基于信息離散度的DNA序列相似性分析研究.pdf

1、隨著人類基因組計劃的實施，以及對各種生物的基因和蛋白質(zhì)序列研究的逐漸深入，各種序列數(shù)據(jù)庫、結(jié)構(gòu)數(shù)據(jù)庫等越來越龐大。如何有效地分析這些大規(guī)模的數(shù)據(jù)，并對其進行加工、處理和建模，從中發(fā)現(xiàn)規(guī)律以指導(dǎo)生物學(xué)研究和實驗，是當今生物信息學(xué)研究的重要內(nèi)容。序列相似性分析是生物信息學(xué)中的基本問題，其分析結(jié)果可廣泛應(yīng)用于物種分類、結(jié)構(gòu)和功能預(yù)測、物種進化分析等領(lǐng)域。 本文基于信息理論方法對DNA序列的相似性和聚類進行分析。 以子序列概率分

2、布表示序列特征時，F(xiàn)DOD函數(shù)具有增加性、繼承性、存在最大值等良好的數(shù)學(xué)性質(zhì)，在生物信息處理中得到廣泛的應(yīng)用。在此基礎(chǔ)上，本文提出了一種新的基于信息離散度的DNA序列相似性分析方法。該方法用BB信息集表示序列特征，利用不同距離的堿基對的聯(lián)合概率分布的離散度來表示序列之間的差異，考慮了16種堿基對的聯(lián)合概率分布，以及同一種堿基對在不同距離下的概率分布。BB信息集的規(guī)模隨著堿基對之間距離的增加呈線性增長，而FDOD方法中信息集的規(guī)模隨子序列

3、長度的增加呈指數(shù)增長。當BB信息集變化時，序列間的距離值變化較小，能有效降低對信息集選取的依賴性。我們對8種H5N1型禽流感病毒的HA片段和11種SARS病毒基因進行相似性分析，實驗結(jié)果表明，該方法能對相似性較高的序列進行有效度量。 本文對FDOD函數(shù)與Shannon熵、廣義信息距離與Shannon熵的關(guān)系進行了分析，F(xiàn)DOD函數(shù)反映序列合并后的平均信息量的變化，而廣義信息距離反映序列合并后的總信息量的變化。在此基礎(chǔ)上，我們利用