生物信息學(xué)的概念 及其發(fā)展歷史

1、第十章：統(tǒng)計(jì)學(xué)習(xí)與推理,普通高等教育“十二五”規(guī)劃教材生物信息學(xué)Bioinformatics,第一節(jié) 統(tǒng)計(jì)學(xué)習(xí)與推理基礎(chǔ),一、fisher經(jīng)典參數(shù)統(tǒng)計(jì)理論fisher把判別分析、回歸分析和密度估計(jì)問題等表達(dá)為特定參數(shù)化模型的參數(shù)估計(jì)問題，并提出了估計(jì)所有模型未知參數(shù)的方法——最大似然法。,二、經(jīng)典非線性法ANN（artificial neural network）,三、小樣本統(tǒng)計(jì)學(xué)習(xí)理論（一）VC維（二）推廣性的界

2、對(duì)各種類型的函數(shù)集，統(tǒng)計(jì)學(xué)習(xí)理論系統(tǒng)地研究了其經(jīng)驗(yàn)風(fēng)險(xiǎn)與期望風(fēng)險(xiǎn)之間的關(guān)系，即推廣性的界。（三）結(jié)構(gòu)風(fēng)險(xiǎn)最?。ㄋ模┬颖九c轉(zhuǎn)導(dǎo)推理,四、基于概率的方法基于概率的方法主要包括貝葉斯(Bayes)推理及隱馬爾可夫模型(hidden Markov model,HMM)，其中貝葉斯推理需利用來源于經(jīng)驗(yàn)和歷史資料的先驗(yàn)信息。,第二節(jié) 統(tǒng)計(jì)模型與參數(shù)推斷,一、參數(shù)估計(jì)量的評(píng)選標(biāo)準(zhǔn)（一）無偏性參數(shù)估計(jì)量的期望值與參數(shù)真值是相等的，這

3、種性質(zhì)稱為無偏性。具有無偏性的估計(jì)量稱為無偏估計(jì)量。（二）有效性（三）相合性（四）充分性與完備性,二、最小二乘估計(jì),三、最大似然估計(jì)（一）似然函數(shù)對(duì)于離散型隨機(jī)變量，似然函數(shù)是多個(gè)獨(dú)立事件的概率函數(shù)的乘積，該乘積是概率函數(shù)值，它是關(guān)于總體參數(shù)的函數(shù)。例：一只大口袋里有紅、白、黑3種球，采用復(fù)置抽50次，得到紅、白、黑3種球的個(gè)數(shù)分別為12、24、14,根據(jù)多項(xiàng)式的理論建立似然函。（二）最大似然估計(jì)所謂最大似然估計(jì)就是指

4、使似然函數(shù)值為最大以獲得總體參數(shù)估計(jì)的方法。例：求紅、白、黑球?qū)嵗?的最大似然估計(jì)值。,第三節(jié) 聚類分析、主成分分析與Fisher判別,一、聚類分析（一）數(shù)據(jù)變換,（二）親疏程度測(cè)度,（三）系統(tǒng)聚類方法：最短距離法、最長(zhǎng)距離法、中間距離法、重心距離法、類平均法、可變類平均法、可變法、離差平方和法。,二、主成分分析（一）基本原理主成分分析（PCA）是把多個(gè)指標(biāo)化為少數(shù)幾個(gè)綜合指標(biāo)的一種統(tǒng)計(jì)分析方法。（二）分析步驟

5、1）原始數(shù)據(jù)的標(biāo)準(zhǔn)化2）樣本矩陣的相關(guān)系數(shù)矩陣3）特征向量4）選擇主成分,三、Fisher判別基于Fisher準(zhǔn)則，判別的結(jié)果應(yīng)使兩組間別最大，使每組內(nèi)的離散性最小。確定線性判別函數(shù)為待求判別函數(shù)的系數(shù)。,其中，,第四節(jié) 貝葉斯推理,一、貝葉斯定理二、樸素貝葉斯分類器,三、貝葉斯應(yīng)用示例,第五節(jié) 隱馬爾可夫模型,一、馬爾可夫及隱馬爾可夫模型二、隱馬爾可夫模型的數(shù)學(xué)描述三、隱馬爾可夫模型的三個(gè)基本問題及解

6、決方案1、評(píng)估問題及前向、后向算法2、解碼問題及Viterbi算法3、學(xué)習(xí)問題及Baum-Welch算法,四、基于HMM的基因識(shí)別程序及HMM的優(yōu)缺點(diǎn)VEIL、HMMgene、GeneMark.hmm、Geneie、GENSCAN缺點(diǎn)：1）訓(xùn)練所用的樣本數(shù)有限2）HMM是一個(gè)線性模型，不能描述蛋白質(zhì)序列中的高階相關(guān)性。3）只有當(dāng)事件獨(dú)立時(shí)，模型產(chǎn)生一個(gè)序列的概率才是產(chǎn)生各個(gè)獨(dú)立氨基酸的概率的乘積。,第六節(jié) 動(dòng)態(tài)神經(jīng)

7、網(wǎng)絡(luò),,一、基于MATLAB7.0的Elman神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)（一）newelm功能：生成一個(gè)Elman神經(jīng)網(wǎng)絡(luò)（二）traingdx功能：采用自適應(yīng)學(xué)習(xí)速率動(dòng)量梯度下降反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練（三）learngdm功能：動(dòng)量梯度下降權(quán)值和閾值學(xué)習(xí)函數(shù)（四）init功能：初始化神經(jīng)網(wǎng)絡(luò)函數(shù),（五）train功能：神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)（六）sim功能：對(duì)網(wǎng)絡(luò)進(jìn)行仿真（七）tansig功能：正切sigmoid傳遞函數(shù)

8、（八）logsig功能：對(duì)數(shù)sigmoid傳遞函數(shù)（九）purelin功能：純線性傳輸函數(shù),二、Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用示例—內(nèi)含子與外顯子識(shí)別,,,第七節(jié) 支持向量機(jī),一、SVM分類,二、SVM回歸三、SVM訓(xùn)練算法（一）塊算法（二）固定工作樣本集方法,四、SVM的優(yōu)缺點(diǎn)優(yōu)點(diǎn)：非線性、適用小樣本、泛化推廣能力優(yōu)異、避免局部極值、避免“維數(shù)災(zāi)難”缺點(diǎn)：可解釋性差、對(duì)大訓(xùn)練樣本計(jì)算復(fù)雜度高、核函數(shù)的選擇缺乏先驗(yàn)

9、的理論指導(dǎo)五、基于Python的LIBSVM簡(jiǎn)介,第八節(jié) MATLAB的應(yīng)用實(shí)例,一、數(shù)據(jù)獲取NCBI EF221854二、序列分析（一）繪制密度圖 ntdensity(seq),,（二）計(jì)算核苷酸數(shù)目 basecount(seq)（三）顯示核苷酸互補(bǔ)鏈 seqrcomplement(seq)（四）計(jì)算二聚體個(gè)數(shù) dimercount(mitochondria,chart,bar),（五）計(jì)算密碼子使用頻率

10、 codoncount(ntseq)（六）ORF分析 f=seqshoworfs(ntseq)（七）序列翻譯 ND2AASeq=nt2aa(ND2Seq)（八）序列比對(duì),三、系統(tǒng)發(fā)生分析（一）首先建立MATLAB結(jié)構(gòu)，將要分析的各物種的信息輸入（二）準(zhǔn)備序列,（三）計(jì)算各序列之間的距離Distance = seqpdist(Seqs)（四）對(duì)序列比對(duì)的距離進(jìn)行構(gòu)樹Tree=seqlinkage(Dist,