。在所有的非比對方法中，基于k-詞頻率的方法無疑是討論最多的。
　　基于k-詞頻率的大多數(shù)非比對方法傾向于把每個k-詞看成孤立的

2、個體，忽略了它們之間的聯(lián)系和整體性質(zhì)。此外，基于k-詞頻率的非比對方法下的距離空間與生物序列的數(shù)量和差異聯(lián)系緊密。在這樣的距離空間中，很難判定最小的非零距離是多少。因此，給定一個具體的相似性距離，我們無法判斷它對應(yīng)的兩條序列的相似性程度。為了解決以上兩個問題，在本文第二章，我們提出了一個新的基于k-詞數(shù)量的可用于序列比較的相似性距離。對于給定的長度k，我們研究了同一序列中的所有4k個k-詞相互之間的數(shù)量關(guān)系，提出了一個由所有k-詞的次序

3、號構(gòu)成的向量作為一條序列的特征向量。以這個特征向量為基礎(chǔ)的相似性距離不受序列長度和差異的影響，并且揭示了DNA序列中k-詞的整體性質(zhì)。我們對這個新距離進行了相似性序列查找實驗和進化樹構(gòu)建實驗。實驗表明，我們的方法得到了非常理想的結(jié)果，可以用于生物序列比較。
　　由于序列長度的差別，基于k-詞的序列比較方法和圖形表示方法用完全不同的方式揭示了序列中的生物信息。然而，生物序列的信息存儲方式隨著序列長度的變化而改變的可能性很小。一個適用

4、于不同長度序列的序列比較方法距離揭示生物序列的信息存儲方式要近得多。在本文第三章，我們建立了一個適用于多種長度序列的序列比較方法?；陔p射條件下，我們從生物序列中抽取了新的子序列。對每個子序列，我們用一元線性回歸模型進行了分析。然后，基于回歸模型的變量，我們定義了序列的相似性距離。通過與其他的非比對方法進行比較，我們的距離在四個不同長度生物序列的數(shù)據(jù)集中的應(yīng)用結(jié)果都很理想。
　　盡管人們提出了許多用于序列比較的基于k-詞的相似性距

5、離，絕大多數(shù)距離側(cè)重k-詞的數(shù)量而忽略了k-詞的位置信息。事實上，k-詞的位置信息包含了重要的生物信息，如基因的重排，反轉(zhuǎn)，置換，遷移等。在本文第四章，根據(jù)k-詞的位置信息間的相互聯(lián)系，我們提出了一個新的序列相似性距離。我們將這個距離應(yīng)用到3組真實的生物序列中，都得到了符合生物學(xué)意義的結(jié)果。
　　最后，對于每章提出的相似性距離，我們都深入分析了k-詞的最優(yōu)長度取值問題，并且給出了可操作的k-詞最優(yōu)長度判別方法。我們相信，k-詞最優(yōu)