基于字符間隔距離的生物序列模型及其應(yīng)用.pdf

1、“面對生物大數(shù)據(jù)，如何建立數(shù)學(xué)模型進(jìn)行大數(shù)據(jù)的快速處理與有效分析，從而最大程度地發(fā)現(xiàn)隱藏在數(shù)據(jù)中的重要信息”是當(dāng)今生物數(shù)學(xué)領(lǐng)域的重要研究課題。本文從生物序列出發(fā)，以序列的基本構(gòu)成元素——字符（分別表示堿基或氨基酸）的間隔距離為切入點(diǎn)，利用統(tǒng)計方法和機(jī)器學(xué)習(xí)方法建立數(shù)學(xué)模型，并將其應(yīng)用于生物序列的分析和必需基因的識別中。
　　一方面，借助已有的字符間隔距離序列，提出了新的堿基（氨基酸）間隔距離序列，它可以輕松地實(shí)現(xiàn)原始生物序列的重構(gòu)

2、而不需要任何其它輔助條件；在此基礎(chǔ)上進(jìn)一步提出了(有序的)精準(zhǔn)間隔距離序列，抽取其五個基本統(tǒng)計量組成特征向量來表征原始生物序列；然后利用向量之間的歐氏距離計算生物序列之間的相似性程度；最后將該方法應(yīng)用于三組實(shí)驗：DNA組，即18種真哺乳亞綱哺乳動物，23物種的線粒體基因組和11物種外顯子序列的相似性分析；非編碼RNA組，即19物種的非編碼RNA序列的相似性分析；蛋白質(zhì)組，即9條ND5序列、20條FG序列和24種脊椎動物的轉(zhuǎn)鐵蛋白序列的相

3、似性分析。通過MEGA，Phylip、Treeview軟件得到各組實(shí)驗的生物系統(tǒng)發(fā)生樹與已知結(jié)論一致，表明文中所提方法是進(jìn)行序列分析和比較的有效工具。
　　另一方面，鑒于必需基因的識別有助于對生命起源及進(jìn)化的探索，并且可為藥物靶點(diǎn)的設(shè)計、疾病的治療以及合成生物學(xué)最小基因組的研究提供重要的基礎(chǔ)，本文利用堿基間隔距離序列構(gòu)造的特征向量，結(jié)合支持向量機(jī)方法，設(shè)置實(shí)驗集和訓(xùn)練集，對5類細(xì)菌物種的必需基因和非必需基因的特征向量做10倍交叉驗