面向基因预测的信息处理方法研究

面向基因预测的信息处理方法研究

论文摘要

生物信息学是一门新兴交叉学科,面对人类基因组计划所产生的庞大的分子生物学数据,生物信息学的重要性将越来越突出,它无疑将会为生命科学的研究带来革命性的变革。基因预测是生物信息学中的重要研究领域,而基因5’exons预测又是其研究的重点和难点,其研究成果不仅对于建立完整的基因预测模型具有重要的意义,而且对于进行基因表达、基因调控、基因功能预测和生物医学工程等研究具有重要的指导价值。 本文根据基因5’exons预测存在的问题,从探索基因区域尤其是基因5’exons区域的信号特征入手,结合生物学理论,运用统计学等方法,抽取出反映该区域特点的序列特征模式,并据此对基因序列进行分类预测;同时根据基因5’exons区域预测问题的目标和特点,设计了相应有效的基因预测算法;并在对现有的基因预测算法进行综合的基础上,建立了基于统计组合与基因特征分类的基因预测模型,从基因特征、预测算法和综合预测三个层次上提高了预测的精度。具体而言,本论文主要研究工作有: (1)在基因预测现有研究工作的基础上,设计了一个用于基因5’exons预测的总体框架。该框架针对基因5’exons的特点,根据基因局部区域特征对序列进行分类,按照不同类的特点设计相应的预测算法,并运用统计组合思想将多种信息处理方法综合起来进行基因5’exons预测。在该框架的基础上构建了基于统计组合与基因特征分类的基因5’exons预测模型。 (2)从生物学理论出发,运用统计学等方法分析了基因5’exons区域三种局部特征—CpG岛、TATA-框和DPE,提出了一种基于基因特征的分类预测方法。分类预测的优势在于针对不同类的基因序列能够构建相应的基因预测程序分别进行预测,预测程序在构建的过程中更有针对性,能够有效地提高算法预测的精度。 (3)从信息论的角度出发,对基因序列进行了多重分形谱分析,得到了基因5’exons区域序列的特点,以此为基础分析了基因5’exons预测问题中存在的难点,指出了遗传算法在基因5’exons预测中的优势,针对现有用于基因预测的

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 生物信息学概述
  • 1.1.1 生物信息学的产生和发展
  • 1.1.2 生物信息学的研究内容
  • 1.2 基因预测简介
  • 1.2.1 基因预测概述
  • 1.2.2 基因预测的研究现状
  • 1.2.3 基因5’exons预测的研究现状
  • 1.3 本文的研究目的、内容及创新之处
  • 1.3.1 本文的研究目的与思路
  • 1.3.2 基因5’exons预测的整体框架
  • 1.3.3 本文的主要研究内容
  • 1.3.4 本文研究工作的特色与创新
  • 1.4 本文内容的安排
  • 1.5 本章小结
  • 参考文献
  • 第二章 基本概念、数据库和工具
  • 2.1 基因相关定义
  • 2.2 基因相关的数据库和工具
  • 2.3 本章小结
  • 参考文献
  • 第三章 基于基因特征分类的基因预测算法研究
  • 3.1 基因特征简介
  • 3.1.1 基因特征位点概述
  • 3.1.2 探索基因特征
  • 3.2 真核基因组特点
  • 3.2.1 基因组规模
  • 3.2.2 复杂的基因结构
  • 3.2.3 复杂的基因转录调控方式
  • 3.2.4 可变剪接
  • 3.2.5 CpG岛
  • 3.2.6 等值区
  • 3.2.7 密码子使用偏性
  • 3.3 基于基因特征分类的基因预测算法
  • 3.3.1 基于基因特征分类的预测算法框架
  • 3.3.2 CpG岛分析
  • 3.3.3 TATA框分析
  • 3.3.4 DPE(下游转录因子)分析
  • 3.3.5 LDA与QDA
  • 3.3.6 实验结果与分析
  • 3.4 本章小结
  • 参考文献
  • 第四章 用于基因预测的免疫遗传算法
  • 4.1 基因序列的多重分形谱分析
  • 4.1.1 离散信号的多重分形谱
  • 4.1.2 实验结果分析
  • 4.2 用于基因预测的免疫遗传算法
  • 4.2.1 个体多样性和群体收敛性
  • 4.2.2 免疫遗传算法基本思想
  • 4.2.3 免疫遗传算法框架
  • 4.2.4 免疫遗传算法的性能分析
  • 4.2.5 实验与分析
  • 4.2.6 免疫遗传算法(IGA)参数的讨论
  • 4.3 本章小结
  • 参考文献
  • 第五章 基于统计组合与基因特征分类的基因预测模型
  • 5.1 基于统计组合的基因预测算法
  • 5.1.1 现状分析
  • 5.1.2 基于统计组合的基因预测算法框架
  • 5.1.3 基于线性组合的基因预测算法
  • 5.1.4 基于统计组合的基因预测算法
  • 5.1.5 实验结果与分析
  • 5.2 基于统计组合与基因特征分类的基因预测模型
  • 5.2.1 基于统计组合与基因特征分类的基因预测模型框架
  • 5.2.2 基于统计组合与基因特征分类的基因预测算法步骤
  • 5.2.3 实验结果及分析
  • 5.3 本章小结
  • 参考文献
  • 第六章 总结与展望
  • 6.1 本文的主要研究成果与创新之处
  • 6.2 后续的主要工作
  • 6.3 结束语
  • 致谢
  • 作者在攻读博士学位期间完成的论文
  • 作者在攻读博士学位期间参加的科研项目
  • 相关论文文献

