基因识别问题及其算法实现

《基因识别问题及其算法实现》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基因识别问题及其算法实现一、背景介绍DNA是生物遗传信息的载体，其化学名称为脱氧核糖核酸（Deoxyribonucleicacid，缩写为DNA）。DNA分子是一种长链聚合物，DNA序列由腺嘌呤（Adenine,A），鸟嘌呤（Guanine,G），胞嘧啶（Cytosine,C），胸腺嘧啶（Thymine,T）这四种核苷酸（nucleotide）符号按一定的顺序连接而成。其中带有遗传讯息的DNA片段称为基因（Gene）（见图1第一行）。其他的DNA序列片段，有些直接以自身构造发挥作用，有些则参与调控遗传讯息的表现。在真核生物的DNA序列中，基因通常

2、被划分为许多间隔的片段（见图1第二行），其中编码蛋白质的部分，即编码序列（CodingSequence）片段，称为外显子（Exon），不编码的部分称为内含子（Intron）。外显子在DNA序列剪接（Splicing）后仍然会被保存下来，并可在基因（Gene）DNA序列外显子(Exon)内含子(Intron)图1真核生物DNA序列（基因序列）结构示意图蛋白质合成过程中被转录（transcription）、复制（replication）而合成为蛋白质（见图2）。DNA序列通过遗传编码来储存信息，指导蛋白质的合成，把遗传信息准确无误地传递到蛋白质（pr

3、otein）上去并实现各种生命功能。基因（Gene）DNA序列剪接、转录、复制蛋白质序列图2蛋白质结构示意图对大量、复杂的基因序列的分析，传统生物学解决问题的方式是基于分子实验的方法，其代价高昂。诺贝尔奖获得者W.吉尔伯特（WalterGilbert，1932—；【美】，第一个制备出混合脱氧核糖核酸的科学家）1991年曾经指出：“现在，基于全部基因序列都将知晓，并以电子可操作的方式驻留在数据库中，新的生物学研究模式的出发点应是理论的。一个科学家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设。”随着世界人类基因组工程计划的顺利完成，通

4、过物理或数学的方法从大量的DNA序列中获取9丰富的生物信息，对生物学、医学、药学等诸多方面都具有重要的理论意义和实际价值，也是目前生物信息学领域的一个研究热点。二、数字序列映射与频谱3-周期性：对给定的DNA序列，怎么去识别出其中的编码序列（即外显子），也称为基因预测，是一个尚未完全解决的问题，也是当前生物信息学的一个最基础、最首要的问题。基因预测问题的一类方法是基于统计学的[1]。很多国际生物数据网站上也有“基因识别”的算法。比如知名的数据网站http://genes.mit.edu/GENSCAN.html提供的基因识别软件GENSCAN（由

5、斯坦福大学研究人员研发的、可免费使用的基因预测软件）,主要就是基于隐马尔科夫链（HMM）方法。但是，它预测人的基因组中有45000个基因，相当于现在普遍认可数目的两倍。另外，统计预测方法通常需要将编码序列信息已知的DNA序列作为训练数据集来确定模型中的参数，从而提高模型的预测水平。但在对基因信息了解不多的情况下，基因识别的准确率会明显下降。因此在目前基因预测研究中，采用信号处理与分析方法来发现基因编码序列也受到广泛重视[4]。1.数字序列映射在DNA序列研究中，首先需要把A、T、G、C四种核苷酸的符号序列，根据一定的规则映射成相应的数值序列，以便

6、于对其作数字处理。令，长度（即核苷酸符号个数，又称碱基对（BasePair）长度，单位记为bp）为N的任意DNA序列，可表达为即A、T、G、C的符号序列：。现对于任意确定的，令，称之为Voss映射[5]，于是生成相应的0-1序列（即二进制序列）：，()。例如，假设给定的一段DNA序列片段为S=ATCGTACTG，则所生成的四个0-1序列分别为：9：；：；：；：。这样产生的四个数字序列又称为DNA序列的指示序列(indicatorSequence)。2.频谱3-周期性为研究DNA编码序列（外显子）的特性，对指示序列分别做离散Fourier变换(DF

7、T)(1)以此可得到四个长度均为N的复数序列，。计算每个复序列的平方功率谱，并相加则得到整个DNA序列的功率谱序列：(2)对于同一段DNA序列，其外显子与内含子序列片段的功率谱通常表现出不同的特性图3编号为BK006948.2的酵母基因DNA序列的功率谱（因为对称性，实际这里只给出了功率谱图的一半）。(a)上图是基因上一段外显子(区间为[81787，82920]，长1134bp)对应的指示序列映射的功率谱，它具有3-周期性；(b)下图是基因上一段内含子（区间为[96361,97551]，长1191bp）的指示序列的功率谱，它不具有3-周期性。可以

8、看到：外显子序列的功率谱曲线在频率处，具有较大的频谱峰值(PeakValue)，而内含子则没有类似的峰值。这种统计现象被称为碱基的3-周