资源描述：
《基因识别问题及其算法实现56663》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、基因识别问题及其算法实现背景介绍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)cDNA分了是一种氏链聚合物，DNA序列由腺嚓吟^Adenine,A),鸟瞟吟(Guanin匕G),胞懈定(Cytosine,C),胸腺口密碇(.Thymine,T)这四种核昔酸｛nucleotide)符号按—定的顺序连接而成。其中带冇遗传讯息的DNA片段称为棊因(Gene)(见图1第一行)。其他的DMA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QNA序列中，基因通常被
2、划分为许多间隔的片段(见图1第二行)，其小编码蛋白质的部分，即编码序列(CodingSequent)片段，称为外显了(Exon),不编码的部分称为内含了(Imron)。外显了在DNA序列剪接(Splicing)示仍然会被保存下来，并可在DNA序歹I」外显子(Ewn)内含子(Intron)图1真核生物DNA序列(基因序列)结构示意图DNA丿予列基因(Gene)图2蛋白质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序列通过遗传编码來储存信息，指导蛋口质的合成，把遗传信息
3、准确无误地传递到蛋白质(protein)上去并实现各种生命功能。蛋白质序列对大量、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，通过物理或数学的方法从人最的DNA序
4、列屮获取丰富的生物信息，对牛物学、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，怎么去识别岀其屮的编码序列（即外显了），也称为基因预测，是一个尚未完全解决的问题，也是当前牛•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山。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（III斯坦福大学研究人员研发的、可免费
5、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，它预测人的基因组屮有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來发现基因编码序列也受到广泛重视⑷。1.数字序列映射在DVA序列研究屮，首先需要把4、T、G、C四种核廿酸的符号序列，根据一定的规则映射成相应的数值序列，以便于对其作数字处理。令/={A,7G
6、,C},长度（即核廿酸符号个数，又称碱基对（BasePair）长度，单位记为切）为N的任意DVA序列，可表达为S={S[n]IS[n]gZ,〃=0,1,2,・・・N—1}即A、T、G、C的符号序列S：S[0],S[l],…,S[N—1]。现对于任意确定的fee/,令S[n]=bS[n]^b称之为映射⑸，于是牛成相应的0-1序列（即二进制序列）[uh[n]}：®[0],坷[1],…，,例如，假设给定的一段DNA序列片段为S=ATCGTACTG，贝9所牛•成的四个0-1序列分别为：[uA[n]｝：｛1,0,0,0,0,1,0,0,0｝；｛〜[〃]｝：
7、｛0,0,0,1,0,0,0,0,1｝；｛%[切｝：｛0,0,1,0,0,0,1,0,0｝；[uT[n]｝：｛0,1,0,0,1,0,0,1,0｝。这样产生的四个数字序列又称为DNA序列的指示序列(indicatorSequence)o1.频谱3■周期性为研究DVA编码序列(外显了)的特性，对指示序列分别做离散斤〃加纣变换(DFQN-_j2mk如幻=2＞山]厂右，k=0,l,・・・,N-l(I)7?=0以此可得到四个长度均为N的复数序列｛Ub[k]｝f处八计算每个复序列｛Ub[k]｝的平方功率谱，并相加则得到整个DNA序列S的功率谱序列[P[k
8、]｝：P[幻=
9、匕[幻『+也[幻『+氏伙『+PcW『,R=0,l,・・・N_l(2)对于同一段DNA序列，其外显子与内含子序列片段的功率
