生物分子數(shù)據(jù)的距離度量及其應(yīng)用.pdf

1、生物分子數(shù)據(jù)的比較是生物信息學(xué)最基本最重要的工具之一。通過序列比較，我們可以從大量的序列數(shù)據(jù)中獲取生物序列中的功能、結(jié)構(gòu)和進(jìn)化信息。生物信息學(xué)的許多其它領(lǐng)域，如數(shù)據(jù)庫搜索，系統(tǒng)樹構(gòu)建，蛋白質(zhì)結(jié)構(gòu)和功能的預(yù)測，序列片段的拼接等都需要首先確定生物序列間的距離度量。目前廣泛使用的序列比較方法是比對(duì)，然而該方法存在著計(jì)算復(fù)雜度高，對(duì)序列進(jìn)化模型的假設(shè)較為苛刻等缺陷。因此，發(fā)展有效的不依賴于比對(duì)的序列比較方法，并探討其在生物信息學(xué)其它領(lǐng)域中的應(yīng)用

2、，特別是基于全基因組的系統(tǒng)發(fā)育分析，是一個(gè)非常有意義的課題。 本文就兩類常用的“非比對(duì)”序列比較方法進(jìn)行了探討。論文的主要內(nèi)容安排如下： 第二章給出了兩種基于序列中字符串出現(xiàn)頻率的序列比較方法。第一種方法是對(duì)經(jīng)典相對(duì)熵方法的修正，該方法可以避免相對(duì)熵在確定兩個(gè)字頻率向量距離時(shí)，由于字符類型缺失而導(dǎo)致的退化現(xiàn)象。第二種方法在字出現(xiàn)次數(shù)服從Poisson分布的假設(shè)下，我們定義了字的表達(dá)水平，用字表達(dá)水平的差異來刻畫兩條序列之

3、間的距離。通過構(gòu)建包含SARS-CoV在內(nèi)的25個(gè)病毒全基因組的系統(tǒng)發(fā)生樹，上述方法的有效性得以驗(yàn)證。 第三章研究了基于符號(hào)序列復(fù)雜度的距離度量。該距離度量利用兩條序列條件壓縮的思想，對(duì)序列的進(jìn)化模型假設(shè)較少，因此一些進(jìn)化操作，如基因組重排等，對(duì)此度量影響較小。作為其應(yīng)用，我們將其與k近鄰算法結(jié)合，預(yù)測了蛋白質(zhì)的亞細(xì)胞位點(diǎn)。另外，對(duì)于蛋白質(zhì)結(jié)構(gòu)的比較，我們提出了一種“符號(hào)化指派”的方法，可將蛋白質(zhì)結(jié)構(gòu)的比較轉(zhuǎn)換為符號(hào)序列的比較。