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(zhǎng)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?；谟?jì)算核酸序列組合的一個(gè)重要的應(yīng)用就是進(jìn)行長(zhǎng)序列的比對(duì)，甚至是全基因組的比對(duì)。這種基于語(yǔ)言學(xué)方法進(jìn)行序列分析和比對(duì)，不需要預(yù)先或者后來(lái)的任何Alignment, 可以比較非同源的，甚至是長(zhǎng)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(jì)算語(yǔ)言學(xué)中統(tǒng)計(jì)學(xué)習(xí)的方法定量分析生物核酸序列。以119 個(gè)細(xì)菌的全基因核酸序列為研究對(duì)象，抽取雙核苷酸頻率分布特征，構(gòu)建其數(shù)字特征向量；以PCC(Person CorrelationCoefficient)距離為標(biāo)準(zhǔn)，對(duì)兩兩序列之間的關(guān)系進(jìn)行分析。對(duì)細(xì)菌親緣關(guān)系給予定量的描述，得出物種親緣關(guān)系越相近，PCC 距離越小。物種親緣關(guān)系越遠(yuǎn)，PCC 距離越大。從細(xì)菌的全基因組核酸序列上

3、采用非重疊的方法，截取長(zhǎng)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(jì)算每條短片段與119 個(gè)全基因組雙核苷酸頻率分布特征向量之間的PCC 距離。經(jīng)過(guò)統(tǒng)計(jì)分析，得出如下結(jié)論：1000bp 長(zhǎng)度的片段基本能夠保持一個(gè)物種全基因組的Genome Signature。來(lái)自每個(gè)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(gòu)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(lái)基因較多的物種，其圖譜的波動(dòng)很大，反之，波動(dòng)很小。并用該方法有效的預(yù)測(cè)Neisseriameningitides strain MC 58的水平基因轉(zhuǎn)移。 最后是對(duì)短核酸片段的分類和聚類的研究。首先，構(gòu)建了一個(gè)15類的小型分類器，來(lái)源于15 個(gè)物種的50604 條片段中，正確分類的為35116 條，整體分類準(zhǔn)確性為69.39％。分類器針對(duì)來(lái)源于不同物種的短片段分類準(zhǔn)確性差別很大。比如Bordetell

5、a pertusis 準(zhǔn)確性為80.74％，而外來(lái)基因較多的Escherichia coli O157:H7 EDL933 準(zhǔn)確性只有35.87％。分類器的準(zhǔn)確性與待分短片段的來(lái)源有關(guān)。另外，構(gòu)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(duì)短片段的聚類分析。來(lái)自Escherichia coliO157:H7 EDL933 的短片段內(nèi)部距離較大分為4 個(gè)簇。取自Bordete