生物信息學(xué)有關(guān)的數(shù)據(jù)結(jié)構(gòu)與智能計(jì)算問(wèn)題.pdf

1、隨著生物技術(shù)的發(fā)展，積累了越來(lái)越多的生物數(shù)據(jù)，對(duì)生物數(shù)據(jù)的存儲(chǔ)分析形成了新的學(xué)科：生物信息學(xué)。生物信息學(xué)的發(fā)展是多種學(xué)科交叉的結(jié)果，但是另外一方面對(duì)生物數(shù)據(jù)的分析，新算法的開發(fā)對(duì)數(shù)學(xué)和計(jì)算機(jī)科學(xué)的發(fā)展也起到了一定的推動(dòng)作用。本文就是對(duì)這方面的初步探討。本文分三個(gè)部分，第一部分，從生物信息學(xué)中的生物序列的比對(duì)出發(fā)，將序列的突變推廣到信息科學(xué)和計(jì)算科學(xué)中的廣義差錯(cuò)，并且給出其應(yīng)用：廣義糾錯(cuò)碼和容錯(cuò)復(fù)雜度。第二部分，使用模糊神經(jīng)網(wǎng)絡(luò)算法分析基

2、因識(shí)別的因素問(wèn)題，第三部分，給出一種新的聚類算法EMR算法，并將其應(yīng)用于蛋白質(zhì)的聚類中。 在數(shù)據(jù)處理問(wèn)題中，差錯(cuò)的類型有多種，除了符號(hào)的變更外還有數(shù)據(jù)的丟失與插入等情況發(fā)生，我們統(tǒng)稱這種差錯(cuò)為廣義差錯(cuò)或突變誤差.在計(jì)算機(jī)，信息論與生物信息學(xué)領(lǐng)域中，對(duì)這種廣義差錯(cuò)都有研究，并分別對(duì)這種差錯(cuò)給以度量的定義，如在計(jì)算機(jī)與信息論領(lǐng)域稱這種廣義差錯(cuò)的度量為L(zhǎng)evenshtein距離，編輯距離(Editedistance)或Evolutio

3、nary距離等，這些距離有的是等價(jià)的，也有是不等價(jià)的.在生物信息學(xué)中，為尋找序列的突變誤差的發(fā)生的狀況有一系列的比對(duì)(Alignment)計(jì)算方法與研究，由此可產(chǎn)生Alignment距離與Alignment空間，Alignment距離實(shí)際上就是Evolutionary距離.本文首先概述這幾種距離的定義與相互關(guān)系，為研究廣義差錯(cuò)的數(shù)據(jù)結(jié)構(gòu)，我們引進(jìn)它們的代數(shù)結(jié)構(gòu)理論，并由此對(duì)Alignment距離滿足三角形不等式給出它的嚴(yán)格證明，本文還討

4、論了最小罰分比對(duì)與最大得分比對(duì)的關(guān)系問(wèn)題與廣義糾錯(cuò)碼的構(gòu)造問(wèn)題，給出了最優(yōu)比對(duì)的不唯一性的例子，最小罰分比對(duì)與最大得分比對(duì)的不等價(jià)性與等價(jià)條件。在碼長(zhǎng)較小時(shí)利用Alignment算法可得到一系列最優(yōu)的廣義糾錯(cuò)碼。 復(fù)雜度理論是計(jì)算機(jī)科學(xué)與密碼學(xué)的重要基礎(chǔ)，所謂容錯(cuò)復(fù)雜度就是允許數(shù)據(jù)具有差錯(cuò)時(shí)的復(fù)雜度，近年來(lái)在密碼學(xué)研究中受到重視.本文對(duì)一般廣義差錯(cuò)(符號(hào)改變、插入與刪除)，給出了它們一般的非線性容錯(cuò)復(fù)雜度的定義、計(jì)算與應(yīng)用。

5、 在真核生物外顯子與內(nèi)含子的識(shí)別中，由DNA序列可以產(chǎn)生多種結(jié)構(gòu)的特征參數(shù)，如氨基酸的頻率分布，Z-坐標(biāo)等，我們稱這些特征參數(shù)為外顯子與內(nèi)含子的識(shí)別因素.本文的目的就是分析這些因素，及它們的組合在基因識(shí)別中的作用.為此目的，我們采用了人工神經(jīng)網(wǎng)絡(luò)理論中的模糊感知器模型，建立相應(yīng)的特征參數(shù)集與神經(jīng)網(wǎng)絡(luò)訓(xùn)練與識(shí)別模型，并以Burset-Guigo訓(xùn)練集為訓(xùn)練數(shù)據(jù)，以Hmr,H178，果蠅和擬南芥等數(shù)據(jù)集構(gòu)成混合檢驗(yàn)集，選擇DNA序列的氨

6、基酸的頻率分布，Z-坐標(biāo)等為該序列的特征參數(shù)，并對(duì)這些參數(shù)及它們的不同組合作學(xué)習(xí)訓(xùn)練與識(shí)別的因素分析，分別在單因素，低因素(因素?cái)?shù)為2,3,4,5)，高因素(因素?cái)?shù)大于5)時(shí)，得到這些因素在不同組合下識(shí)別的精度指標(biāo)，由此可以看到不同因素組合在基因識(shí)別中的作用. 聚類分析是數(shù)據(jù)發(fā)掘理論與統(tǒng)計(jì)學(xué)中的一個(gè)重要領(lǐng)域.常見(jiàn)的聚類分析類型很多，如系統(tǒng)聚類，中心聚類等，這些數(shù)據(jù)的聚類一般是以它們的距離為基礎(chǔ)，把距離較近的數(shù)據(jù)歸結(jié)為同一個(gè)類，本

7、文提出的分布族的聚類分析問(wèn)題，是指所討論的數(shù)據(jù)是由一大批數(shù)據(jù)序列組成，由每個(gè)序列可確定它的分布結(jié)構(gòu)(如頻率分布，二重?cái)?shù)據(jù)的聯(lián)合頻率分布等)，由此就可以產(chǎn)生一分布族，為對(duì)分布族進(jìn)行聚類分析，在本文中我們以Kullback-Leibler熵為不同分布的差異性度量，給出了相應(yīng)的優(yōu)化聚類算法，這種算法與EM算法或K-mean算法思路相似，但又增加一個(gè)新的遞歸運(yùn)算步驟，所以我們稱之為EMR(Expectation-Maximization-Rec