蛋白質(zhì)同源檢測(cè)中的算法研究.pdf

1、自從人類(lèi)基因組計(jì)劃實(shí)施以來(lái)，各種類(lèi)型的生物數(shù)據(jù)每年都呈指數(shù)級(jí)的增長(zhǎng)，這樣海量的數(shù)據(jù)需要從中挖掘出有用的知識(shí)來(lái)幫助人們進(jìn)一步解釋生命現(xiàn)象。生物信息學(xué)就是這樣一門(mén)應(yīng)運(yùn)而生的學(xué)科。生物信息學(xué)中出現(xiàn)的大規(guī)模數(shù)據(jù)給常規(guī)的計(jì)算機(jī)算法提出了挑戰(zhàn)。由于生物系統(tǒng)本質(zhì)上的復(fù)雜性及人們對(duì)分子層面上生命組織理論的缺乏，傳統(tǒng)的算法越來(lái)越不適應(yīng)和解決生物信息學(xué)中出現(xiàn)的問(wèn)題?；跀?shù)據(jù)的機(jī)器學(xué)習(xí)是現(xiàn)代信息技術(shù)的重要研究?jī)?nèi)容，機(jī)器學(xué)習(xí)的目的是期望能從數(shù)據(jù)中自動(dòng)地獲得相應(yīng)

2、的理論，其主要任務(wù)是從有限的觀測(cè)樣本數(shù)據(jù)中尋找出應(yīng)用經(jīng)典理論難以推導(dǎo)出的規(guī)律性的東西，進(jìn)而將這種規(guī)律擴(kuò)展到研究對(duì)象的全局，并對(duì)事物的發(fā)展進(jìn)行預(yù)測(cè)和推理。因此，機(jī)器學(xué)習(xí)方法形成了與常規(guī)方法互補(bǔ)的可行的方法。機(jī)器學(xué)習(xí)使得利用計(jì)算機(jī)從海量的生物信息中提取有用知識(shí)并發(fā)現(xiàn)知識(shí)成為可能。因而，生物信息學(xué)與機(jī)器學(xué)習(xí)相結(jié)合也就成了必然。 蛋白質(zhì)同源檢測(cè)是生物信息學(xué)中的一個(gè)分支，是指利用蛋白質(zhì)序列間的同源性將新測(cè)定的蛋白質(zhì)序列分類(lèi)到已知結(jié)構(gòu)和功能

3、的蛋白質(zhì)家族中去，利用已知蛋白質(zhì)家族的結(jié)構(gòu)和功能來(lái)預(yù)測(cè)新測(cè)定蛋白質(zhì)的結(jié)構(gòu)和功能。近年來(lái)，出現(xiàn)了很多新的蛋白質(zhì)同源檢測(cè)的方法和算法，并取得了一定的成功。盡管如此，跟任何新的技術(shù)一樣，現(xiàn)有的蛋白質(zhì)同源檢測(cè)方法還有很多不足，尤其是在蛋白質(zhì)序列之間的相似性很低的情況下(也就是遠(yuǎn)程同源檢測(cè))，現(xiàn)有方法的表現(xiàn)不是很令人滿(mǎn)意。本文正是以此為出發(fā)點(diǎn)，針對(duì)蛋白質(zhì)同源檢測(cè)，尤其是遠(yuǎn)程同源檢測(cè)問(wèn)題進(jìn)行了研究，并結(jié)合機(jī)器學(xué)習(xí)提出了相應(yīng)的新算法。本文的工作主要包

4、括以下幾個(gè)方面： 1)提出了一種基于馬爾科夫隨機(jī)場(chǎng)的雙序列比對(duì)算法。馬爾科夫隨機(jī)場(chǎng)(MarkovRandomField，簡(jiǎn)稱(chēng)為MRF)理論是模式識(shí)別中用于計(jì)算局部統(tǒng)計(jì)相關(guān)的一種理論。利用MRF理論，本文提出了一種新的馬爾科夫雙蛋白質(zhì)序列比對(duì)算法(Markovpairwiseproteinsequencealignment，MPPSA)。由于該方法考慮了相鄰氨基酸之間的局部相互作用，所以取得了較好的效果。 2)提出了一種混

5、合GA/SVM蛋白質(zhì)同源檢測(cè)方法。本文描述了一種基于蛋白質(zhì)組成和模體(motif)的混合GA/SVM蛋白質(zhì)同源檢測(cè)方法。首先，利用motif和蛋白質(zhì)組成，每條蛋白質(zhì)序列被轉(zhuǎn)換成一個(gè)固定維數(shù)的向量。然后，我們將向量利用主分量分析(PrincipalComponentAnalysis，PCA)投影到低維空間中。這樣，每個(gè)向量就由這些向量的協(xié)方差矩陣的本征向量的組合來(lái)描述。接著，通過(guò)遺傳算法(GeneticAlgorithm，GA)從特征空間

6、中提取具有生物意義的特征子集。同時(shí)，遺傳算法還優(yōu)化了支持向量機(jī)的調(diào)節(jié)參數(shù)。最后，基于所選擇的特征子集和優(yōu)化后的調(diào)節(jié)參數(shù)，支持向量機(jī)將蛋白質(zhì)序列分類(lèi)到相應(yīng)的家族中去。與現(xiàn)有的方法，比如PSIBLAST和SVM-pairwise相比，我們提出的算法具有較好的性能。 3)提出了一種基于親水模塊的蛋白質(zhì)同源檢測(cè)方法。親水性是蛋白質(zhì)的一種重要的物理化學(xué)性質(zhì)。本文根據(jù)氨基酸的親水性強(qiáng)弱將其劃分為不同的親水模塊。首先，利用蛋白質(zhì)序列中親水模塊

7、的出現(xiàn)頻率，每條蛋白質(zhì)序列被轉(zhuǎn)換為一個(gè)特征向量。利用所生成的特征向量，支持向量機(jī)將蛋白質(zhì)序列分類(lèi)到已知蛋白質(zhì)家族中去。與現(xiàn)有的方法相比，我們所提出的算法能更好的識(shí)別屬于同一家族的蛋白質(zhì)序列。 4)構(gòu)造了一種具有動(dòng)態(tài)學(xué)習(xí)率的蛋白質(zhì)序列混合模型聚類(lèi)算法。在本文中，蛋白質(zhì)序列所生成的向量可以看作是由某個(gè)未知的混合概率密度函數(shù)所生成的。最近提出的RPEM算法能同時(shí)在學(xué)習(xí)過(guò)程中自動(dòng)確定混合數(shù)目和估計(jì)模型參數(shù)。但是，RPEM算法的性能對(duì)學(xué)習(xí)