仿生计算在生物信息学中的应用

论文摘要

在过去的几年间，计算机仿生计算在生命科学和医学的各个领域愈来愈起着前所未有的重要作用。计算机在序列分析中的应用，掀起了生物信息学的第一个高潮，但这个方面至今还有许多重要的问题尚未解决，其中的一个重要原因是计算的速度和效率还不能满足数据处理的需要。 随着基因组和其它测序项目的不断进展，研究的重点正逐步从积累数据转移到如何来解释这些数据。生物学的新发现将极大地依赖我们在多个维度和不同尺度下对多样化数据进行组合和关联的分析能力。 在数据量呈几何级数增长的情况下，生物信息的存储、获取、联网、处理和浏览以及可视化等方面，都对理论、算法和软件的发展提出了迫切的需求。 计算机科学也从生命系统中获得启示，通过对生命活动的分析和模仿，产生了许多新的概念，包括：遗传算法、人工神经网络、计算机病毒和人造免疫系统、DNA计算、人工生命。这样的学科交叉丰富了各个相关领域，将在未来的岁月中得到进一步的发展。 在本文中，结合生物信息学中的应用，我们使用了基于生物启发的仿生计算方法，如遗传算法，覆盖算法，蚁群算法等。这些构成了一个有趣的循环，从生命中来，到生命中去，这是本论文的研究特色和中心任务。 在本文中，我们以分子生物学的核心定律——中心法则为框架，简要介绍了生物信息学研究所牵涉到的生物学概念，对生物信息学的研究内容、研究方法作了概要的介绍。着重研究了生物信息学的一个重要研究对象蛋白质的性质和特点，以及蛋白质研究的结构分类方法；介绍了蛋白质结构研究的现状，综合研究和分析了蛋白质研究中所采用的各种方法的技术特点。同时对微阵列基因芯片的原理和作用给予扼要的介绍。 本文具体分析了人工神经网络中的一种——FP神经网络的覆盖算法，讨论了

论文目录

• 摘要
• Abstract：
• 第一章 绪言
• 1.1 基于生物启发的仿生计算
• 1.2 生物信息学
• 1.3 论文主要内容和章节安排
• 第二章 生物和生物信息学概念
• 2.1 概述
• 2.2 分子生物学的核心—中心法则
• 2.2.1 DNA的复制
• 2.2.2 转录
• 2.2.3 翻译
• 2.4.4 mRNA的反转录与cDNA
• 2.3 生物信息学的研究内容
• 2.4 生物信息学的研究方法
• 2.4.1 数学统计方法
• 2.4.2 动态规划方法
• 2.4.3 机器学习与模式识别技术
• 2.4.4 数据库技术和数据挖掘
• 2.4.5 人工神经网络技术
• 2.4.6 专家系统
• 2.4.7 分子模型化技术
• 2.4.8 量子力学和分子力学计算
• 2.4.9 生物分子计算机模拟
• 2.4.10 因特网（Internet）技术
• 2.5 生物信息学的研究意义
• 第三章 蛋白质知识和微阵列技术
• 3.1 氨基酸和蛋白质组成
• 3.1.1 氨基酸
• 3.1.2 蛋白质
• 3.2 蛋白质结构及其测定
• 3.2.1 蛋白质结构
• 3.2.2 蛋白质结构与功能关系
• 3.2.3 蛋白质结构的测定技术
• 3.3 蛋白质结构预测研究现状
• 3.3.1 二级结构的预测方法
• 3.2.2 三级结构预测
• 3.4 微阵列技术
• 3.4.1 基因表达
• 3.4.2 微阵列技术
• 3.5 本章小结
• 第四章 覆盖算法在生物信息学中的应用
• 4.1 人工神经网络
• 4.2 FP覆盖算法
• 4.2.1 FP神经网络
• 4.2.2 覆盖算法的几何含义
• 4.2.3 覆盖算法分析
• 4.3 贪婪覆盖算法
• 4.3.1 覆盖算法神经网络构造
• 4.3.2 贪婪覆盖算法
• 4.3.3 实验与分析
• 4.4 基于profile编码方案的蛋白质二级结构预测
• 4.4.1 引言
• 4.4.2 二级结构的编码方法
• 4.4.3 测试数据集的选择
• 4.4.4 数据的训练和测试
• 4.4.5 二级结构的预测目标
• 4.4.6 结果与讨论
• 4.5 微阵列数据的分类方法
• 4.5.1 引言
• 4.5.2 覆盖算法神经网络构造步骤
• 4.5.3 数据预处理
• 4.5.4 处理过程简述
• 4.5.5 结果与讨论
• 4.6 本章小结
• 第五章 遗传算法在蛋白质二维晶格模型中的应用
• 5.1 遗传算法
• 5.1.1 概述
• 5.1.2 遗传算法运算流程
• 5.1.3 遗传算法的基本操作
• 5.2 应用遗传算法的二维HP蛋白质模型预测
• 5.2.1 概述
• 5.2.2 蛋白质的二维HP模型
• 5.2.3 坐标系统
• 5.2.4 具有二维变异算子的遗传算法对HP晶格模型的优化
• 5.2.5 其它的附加操作
• 5.2.6 算法步骤
• 5.2.7 结果与讨论
• 5.2.8 小结
• 5.3 本章小结
• 第六章 基于蚁群算法的蛋白质HP模型的折叠优化
• 6.1 蚁群算法
• 6.1.1 概述
• 6.1.2 人工蚁的特点
• 6.1.3 蚁群算法的原理
• 6.1.4 三种基本系统模型
• 6.1.5 改进的蚁群算法
• 6.2 基于蚁群算法的三维HP蛋白质模型预测
• 6.2.1 三维HP模型
• 6.2.2 目前的研究状况
• 6.2.3 坐标系统和序列的表示方法
• 6.2.4 构像的形成
• 6.2.5 自回避问题的处理
• 6.2.6 算法细节的几个优化
• 6.2.7 信息素的处理方法
• 6.2.8 局部搜索机制
• 6.2.9 计算过程
• 6.2.10 结果分析与讨论
• 6.3 本章小结
• 第七章 总结与展望
• 7.1 本文研究的主要内容和创新点
• 7.2 进一步的研究工作
• 参考文献
• 致谢
• 攻读学位期间发表的论文