20366.基因啟動(dòng)子序列模式建模與發(fā)現(xiàn)

1、基因啟動(dòng)子序列模式建模與基因啟動(dòng)子序列模式建模與發(fā)現(xiàn)發(fā)現(xiàn)ModelingDiscoveringfMotifsofGenePromoterSequences學(xué)科專業(yè)：計(jì)算機(jī)科學(xué)與技術(shù)研究生：田彬指導(dǎo)教師：宮秀軍副教授天津大學(xué)計(jì)算機(jī)學(xué)院二零一二年十一月摘要啟動(dòng)子序列模式的建模與發(fā)現(xiàn)是基因表達(dá)與調(diào)控組織特異性模式發(fā)現(xiàn)的核心。研究表明，綜合多個(gè)模式發(fā)現(xiàn)工具的結(jié)果覆蓋度較高，但是需要消除冗余。目前，在消除模式冗余中缺乏變長(zhǎng)模式的定長(zhǎng)建模、高質(zhì)量的

2、模式相似性度量。針對(duì)上述問(wèn)題，本文提出了變長(zhǎng)模式的定長(zhǎng)建模方法、基于概率的模式相似性度量以及無(wú)融合相似模式的層次聚類模式發(fā)現(xiàn)，提高了消除模式冗余的效果。針對(duì)模式長(zhǎng)度可變的問(wèn)題，本文在綜合考慮了模式的位置信息量和雙堿基依賴性的基礎(chǔ)上，分別對(duì)二者進(jìn)行特征提取，從而實(shí)現(xiàn)對(duì)模式建模的目的。模式上一個(gè)位置的信息量是指能描述這個(gè)位置重要度的信息，信息量越高表明這個(gè)位置的重要性越大。研究表明，不同位置上的堿基之間存在著相互影響，并且高保留的位置傾向于

3、聚集到一起。本文基于來(lái)自JASPAR數(shù)據(jù)庫(kù)的模式的分類分析，對(duì)兩種建模方法進(jìn)行了比較分析。為了提高模式相似性的計(jì)算，本文綜合考慮了兩個(gè)模式來(lái)自相同源分布的概率和來(lái)自獨(dú)立源分布的概率，提出了基于概率的相似性度量。本文對(duì)分別具有25個(gè)類別的兩組模擬數(shù)據(jù)集進(jìn)行分類分析，實(shí)驗(yàn)結(jié)果表明基于概率的相似性度量在兩種模式建模方法上的表現(xiàn)都是最好的。針對(duì)聚類分析過(guò)程中融合相似模式導(dǎo)致模式上堿基分布趨向于均勻分布的不足，本文提出無(wú)融合相似模式的層次聚類模式

4、發(fā)現(xiàn)。同時(shí)，本文還針對(duì)聚類過(guò)程中的關(guān)鍵問(wèn)題提出了解決方案：聚類質(zhì)量評(píng)分函數(shù)；聚類族代表樣本的選擇；序列掃描匹配評(píng)分函數(shù)。本文首先綜合上述關(guān)鍵技術(shù)對(duì)兩種聚類方法進(jìn)行實(shí)驗(yàn)比較，然后結(jié)合兩組具有25個(gè)類別的模擬數(shù)據(jù)集對(duì)聚類質(zhì)量評(píng)分函數(shù)進(jìn)行分析評(píng)價(jià)，最后展示了來(lái)自人體心肌細(xì)胞的76個(gè)組織特異性基因產(chǎn)生的1417個(gè)模式的聚類分析結(jié)果，通過(guò)聚類得到38個(gè)冗余度低的候選模式。對(duì)于結(jié)果集，本文首先利用在線工具STAMP對(duì)結(jié)果進(jìn)行與已知模式匹配度分析，然

5、后利用來(lái)自人體的2852個(gè)組織特異性基因和13275個(gè)GO詞匯對(duì)聚類得到的38個(gè)模式進(jìn)行功能映射分析。并且，在每個(gè)方法結(jié)果集中出現(xiàn)頻率前10的GO詞匯的重合度達(dá)到60%，足以說(shuō)明方法的可靠性。通過(guò)分析已有消除模式冗余方法的不足，本文提出了變長(zhǎng)模式的定長(zhǎng)建模方法、基于概率的相似性度量，提高了消除模式冗余的效率和質(zhì)量。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，本文提出的消除模式冗余方法得到的結(jié)果中部分是現(xiàn)存在的模式，得到的GO詞匯絕大部分與心肌或細(xì)胞功能相關(guān)，表明結(jié)果