基于統(tǒng)計特征和模糊支持向量機的剪接位點識別.pdf

1、選擇性剪接是真核生物基因表達調(diào)控的重要方法,剪接位點的準確識別是基因識別的關鍵問題,本論文圍繞選擇性剪接位點的識別這一重要問題展開研究。
　　 首先,建立了選擇性剪接位點序列的正負樣本數(shù)據(jù)集。并通過分析數(shù)據(jù)集中相鄰選擇性剪接位點之間的距離,發(fā)現(xiàn)相鄰選擇性剪接位點之間的距離大多小于200堿基對(Base pair,bp),5’選擇性剪接位點之間的距離84％小于200bp,3’選擇性剪接位點之間的距離71％小于200bp。這表明選擇

2、性剪接位點兩側(cè)200bp范圍內(nèi)的序列對選擇性剪接事件的發(fā)生有重要的影響,選擇性剪接的保守信息就在此范圍之內(nèi)。
　　 其次,統(tǒng)計了剪接位點序列的核苷酸分布情況、雙核苷酸出現(xiàn)頻率、剪接位點信號強度、GC含量等特征,發(fā)現(xiàn)真實的剪接位點序列存在著較強的保守性,而虛假剪接位點序列則接近于隨機序列。進一步計算序列的信息熵,發(fā)現(xiàn)這種保守性在供體位點-5～+10范Ⅲ內(nèi)和受體位點-20～+5范圍內(nèi)表現(xiàn)的最為明顯,這可為以后的剪接位點識別工作提供指

3、導。
　　 然后采用了經(jīng)典支持向量機(CSVM)和模糊支持向量機(FSVM)作為剪接位點識別算法。FSVM在一定程度解決了CSVM對噪聲樣本敏感的問題,但是常用的模糊隸屬度設計方法都賦予離類中心較遠的樣本較低的權(quán)重,同時也降低了支持向量的權(quán)重,因此本文提出了一種新的模糊隸屬度設計方法,綜合考慮樣本到兩類的距離及樣本之間的關系,最終將噪聲樣本和支持向量顯著的區(qū)分開來。
　　 最后確定了在剪接位點識別問題中表現(xiàn)最好的多項式核

4、函數(shù)作為非線性支持向量機的核函數(shù),并通過Voss方法將剪接位點序列映射成叫條二進制序列。多項式核函數(shù)CSVM對人類供體和受體位點的識別精度分別為:82.86％和66.34％；對小鼠供體和受體位點的識別精度分別為:77.52％和76.46％?；诒疚奶岢龅哪：`屬度發(fā)計方法的FSVM識別粘度有了大幅度的提升:對人類供體和受體位點的識別精度分別為:93.75％和84.64％；對小鼠供體和受體位點的識別精度分別為:90.33％和78.13％。