    • [1].生物信息学2019年第17卷总目次[J]. 生物信息学 2019(04)
    • [2].循证医学中的生物信息学应用及教学初步探讨[J]. 科技创新导报 2019(27)
    • [3].短学时情况下生物信息学课程教学改革——以重庆师范大学为例[J]. 西部素质教育 2020(05)
    • [4].国外生物信息学教育研究概述及其启示[J]. 廊坊师范学院学报(自然科学版) 2020(01)
    • [5].导师定制的个性化生物信息学课程教学研究[J]. 安徽农业科学 2019(15)
    • [6].主题式生物信息学教学理论和实践初索[J]. 教育教学论坛 2018(22)
    • [7].《生物信息学》课程教学模式探讨[J]. 生物信息学 2018(02)
    • [8].生物信息学2016年第14卷总目次[J]. 生物信息学 2016(04)
    • [9].新技术背景下对生物信息学教育的重新审视[J]. 课程教育研究 2017(09)
    • [10].生物信息学的本科教学实践[J]. 时代教育 2018(01)
    • [11].《生物信息学》试卷库建设的研究与实践[J]. 考试周刊 2018(85)
    • [12].浅谈如何提高生物信息学教学质量[J]. 散文百家(新语文活页) 2016(12)
    • [13].结核分枝杆菌蛋白Rv0694的生物信息学分析[J]. 科学中国人 2017(03)
    • [14].大学生物信息学教材浅析[J]. 散文百家(新语文活页) 2017(01)
    • [15].以实践为主的生物信息学教学改革及成效[J]. 教育现代化 2019(61)
    • [16].生物信息学本科人才培养的调研与思考[J]. 生物信息学 2018(02)
    • [17].生物信息学教学模式改革探究[J]. 新智慧 2018(07)
    • [18].理解生物信息学[J]. 新疆农业科学 2012(02)
    • [19].刍议计算机科学在生物信息学领域的运用[J]. 信息与电脑(理论版) 2012(22)
    • [20].农业院校生物信息学发展现状和建议[J]. 甘肃科技 2017(22)
    • [21].生物信息学本科学位课程发展思考[J]. 中国大学教学 2018(03)
    • [22].生物信息学:神秘的新职业[J]. 科学新闻 2014(18)
    • [23].中国医药数学会主办2011年暑期生物信息学科研与教学培训班[J]. 数理医药学杂志 2011(05)
    • [24].国际整合生物信息学[J]. 国际学术动态 2012(06)
    • [25].应用型专业生物信息学教学体系改进与实践[J]. 生物学杂志 2018(04)
    • [26].保留传统课堂的魅力:论生物信息学本科教学[J]. 教育教学论坛 2018(40)
    • [27].生物信息学高性能教学平台的建立与实践[J]. 实验室研究与探索 2015(10)
    • [28].欢迎订阅《生物信息学》[J]. 生物信息学 2014(04)
    • [29].生物信息学专业规划的理念与实践[J]. 教书育人 2010(33)
    • [30].《生物信息学》征稿启事[J]. 生物信息学 2008(02)

    标签:;  ;  ;  ;  

    面向基因预测的信息处理方法研究
    下载Doc文档

    猜你喜欢