基于機器學習的微孢子蟲PolyA位點預測研究.pdf

1、隨著人類基因組測序計劃的啟動和發(fā)展，生物信息學應運而生。生物學與信息技術的相互交叉，不僅促進了計算機科學的發(fā)展，也極大地推動了生物學的應用研究。西南大學家蠶基因組生物學國家重點實驗室是國內(nèi)一個先進的家蠶研究實驗室，目前有家蠶基因組和功能基因組、家蠶遺傳資源與蠶?，F(xiàn)代產(chǎn)業(yè)技術、蠶桑病原微生物及微生物資源利用等方面的研究。家蠶病原體能夠感染家蠶，并能影響家蠶的生長發(fā)育，給養(yǎng)蠶業(yè)帶來較大的損失。因此作為一個研究方向，吸引了越來越多的學者。生物

2、體不斷變化，基因組信息也千差萬別，機器學習的許多算法已經(jīng)被運用在人類基因和水稻基因的預測中，然而微孢子蟲作為感染家蠶的一種病原體，基于計算機算法的研究卻寥寥無幾。本文即是利用機器學習中的算法來對微孢子蟲PolyA位點進行預測并展開深入的研究。相較于生物學的方法，提高了工作效率，也為生物學中微孢子蟲的研究提供了一個很好的思路。
　　機器學習是通過計算的手段利用經(jīng)驗來改善系統(tǒng)自身的性能。隨著計算機領域各種新技術和新方法的產(chǎn)生，這些方法

3、逐漸應用到生物信息學領域，并且在基因預測領域的應用越來越廣泛。多聚腺苷酸化是真核細胞內(nèi)形成成熟mRNA的一個重要步驟，其位點的預測對基因組序列中編碼基因的發(fā)掘具有重要的意義。在與家蠶微孢子蟲研究小組經(jīng)過深入的討論后，本文以缺乏有效基因預測方法的家蠶病原體微孢子蟲Encephalitozoon cuniculi作為研究對象，以Z曲線、位置特異性打分矩陣和k階核苷酸頻率為基礎對微孢子蟲Encephalitozoon cuniculi基因序列

4、進行特征提取，在提取k階特征之后，我們對提取的k階核苷酸頻率特征進行組合，并通過實驗結果對比，選擇最優(yōu)的組合。把最優(yōu)組合與位置特異性打分矩陣和Z曲線作為最后的輸入特征。通過對該特征進行PCA降維，減少特征空間的維度，從而減少算法復雜度。最后，我們使用不同的分類器對獲取到的特征進行訓練分類，進而得到微孢子蟲PolyA位點的預測結果。該方法能夠根據(jù)微孢子蟲基因序列的表達偏好來選取最優(yōu)的k階核苷酸頻率特征，這對最后提取微孢子蟲PolyA位點的

5、特征起到一定的作用，從而對分類結果產(chǎn)生影響。為了提高微孢子蟲PolyA位點預測算法的準確度，選擇合適的特征提取方法對后續(xù)的分類極其重要。
　　支持向量機被廣泛的應用在不同的領域，在文本分類、車牌識別和圖像檢索等研究領域已有很多成果。本文利用支持向量機、神經(jīng)網(wǎng)絡和KNN算法均對微孢子蟲PolyA位點進行了預測研究，實驗結果證明支持向量機的分類效果比較好。核函數(shù)是支持向量機分類的一個重要因素，鑒于目前條件正定核已經(jīng)被廣泛應用于文本分類