生物序列模式挖掘的研究与应用

论文摘要

人类基因组计划启动以来,越来越多物种的基因序列被测出,积累了大量的基因序列信息。与此同时各种蛋白质一级结构,即多肽链的氨基酸残基的排列顺序也在不断被探测出来。这些生物序列数据被存储在世界各地的数据库中,为生物的研究提供了巨量数据。但是有了巨量的数据并不意味着拥有了知识。如何从海量数据中获得有价值的知识、探求生物序列中的规律、挖掘蕴藏的意义,成为当前生物信息学研究的热点和难点。生物序列数据是最重要的生物数据之一,通过对生物序列的分析,我们可以发现物种的遗传规律、物种间的关系等。相关研究对于人类探求生命本质、寻找改造动植物的方法、治疗疾病的药物的研发等具有重要价值与意义。本文分析了生物序列数据的特征,并通过对当前生物序列模式挖掘方法研究中一些问题的探讨,本文取得了如下成果:1)生物序列模式具有复杂的特性,为了更有效地对其进行挖掘,本文设计了一个新的生物序列模式挖掘算法--MS-BioSM。MS-BioSM算法采用新的剪枝方法改进已有的prefixspan算法,同时综合考虑分布式支持度和局部支持度,从而寻找到满足一定阈值且更符合生物意义的序列模式。实验结果表明该算法有效降低了时间和空间的复杂度,并且挖掘出更有生物意义的序列模式。2)转录因子结合位点是一种重要的生物序列模式,同时具有自身的特点,为了更加准确的预测转录因子结合位点,本文设计了GBMM算法—基于遗传算法优化的多重马尔可夫模型。在实验中,通过对生物基因序列中的字符及字符片断间转移概率进行统计分析,建立多个马尔可夫状态转移矩阵,并采用遗传算法优化这些转移矩阵间组合,最终获得综合预测模型。在真实数据集上的实验表明算法具有较高准确率。3)本文结合数据挖掘技术提出了生物序列数据上的主要操作,给出了一个新型的生物序列数据库管理系统体系结构。为生物信息学研究提供一个有效的支持平台。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 生物学背景
• 1.2 生物数据挖掘技术
• 1.3 研究意义
• 1.4 本文工作
• 1.5 文章结构
• 第2章 序列模式挖掘与结合位点预测研究现状
• 2.1 序列模式挖掘研究现状
• 2.1.1 基本概念
• 2.1.2 生物序列相似性
• 2.1.3 生物序列模式挖掘
• 2.1.4 生物序列模式挖掘状况
• 2.2 转录因子结合位点研究现状
• 2.2.1 基本概念
• 2.2.2 研究意义
• 2.2.3 转录因子结合位点研究状况
• 2.3 本章小结
• 第3章 挖掘基于多支持度的频繁模式
• 3.1 相关工作
• 3.2 问题定义
• 3.3 基于多支持度的生物序列模式挖掘算法
• 3.4 实验结果和分析
• 3.5 本章小结
• 第4章 GBMM:一个结合位点预测算法
• 4.1 引言
• 4.2 问题描述
• 4.3 算法
• 4.4 实验
• 4.5 本章小结
• 第5章 生物序列数据库管理系统体系结构
• 5.1 引言
• 5.2 相关研究
• 5.3 生物序列操作
• 5.3.1 生物序列数据的表示及其特征
• 5.3.2 生物序列数据操作
• 5.4 生物序列数据库管理系统体系结构
• 5.5 本章小结
• 总结
• 参考文献
• 附录
• 致谢