基因識別問題及其算法實(shí)現(xiàn)

1、1基因識別問題及其算法實(shí)現(xiàn)基因識別問題及其算法實(shí)現(xiàn)一、背景介紹一、背景介紹DNA是生物遺傳信息的載體，其化學(xué)名稱為脫氧核糖核酸（Deoxyribonucleicacid，縮寫為DNA）。DNA分子是一種長鏈聚合物，DNA序列由腺嘌呤（AdenineA），鳥嘌呤（GuanineG），胞嘧啶（CytosineC），胸腺嘧啶（ThymineT）這四種核苷酸（nucleotide）符號按一定的順序連接而成。其中帶有遺傳訊息的DNA片段稱為基因（

2、Gene）（見圖1第一行）。其他的DNA序列片段，有些直接以自身構(gòu)造發(fā)揮作用，有些則參與調(diào)控遺傳訊息的表現(xiàn)。在真核生物的DNA序列中，基因通常被劃分為許多間隔的片段（見圖1第二行），其中編碼蛋白質(zhì)的部分，即編碼序列（CodingSequence）片段，稱為外顯子（Exon），不編碼的部分稱為內(nèi)含子（Intron）。外顯子在DNA序列剪接（Splicing）后仍然會被保存下來，并可在圖1真核生物DNA序列（基因序列）結(jié)構(gòu)示意圖蛋白質(zhì)合成過

3、程中被轉(zhuǎn)錄（tranion）、復(fù)制（replication）而合成為蛋白質(zhì)（見圖2）。DNA序列通過遺傳編碼來儲存信息，指導(dǎo)蛋白質(zhì)的合成，把遺傳信息準(zhǔn)確無誤地傳遞到蛋白質(zhì)（protein）上去并實(shí)現(xiàn)各種生命功能。圖2蛋白質(zhì)結(jié)構(gòu)示意圖對大量、復(fù)雜的基因序列的分析，傳統(tǒng)生物學(xué)解決問題的方式是基于分子實(shí)驗(yàn)的方法，其代價高昂。諾貝爾獎獲得者W.吉爾伯特（WalterGilbert，1932—；【美】，第一個制備出混合脫氧核糖核酸的科學(xué)家）199

4、1年曾經(jīng)指出：“現(xiàn)在，基于全部基因序列都將知曉，并以電子可操作的方式駐留在數(shù)據(jù)庫中，新的生物學(xué)研究模式的出發(fā)點(diǎn)應(yīng)是理論的。一個DNA序列外顯子(Exon)內(nèi)含子(Intron)DNA序列基因（Gene）蛋白質(zhì)序列剪接、轉(zhuǎn)錄、復(fù)制基因（Gene）3例如，假設(shè)給定的一段DNA序列片段為S=ATCGTACTG，則所生成的四個01序列分別為：：；：；[]Aun100001000[]Gun000100001：；：。[]Cun001000100[]

5、Tun010010010這樣產(chǎn)生的四個數(shù)字序列又稱為DNA序列的指示序列(indicatSequence)。2.頻譜頻譜3周期性周期性為研究DNA編碼序列（外顯子）的特性，對指示序列分別做離散Fourier變換(DFT)(1)210[[]]011nkNjNbbnUkunekN?????????以此可得到四個長度均為N的復(fù)數(shù)序列，。計算每個復(fù)序列的平[]bUkbI?[]bUk方功率譜，并相加則得到整個DNA序列的功率譜序列：S[]Pk(2

6、)2222[][][][][]011ATGCPkUkUkUkUkkN???????對于同一段DNA序列，其外顯子與內(nèi)含子序列片段的功率譜通常表現(xiàn)出不同的特性01002003004005006000500010000kP(k)01002003004005006000500010000kP(k)圖3編號為BK006948.2的酵母基因DNA序列的功率譜（因?yàn)閷ΨQ性，實(shí)際這里只給出了功率譜圖因?yàn)閷ΨQ性，實(shí)際這里只給出了功率譜圖的一半的一半）。