论文部分内容阅读
面对呈指数增长的海量基因组数据,生命科学必须引入和融合以数理和信息科学为代表的学科,开展算法和海量数据处理技术的研究,才能探寻隐藏在海量生物数据里的生物信息,挖掘基因功能,解释生命过程与现象。
本文运用信号处理理论和技术,从预测与定位DNA序列中的蛋白编码区、提取和识别微阵列数据中的特征表达模式和周期表达基因类等方面开展了研究,取得的成果与结论如下:
(1)借助于蛋白编码区具有的周期-3性质,采用傅里叶频谱分析,本文比较了现有8种数值映射方法的优劣。在此基础上,本文提出了一种DNA序列数值映射的概率法。研究表明,与现有其它方法比较,新方法能够更真实地反映原始DNA序列中的碱基分布规律,保留更多生物信息。
(2)本文提出了一种预测与定位DNA序列中蛋白编码区的改进滑动窗功率谱估计方法。与经典的功率谱估计方法比较,本文方法定位蛋白编码区的平均误差是12个碱基对,远低于经典方法的54个碱基对,极大地提高了蛋白编码区的定位准确率,且本文改进方法的计算时间仅仅是经典方法的10%,降低了计算复杂度。
(3)把AR模型(Auto-regressivemodel)现代谱估计技术引入到蛋白编码区的预测与定位问题中,本文发展了一种适合于预测小尺度DNA序列中蛋白编码区的有用工具。研究表明,在经典的周期图法对小尺度DNA序列中的周期-3性质迅速失去预测能力的情况下,AR模型法展现出比周期图法更强的预测能力,获得了更高的预测正确率,具有抗DNA序列长度和结构变化的刚性。本文对于AR模型法在定位蛋白编码区的问题上也开展了有益的探索。
(4)本文提出了一种分块主成分分析(PrincipalComponentAnalysis,PCA)方法,并以此为基础形成了一种提取周期表达基因的新方法。新方法能够克服PCA方法存在容易丢失重要信息的弱点,特别是能够全面地提取出隐含在方差较小的主成分中的细胞周期表达基因。利用已有的生物证据,本文结果能够得到较好的生物意义解释。
(5)针对微阵列数据特点,本文提出了一种改进的NMF(ImprovedNon-negativeMatrixFactorization,INMF)算法,并运用INMF算法提取微阵列数据中隐藏的特征基因表达模式。研究结果表明,INMF算法适用于任何尺寸和分布的微阵列数据,比奇异值分解(SingularValueDecomposition,SVD)等同类方法提取的特征表达模式类型更全面,抗噪声能力强。与现有研究结论比较,基于INMF算法从酵母微阵列数据中聚类的周期表达基因能够取得令人满意的结果。