機(jī)器學(xué)習(xí)方法在生物序列分析中的應(yīng)用.pdf

1、生物信息學(xué)是一個(gè)新興的跨學(xué)科研究領(lǐng)域，通過采用計(jì)算方法來解決分子生物學(xué)問題，最終目的是能夠發(fā)現(xiàn)隱藏于海量生物數(shù)據(jù)中的生物模式和信息，并應(yīng)用這些信息來提高對一些重要的生物運(yùn)行機(jī)制的理解。生物序列分析則是生物信息學(xué)領(lǐng)域重要的基礎(chǔ)性研究工作。近年來，隨著生物學(xué)實(shí)驗(yàn)數(shù)據(jù)的爆炸式增長，機(jī)器學(xué)習(xí)方法在生物序列分析和重要信息的提取中發(fā)揮著越來越重要的作用。機(jī)器學(xué)習(xí)通過建立適當(dāng)?shù)慕y(tǒng)計(jì)模型，可以捕捉隱藏于大量實(shí)驗(yàn)數(shù)據(jù)中的復(fù)雜模式并基于它們做出決策。因此，

2、機(jī)器學(xué)習(xí)方法特別適用于類似生物信息學(xué)的擁有大量數(shù)據(jù)但相應(yīng)理論很不完善的領(lǐng)域。
　　本文圍繞機(jī)器學(xué)習(xí)方法在生物序列分析中的應(yīng)用展開研究，主要做了以下工作:
　　1、求解多序列的最優(yōu)比對是一個(gè)NP問題，目前已有大量的方法和程序被開發(fā)出來用于蛋白質(zhì)多序列比對。但是，這些方法大多數(shù)都是使用優(yōu)化得分函數(shù)的方法獲得最佳或接近最佳的比對，因此只能產(chǎn)生一個(gè)單一的比對結(jié)果。最近的研究工作發(fā)現(xiàn)，通過最優(yōu)化得分函數(shù)的方法取得的最佳序列比對結(jié)果，往

3、往并不是最具有生物學(xué)意義的比對。因此，本文提出一種基于集成學(xué)習(xí)的多蛋白質(zhì)序列比對方法，將隱馬爾可夫模型作為集成學(xué)習(xí)中的基分類器，在對訓(xùn)練集中的序列進(jìn)行排序后依次與隱馬爾可夫模型進(jìn)行比對，根據(jù)比對結(jié)果優(yōu)化模型參數(shù)，最后生成一組分?jǐn)?shù)較高的比對結(jié)果。在構(gòu)建集成學(xué)習(xí)系統(tǒng)時(shí)，提出并證明了一種雙序列比對方法，可以精確計(jì)算出兩個(gè)給定蛋白質(zhì)序列的具有領(lǐng)先分?jǐn)?shù)的若干個(gè)比對結(jié)果，其計(jì)算的時(shí)間復(fù)雜度為二次函數(shù)。此外，針對蛋白質(zhì)二級結(jié)構(gòu)信息對序列比對結(jié)果的影響

4、，在之前模型的基礎(chǔ)上進(jìn)行改進(jìn)，通過一個(gè)匹配矩陣實(shí)現(xiàn)蛋白質(zhì)二級結(jié)構(gòu)的匹配分?jǐn)?shù)計(jì)算，并初步分析和探討了引入二級結(jié)構(gòu)信息對不同測試組的比對精度影響。
　　2、針對目前基于共變模型的非編碼RNA序列搜索軟件計(jì)算效率低的缺點(diǎn)，對傳統(tǒng)共變模型進(jìn)行了改進(jìn)。首先，對非編碼RNA家族的成員序列與該家族的共變模型比對的結(jié)果進(jìn)行了分析，結(jié)果表明在共變模型的任何狀態(tài)，最優(yōu)比對的子序列長度大多與一致結(jié)構(gòu)的長度相差不多。據(jù)此，將RNA家族的二級結(jié)構(gòu)分成若干個(gè)

5、基本的結(jié)構(gòu)單元，其中每一個(gè)結(jié)構(gòu)單元代表二級結(jié)構(gòu)中的一個(gè)莖或環(huán)，并為每個(gè)結(jié)構(gòu)單元增加了長度限制。設(shè)計(jì)了一種結(jié)構(gòu)單元的長度限制計(jì)算方法，在計(jì)算出上、下限的同時(shí)，給出相應(yīng)的置信度。并根據(jù)各個(gè)結(jié)構(gòu)單元的長度分布對家族中的序列在進(jìn)化過程中出現(xiàn)插入和刪除的次數(shù)進(jìn)行了限定，從而顯著降低了序列結(jié)構(gòu)比對的計(jì)算時(shí)間。
　　3、轉(zhuǎn)錄因子結(jié)合位點(diǎn)在基因調(diào)控中起著非常重要的作用，準(zhǔn)確預(yù)測它們在啟動(dòng)子區(qū)域的位置可以有助于理解特定基因的表達(dá)水平的調(diào)節(jié)。針對轉(zhuǎn)錄

6、因子結(jié)合位點(diǎn)的識別，已經(jīng)開發(fā)出了很多的計(jì)算方法和工具，但其預(yù)測的準(zhǔn)確度并不理想。本文提出了一種基于圖論的轉(zhuǎn)錄因子結(jié)合位點(diǎn)的預(yù)測方法。通過一個(gè)無向有權(quán)圖來模擬同源基因的啟動(dòng)子區(qū)域內(nèi)的所有子序列和它們之間的關(guān)系，從而把問題轉(zhuǎn)化為圖的最優(yōu)化問題。同時(shí)，為了提高尋找問題的最佳解決方案的速度，提出了一種預(yù)處理技術(shù)，可以顯著降低圖的大小。最后，設(shè)計(jì)了一種枚舉算法搜索圖模型中的最大邊權(quán)團(tuán)，最大邊權(quán)團(tuán)對應(yīng)的子序列即為預(yù)測的轉(zhuǎn)錄因子結(jié)合位點(diǎn)。
　　

7、4、傳統(tǒng)的聚類方法在用于DNA微陣列數(shù)據(jù)分析時(shí)，多數(shù)只能生成一種聚類結(jié)果，無法識別出與多組不同的基因表達(dá)模式相類似的基因。針對該問題，提出一種基于圖形模型和圖割算法的DNA微陣列數(shù)據(jù)聚類方法，將樣本空間的整個(gè)數(shù)據(jù)集表示為一個(gè)有權(quán)圖，然后迭代地求解圖的最小割權(quán)值和第二小割權(quán)值，根據(jù)圖割，將圖分割為子圖。此外，在數(shù)學(xué)上證明了圖的第二最小割可以在多項(xiàng)式時(shí)間內(nèi)算出。對高連通圖的定義進(jìn)行引申后，用于無向有權(quán)圖中，并將高連通圖的判據(jù)作為圖分割的終止