人類RNA聚合酶Ⅱ啟動子識別研究.pdf

1、啟動子的識別是基因識別的重要組成部分。對啟動子區(qū)的認(rèn)識，不僅有助于實(shí)驗(yàn)室分析研究，而且還可以為人類認(rèn)識全基因組功能、基因表達(dá)調(diào)控機(jī)制以及人類疾病與啟動子多態(tài)性或突變的關(guān)系提供很大的幫助。 本文旨在對人類RNA聚合酶(POL)II啟動子數(shù)據(jù)進(jìn)行識別分類并提高識別的準(zhǔn)確率。我們將創(chuàng)新的編碼方法應(yīng)用在人類啟動子序列編碼中，建立并使用合適的共識模型，使用支持向量機(jī)(SVM)的方法對啟動子數(shù)據(jù)進(jìn)行分類并提高了啟動子識別的準(zhǔn)確率。

2、 首先，我們從真核生物啟動子數(shù)據(jù)庫(EPD)以及非啟動子數(shù)據(jù)庫中得到用于分類研究的DNA啟動子序列數(shù)據(jù)及非啟動子序列數(shù)據(jù)。正、負(fù)數(shù)據(jù)集均分別被分成5份和10份，用于5重(5-fold)及10重(10-fold)交叉驗(yàn)證。另外，我們還從轉(zhuǎn)錄起始位點(diǎn)數(shù)據(jù)庫(DBTSS)中得到了由實(shí)驗(yàn)得出的人類染色體啟動子數(shù)據(jù)，準(zhǔn)備用于后續(xù)的研究。 然后，在對數(shù)據(jù)進(jìn)行處理后(包括保證數(shù)據(jù)的非冗余性等)，對堿基數(shù)據(jù)進(jìn)行編碼、選擇合適的參數(shù)及編碼方法

3、。這是本研究的重點(diǎn)和難點(diǎn)。根據(jù)采用編碼方式的不同，將之分為三步。 第一步，本文采用了基于知識的統(tǒng)計(jì)編碼方法，并將此方法進(jìn)一步擴(kuò)展成六種子編碼方式，分別是：單堿基統(tǒng)計(jì)特征編碼、相鄰雙堿基統(tǒng)計(jì)特征編碼、隔一位的雙堿基統(tǒng)計(jì)特征編碼、隔兩位的雙堿基統(tǒng)計(jì)特征編碼、隔三位的雙堿基統(tǒng)計(jì)特征編碼以及相鄰三堿基統(tǒng)計(jì)特征編碼。編碼后在SVM中進(jìn)行啟動子識別，使用10-fold交叉驗(yàn)證的準(zhǔn)確率達(dá)到了89.68％，靈敏性在86.24％～90.11％，

4、特異性在85.91％～98.35％，與其他利用SVM進(jìn)行啟動子識別的工具相比，均有5％左右的提高。 第二步，本文采用了CpG編碼和五聯(lián)體(Pentamers)編碼，從不同的角度對人類RNA POL II啟動子序列進(jìn)行編碼，提取變量信息，找出預(yù)報結(jié)果最佳及搭配最合理的編碼方式用于后面的研究。 第三步，本文還嘗試了一種新的編碼方法——模式字典(Pattem Dictionary)的編碼方法(由本實(shí)驗(yàn)室開發(fā))，并且針對啟動

5、子數(shù)據(jù)的特點(diǎn)，將ATCG四堿基兩兩結(jié)合，擴(kuò)展成十六種字符進(jìn)行編碼，以增加數(shù)據(jù)的特征變量。 再次，基于上述編碼方法的識別結(jié)果，根據(jù)編碼方式的不同、樣本選擇的不同、核函數(shù)選擇的不同等等，我們建立出不同類型成員子模型的共識模型，并用雙層SVM進(jìn)行識別分析。由于共識模型考慮了各子模型的獨(dú)立性和模型之間的差異性，發(fā)揮了各模型之間的互補(bǔ)優(yōu)勢，從而提高了最終的識別準(zhǔn)確率。 最后，我們將優(yōu)秀的識別模型及共識模型的思想應(yīng)用到人類22號