分類與聚類技術在蛋白質序列中的應用.pdf

1、自從人類基因組計劃實施以來，各種類型的生物數據每年都呈指數級的增長，這樣海量的數據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象。生物信息學就是這樣一門應運而生的學科。生物信息學中出現的大規模數據給常規的計算機算法提出了挑戰。準確、高效的對基因序列數據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。數據挖掘作為一種以數據庫、統計學和人工智能學為基礎的新興技術，給生物學家提供了前所未有的數據分析工具，為蛋白質信息的分析和提

2、取提供了強有力的手段。聚類和分類技術正是能夠對大量基因數據進行分析的技術。 本文主要研究了分類和聚類算法在蛋白質序列中的應用，主要內容如下： 1. 介紹了蛋白質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、國內外研究現狀。介紹了本文的研究內容；介紹了本文的內容安排和主要研究成果。 2. 介紹了蛋白質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 能在學習過程中同時完成模型選擇和參數估計。詳述了基于頻繁模式的分類方法，此方法根據蛋白質序列數據的特性設計了一個挖掘連續頻繁模式的方法，對每類數據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據進行分類,并給出實驗結果和性能分析。 3．現有的基于頻繁模式的蛋白質分類方法，未能解決由于完全頻繁序列

4、集繁多所導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。該算法直接產生最大頻繁序列，通過每類的最大頻繁模式表示各類數據.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。測試數據通過各類的最大頻繁模式計算自己所屬的種類，從SWISS-PROT數據庫部分實驗數據結果可得出，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

5、有算法的優點的同時提高了結果的精確度，降低了模式的冗余度。此應用增加了分類的生物信息學意義。 4.構造了一種具有可適應性學習率的蛋白質序列混合模型聚類算法。在本文中，蛋白質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所生成的。將蛋白質序列聚類應用到己知結構和功能的蛋白質家族中是蛋白質功能預測的一條途徑。 已經有很多聚類方法被應用到蛋白質序列聚類中來，但是大多數聚類算法是啟發式的，需要事先確定聚類數目，這在現實中

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習過程中自動確定混合數目和估計模型參數。但是，競爭懲罰期望最大化算法的性能對學習率的選擇非常敏感，如果學習率選擇不當的話，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習過程中具有可適應性學習率的RPEM蛋白質序列聚類算法。在給定初始學習率的情況下，該算法能自動在學習過程中調節學習率，加快了算法的收斂速度，提高了算法性能。本文利