分類與聚類技術(shù)在蛋白質(zhì)序列中的應(yīng)用.pdf

1、自從人類基因組計劃實施以來，各種類型的生物數(shù)據(jù)每年都呈指數(shù)級的增長，這樣海量的數(shù)據(jù)需要從中挖掘出有用的知識來幫助人們進一步解釋生命現(xiàn)象。生物信息學(xué)就是這樣一門應(yīng)運而生的學(xué)科。生物信息學(xué)中出現(xiàn)的大規(guī)模數(shù)據(jù)給常規(guī)的計算機算法提出了挑戰(zhàn)。準(zhǔn)確、高效的對基因序列數(shù)據(jù)進行分析并挖掘出隱藏在其中的對人類有用的信息是非常必要的。數(shù)據(jù)挖掘作為一種以數(shù)據(jù)庫、統(tǒng)計學(xué)和人工智能學(xué)為基礎(chǔ)的新興技術(shù)，給生物學(xué)家提供了前所未有的數(shù)據(jù)分析工具，為蛋白質(zhì)信息的分析和提

2、取提供了強有力的手段。聚類和分類技術(shù)正是能夠?qū)Υ罅炕驍?shù)據(jù)進行分析的技術(shù)。 本文主要研究了分類和聚類算法在蛋白質(zhì)序列中的應(yīng)用，主要內(nèi)容如下： 1. 介紹了蛋白質(zhì)序列聚類與分類的研究目的和意義、聚類與分類的常用方法、國內(nèi)外研究現(xiàn)狀。介紹了本文的研究內(nèi)容；介紹了本文的內(nèi)容安排和主要研究成果。 2. 介紹了蛋白質(zhì)序列分類的常用方法：點陣法、Needleman-Wunsch 方法、Smith-Waterman 方法、隱馬

3、爾可夫模型及概率后綴樹方法，同時介紹了基于模型的聚類方法期望最大化(EM)和競爭懲罰期望最大化(RPEM）方法。RPEM 能在學(xué)習(xí)過程中同時完成模型選擇和參數(shù)估計。詳述了基于頻繁模式的分類方法，此方法根據(jù)蛋白質(zhì)序列數(shù)據(jù)的特性設(shè)計了一個挖掘連續(xù)頻繁模式的方法，對每類數(shù)據(jù)挖掘得到的頻繁模式進行類間裁減。用每類獨有的頻繁序列對測試數(shù)據(jù)進行分類,并給出實驗結(jié)果和性能分析。 3．現(xiàn)有的基于頻繁模式的蛋白質(zhì)分類方法，未能解決由于完全頻繁序列

4、集繁多所導(dǎo)致的挖掘效率低下及模式裁減繁瑣等問題。本文通過采用最大頻繁序列挖掘方法,把最大頻繁序列集引入到前期的挖掘過程中。該算法直接產(chǎn)生最大頻繁序列，通過每類的最大頻繁模式表示各類數(shù)據(jù).一個類中的獨有最大頻繁模式作為該類物種的代表，與其它類有較好的分辨率。測試數(shù)據(jù)通過各類的最大頻繁模式計算自己所屬的種類，從SWISS-PROT數(shù)據(jù)庫部分實驗數(shù)據(jù)結(jié)果可得出，該方法使分類精確度有了一定的提高，從而驗證了該方法的有效性。實驗表明該算法在繼承現(xiàn)

5、有算法的優(yōu)點的同時提高了結(jié)果的精確度，降低了模式的冗余度。此應(yīng)用增加了分類的生物信息學(xué)意義。 4.構(gòu)造了一種具有可適應(yīng)性學(xué)習(xí)率的蛋白質(zhì)序列混合模型聚類算法。在本文中，蛋白質(zhì)序列所生成的向量可以看作是由某個未知的混合概率密度函數(shù)所生成的。將蛋白質(zhì)序列聚類應(yīng)用到己知結(jié)構(gòu)和功能的蛋白質(zhì)家族中是蛋白質(zhì)功能預(yù)測的一條途徑。 已經(jīng)有很多聚類方法被應(yīng)用到蛋白質(zhì)序列聚類中來，但是大多數(shù)聚類算法是啟發(fā)式的，需要事先確定聚類數(shù)目，這在現(xiàn)實中

6、是很困難的?；谀Ｐ偷木垲惙椒榇颂峁┝艘粭l途徑。最近提出的競爭懲罰期望最大化算法能同時在學(xué)習(xí)過程中自動確定混合數(shù)目和估計模型參數(shù)。但是，競爭懲罰期望最大化算法的性能對學(xué)習(xí)率的選擇非常敏感，如果學(xué)習(xí)率選擇不當(dāng)?shù)脑?，競爭懲罰期望最大化算法的性能就會很差。因此，本文提出了一種能在學(xué)習(xí)過程中具有可適應(yīng)性學(xué)習(xí)率的RPEM蛋白質(zhì)序列聚類算法。在給定初始學(xué)習(xí)率的情況下，該算法能自動在學(xué)習(xí)過程中調(diào)節(jié)學(xué)習(xí)率，加快了算法的收斂速度，提高了算法性能。本文利