21221.環(huán)境微生物基因組物種結(jié)構(gòu)無(wú)監(jiān)督分析算法的研究

1、東南大學(xué)博士學(xué)位論文環(huán)境微生物基因組物種結(jié)構(gòu)無(wú)監(jiān)督分析算法的研究姓名：楊彬申請(qǐng)學(xué)位級(jí)別：博士專(zhuān)業(yè)：生物醫(yī)學(xué)工程指導(dǎo)教師：陸祖宏20110925要任何先驗(yàn)知識(shí)的非監(jiān)督封裝工具，填補(bǔ)了宏觀(guān)基因組研究的方法學(xué)空白。為了進(jìn)一步提高封裝的效果，更加重要的是對(duì)DNA序列之間，子串頻度的相似性給出更加科學(xué)的解釋和定義。我們引入了一種在數(shù)學(xué)和計(jì)算機(jī)科學(xué)領(lǐng)域被廣泛應(yīng)用的順序表相關(guān)性因子的距離定義：SpearmanFootrule距離。MetaCluste

2、r20在進(jìn)一步提高封裝精度的前提下，也大幅改善了程序的運(yùn)行效率，和同時(shí)期出現(xiàn)的封裝算法LikelyBin相比，基于相同的測(cè)試數(shù)據(jù)和軟硬件環(huán)境，在保證相同的封裝精度的前提下，MetaCluster20的速度是后者的3050倍。在MetaCluster30版本中，我們采用了“先自上而下分解，再由下而上融合“的封裝策略，從而解決了所有非監(jiān)督算法都面臨的物種間相對(duì)豐度差異較大的數(shù)據(jù)集的封裝問(wèn)題。實(shí)驗(yàn)結(jié)果表明，針對(duì)不同物種豐度比例的數(shù)據(jù)集，從最簡(jiǎn)

3、單的l：l到最復(fù)雜情況的l：24，MetaCluster30都能保持很高的分類(lèi)和封裝精度。此外我們利用種內(nèi)和種間SpearmanFootrule距離的分布特性，建立概率模型預(yù)測(cè)封裝數(shù)據(jù)集中物種的數(shù)量，和傳統(tǒng)的非監(jiān)督封裝算法相比，MetaCluster最新版本可以完全自動(dòng)的處理輸入數(shù)據(jù)集，不再需要人為預(yù)估數(shù)據(jù)集中物種的大概數(shù)量。從而真正意義上實(shí)現(xiàn)了完全非監(jiān)督的封裝?？紤]到生物學(xué)家在研究工作所遇到的實(shí)際需求，在20及以后的版本中，我們亦提供

4、針對(duì)封裝結(jié)果進(jìn)行物種分類(lèi)注釋的功能。可以在沒(méi)有相關(guān)物種參考序列，甚至沒(méi)有相似物種參考序列的情況為每一個(gè)封裝簇標(biāo)記上其可能物種分類(lèi)信息。從而為生物學(xué)家在探索完全未知微生物的工作中，提供了寶貴的第一手資料。本課題組正在從事國(guó)產(chǎn)高通量測(cè)序解決方案的開(kāi)發(fā)，因此我們?cè)诔Ｓ蒙镄畔W(xué)算法的基礎(chǔ)上開(kāi)發(fā)了基于“BrowserServer“結(jié)構(gòu)的商業(yè)化軟件AGSequenceAnalyst，并與東南大學(xué)生物電子學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室研發(fā)的AG系列高通量快速DN

5、A測(cè)序系統(tǒng)無(wú)縫集成。AGSequenceAnalyst提供了基礎(chǔ)的數(shù)據(jù)整理，錯(cuò)誤修正以及格式轉(zhuǎn)換等功能，以?xún)?yōu)化核心生物信息學(xué)算法的表現(xiàn)。此外該軟件還為用戶(hù)提供易用的圖形化用戶(hù)晃面，高效的多用戶(hù)并發(fā)任務(wù)流管理機(jī)制，嚴(yán)格的用戶(hù)及用戶(hù)文檔控制等功能，并能夠在后臺(tái)自動(dòng)清理分析流程產(chǎn)生的臨時(shí)文件，無(wú)需用戶(hù)額外處理。AGSequenceAnalyst直接安裝在AG系列高通量快速DNA測(cè)序系統(tǒng)的高性能計(jì)算服務(wù)器上，也為客戶(hù)省去了購(gòu)置計(jì)算硬件的高額成本