蛋白質(zhì)批量同源性搜索及DNA模體識別算法研究.pdf

1、生物信息領(lǐng)域中，批量蛋白質(zhì)同源性搜索和模體識別是當(dāng)今的兩個研究熱點。本文針對批量蛋白質(zhì)同源性搜索問題和模體識別問題，提出了基于聚類和壓縮的批量蛋白質(zhì)同源性搜索算法與基于隨機投影和粒子群優(yōu)化的模體識別算法。
　　通過一組蛋白質(zhì)查詢序列集對大規(guī)模蛋白質(zhì)數(shù)據(jù)庫進行同源性搜索是現(xiàn)代生物信息學(xué)的基本任務(wù)。過去幾年里，由于高速發(fā)展的測序技術(shù)導(dǎo)致海量的蛋白質(zhì)序列數(shù)據(jù)產(chǎn)生，因此，如何在大規(guī)模數(shù)據(jù)庫中高效地進行批量同源性搜索已成為一個廣泛關(guān)注的問題

2、。針對這個問題，基本方法主要是對查詢集中的每條序列運行BLASTP，或通過將查詢集中的序列組成串聯(lián)的虛擬序列之后再進行查詢。然而這些方法沒有考慮查詢序列間或搜索數(shù)據(jù)庫序列間存在的冗余性，同源性搜索的效率仍可進一步提高?；诖耍疚奶岢隽艘环N基于壓縮和聚類的批量快速同源性搜索算法C2-BLASTP(Compression andCluster BLASTP)，本算法充分利用了數(shù)據(jù)庫序列和查詢序列中的冗余信息。首先，對查詢序列和蛋白質(zhì)數(shù)據(jù)庫

3、通過冗余分析和冗余移除過程進行壓縮操作;進而對壓縮后的數(shù)據(jù)庫進行相似子序列聚類;然后在聚類數(shù)據(jù)庫上利用映射原理進行一個粗略的查找以發(fā)現(xiàn)潛在結(jié)果，根據(jù)找到的潛在結(jié)果集建立可執(zhí)行數(shù)據(jù)庫;最后用壓縮處理后的查詢序列集在創(chuàng)建好的可執(zhí)行數(shù)據(jù)庫上進行同源性搜索。本文在NCBI NR數(shù)據(jù)庫上進行了實驗驗證，并從精度、速度和內(nèi)存消耗三方面驗證了本算法的有效性。
　　在基因表達和基因調(diào)控中，通過轉(zhuǎn)錄過程可以實現(xiàn)將DNA的遺傳信息傳遞給蛋白質(zhì)。轉(zhuǎn)錄過

4、程中轉(zhuǎn)錄因子結(jié)合位點的識別可以幫助生物學(xué)研究人員了解序列之間的進化關(guān)系。識別轉(zhuǎn)錄因子結(jié)合位點的問題，即模體識別問題對了解序列的生物意義具有重大意義。粒子群算法中通過整合局部最優(yōu)解和全局最優(yōu)解來處理該問題，但存在當(dāng)序列集中存在較多噪音子序列時易陷入局部最優(yōu)解的問題。針對這個問題，本文提出了PSORPS(Particle Swarm Optimization Random Projection Strategy)算法。首先利用隨機投影的策略