基因序列數(shù)據(jù)的啟動(dòng)子識(shí)別系統(tǒng)研究.pdf

1、人類(lèi)基因組計(jì)劃的順利實(shí)施和成功完成，產(chǎn)生了大量的基因組信息。分析這些信息是人類(lèi)基因組研究必不可少的重要工作。真核生物基因啟動(dòng)子的識(shí)別是基因組研究中的一個(gè)熱點(diǎn)和難點(diǎn)。啟動(dòng)子是啟動(dòng)基因轉(zhuǎn)錄的一類(lèi)重要序列調(diào)控元件。對(duì)啟動(dòng)子進(jìn)行識(shí)別已成為基因結(jié)構(gòu)識(shí)別中的重要一環(huán)，同時(shí)也是構(gòu)建基因轉(zhuǎn)錄調(diào)控網(wǎng)絡(luò)的核心問(wèn)題。 盡管目前提出了許多啟動(dòng)子識(shí)別的方法，但是識(shí)別中假陽(yáng)性普遍都非常高。為了改善真核生物啟動(dòng)子識(shí)別領(lǐng)域存在的高假陽(yáng)性的狀況，本文首先搜集并學(xué)

2、習(xí)了相關(guān)生物學(xué)知識(shí)和生物數(shù)據(jù)庫(kù)信息；然后，基于主成分分析算法，提出了一種真核啟動(dòng)子識(shí)別系統(tǒng)。提取基因序列的內(nèi)容特征，并使用主成分分析算法將高維內(nèi)容特征進(jìn)行壓縮，形成主成分特征。將主成分特征與CpG島特征進(jìn)行綜合并一同作為識(shí)別特征。 通過(guò)提取人類(lèi)啟動(dòng)子核苷酸聯(lián)體信息生成內(nèi)容特征矩陣，這樣就產(chǎn)生了高維的統(tǒng)計(jì)特征。為使特征由高維降至低維，使用主成分分析算法將高維統(tǒng)計(jì)特征進(jìn)行特征壓縮。主成分分析算法是進(jìn)行多變量分析的一種有效的方法，其主

3、要思想是將原變量矩陣投影到新的空間，獲得一組新的變量。通過(guò)對(duì)原變量的空間變換，只有能夠代表原空間絕大部分變量的主要成分被保留下來(lái)形成新的空間，從而達(dá)到降維的目的。為了彌補(bǔ)在特征壓縮過(guò)程中缺失了一部分特征信息，提取基因序列的CpG島信息作為補(bǔ)充特征，將這2維CpG島特征與10維主成分特征進(jìn)行特征綜合，共同作為BP神經(jīng)網(wǎng)絡(luò)的輸入來(lái)識(shí)別啟動(dòng)子。 將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)人類(lèi)基因序列——L44140、D87675、AF017257、A