基于二級(jí)結(jié)構(gòu)的非編碼RNA挖掘方法研究.pdf

1、非編碼RNA的研究是目前生物信息學(xué)領(lǐng)域最重要的課題之一。步入21世紀(jì)以來(lái)，關(guān)于非編碼RNA的研究連續(xù)獲得Science評(píng)選的年度十大科學(xué)突破，并在2006年獲得了諾貝爾生物或醫(yī)學(xué)獎(jiǎng)。越來(lái)越多的生物信息學(xué)研究人員致力于從已有的測(cè)序數(shù)據(jù)中挖掘非編碼RNA，并分析其功能。但目前的挖掘方法還存在挖掘效率低、假陽(yáng)性高、無(wú)法發(fā)現(xiàn)新家族等缺憾。因此，本文從分析RNA的結(jié)構(gòu)出發(fā)，結(jié)合并改進(jìn)分類學(xué)習(xí)方法，對(duì)非編碼RNA挖掘中的若干關(guān)鍵問(wèn)題進(jìn)行深入的研究。

2、
　　本文的主要內(nèi)容包括：
　　(1)提出處理生物信息學(xué)中普遍存在的訓(xùn)練樣本不平衡的分類方法。
　　生物信息學(xué)中存在大量的正反例不平衡的學(xué)習(xí)問(wèn)題，這是由于現(xiàn)實(shí)分布的特點(diǎn)，另一方面也由于獲得正例花費(fèi)的成本遠(yuǎn)遠(yuǎn)高于反例。本文提出一種處理正反例不平衡的分類方法，以解決生物信息學(xué)中的snoRNA識(shí)別、microRNA前體判別、SNP位點(diǎn)的真?zhèn)巫R(shí)別等問(wèn)題。本文方法利用集成學(xué)習(xí)的思想，將反例集均勻分割并依次與正例集組合，得到一組類

3、別平衡的訓(xùn)練集；然后對(duì)每個(gè)訓(xùn)練集采用不同原理的分類器進(jìn)行訓(xùn)練；最后投票表決待測(cè)樣本。為了避免弱分類器影響投票效果，本文結(jié)合AdaBoost思想，將每個(gè)分類器訓(xùn)練中產(chǎn)生的錯(cuò)誤樣本加入到下兩個(gè)分類器的訓(xùn)練集中，這種做法既避免了AdaBoost的反復(fù)訓(xùn)練，又有效地利用了投票機(jī)制遏制了弱分類器的影響。五組UCI測(cè)試數(shù)據(jù)和三組生物信息學(xué)實(shí)驗(yàn)證明了本方法在處理類別不平衡的分類問(wèn)題時(shí)的優(yōu)越性。此外，本文還開發(fā)了基于該方法的軟件libID，以方便廣大同

4、行使用。
　　(2)提出RNA二級(jí)結(jié)構(gòu)的“質(zhì)心”表示方法和基于它的二級(jí)結(jié)構(gòu)預(yù)測(cè)算法。
　　目前RNA的各種二級(jí)結(jié)構(gòu)表示方法，均不能快速地衡量?jī)蓚€(gè)RNA分子二級(jí)結(jié)構(gòu)的相似程度。針對(duì)該問(wèn)題本文提出“質(zhì)心”的概念來(lái)描述 RNA分子中各個(gè)莖區(qū)的位置，并且衍生出“質(zhì)心距”、“D函數(shù)”等概念來(lái)進(jìn)一步刻畫莖區(qū)之間、二級(jí)結(jié)構(gòu)之間的相似程度?；谶@種快速衡量二級(jí)結(jié)構(gòu)相似程度的方法，本文分別對(duì)比較序列分析法和最小自由能方法做出改進(jìn)。對(duì)于比較序列

5、分析法，提出一套獨(dú)立于多序列比對(duì)的預(yù)測(cè)算法；對(duì)于最小自由能法，結(jié)合RNA的類別信息，進(jìn)一步提高預(yù)測(cè)效果。
　　(3)對(duì)目前挖掘microRNA的兩種思路進(jìn)行了研究，并深入的分析和討論了其中的部分關(guān)鍵問(wèn)題。
　　同源比對(duì)和從頭預(yù)測(cè)是目前挖掘microRNA的兩種思路。同源比對(duì)方法是目前的主要方法，本文提出一種基于關(guān)鍵字樹的比對(duì)搜索算法，提高了搜索的精度同時(shí)又降低了期望時(shí)間開銷。將本文的方法分別應(yīng)用于大豆和家蠶上均取得了較好的效

6、果。從頭預(yù)測(cè)方法基于機(jī)器學(xué)習(xí)思想，是未來(lái)的發(fā)展方向，它有利于發(fā)現(xiàn)新家族，不過(guò)成熟體定位問(wèn)題一直是該方法的瓶頸。本文從兩個(gè)角度對(duì)該問(wèn)題進(jìn)行了深入的探討，取得了較準(zhǔn)確的結(jié)果。盡管沒(méi)有完全解決該瓶頸，但為該問(wèn)題的深入研究奠定了基礎(chǔ)。
　　(4)結(jié)合本文提出的二級(jí)結(jié)構(gòu)預(yù)測(cè)算法和樣本類別不平衡的分類算法，挖掘snoRNA。
　　目前的snoRNA挖掘方法大都是基于靶標(biāo)信息的。隨著“孤兒”snoRNA等新的功能性snoRNA的發(fā)現(xiàn)，獨(dú)立