基于隐马尔可夫模型的.pdf

基于隐马尔可夫模型的 CLU基因识别 06级生信 岑王敏 指导老师 司家瑞 Bioinformatics,2008-2009, 开题背景 阿兹海默病 （Alzheimersdisease，简称AD）又 称老人痴呆症，是失智症中最普遍的成因。全世 界有2400万病患，绝大多数发生在65岁～90岁 以上的老人。在美国每70秒就有一人罹患阿兹海 默氏症，而到了这个世纪中的时候，估计每33秒 就有一人罹患阿兹海默氏症。阿兹海默病是一种 由于蛋白质在脑部沉积而造成脑神经细胞死亡的 神经退化性疾病。 Bioinformatics,2008-2009, Bioinformatics,2008-2009, 1993年，科学家发现APOE基因，之后基因 APOE4一直是该领域研究的焦点。而最近英国和 法国两个科研小组分别宣布，他们新发现与阿尔 茨海默氏症相关的3个基因：CR1、CLU和 PICALM，这3个基因均与β淀粉样多肽形成有 关。科学家表示，这是最近15年来在该领域的最 重大的发现。10％的阿尔茨海默氏症病例可能与 CLU基因有关、9％与PICALM有关、4％与CR1 有关。 Bioinformatics,2008-2009, 课题目的 掌握利用基于隐马尔科夫模型法识别基因的软 件，进行实际的基因识别。目前阿兹海默病的成因 未明，也没有准确诊断和有效治疗的方法。研究学 者尚未得知这三个基因如何影响阿兹海默症的生 成，但就后续的研究报告看来，CLU可能会介入β 类淀粉蛋白胜肽去除类淀粉蛋白沉积的过程。用基 因识别的方法对CLU基因进行识别，以便对该基因 进一步研究该基因. Bioinformatics,2008-2009, 课题研究的主要内容 (1)从NCBI下载人类基因的CLU基因序 列。 (2)将序列以FASTA格式或DNA序列文件 输入HMMgene。 (3)对照NCBI的注释信息，分析结果。 (4)将序列文件输入GenScan和 GeneMark系统。 (5)对比HMMgene,GenScan和GeneMark 三个系统进行基因识别的各自特点。 Bioinformatics,2008-2009, 原理和方法 Bioinformatics,2008-2009, 对给定的一段序列进行扫描并预测，结果可能 如下 Bioinformatics,2008-2009, HMM模型 n隐马尔可夫模型是一种概率论模型，它 的状态是不确定或不可见的，只有通过观 测序列的随机过程才能表现出来。 n观察到的事件与状态并不是一一对应， 而是通过一组概率分布相联系。 nHMM是一个双重随机过程，两个组成部 分： – 马尔可夫链：描述状态的转移，用转 移概率描述。 –一般随机过程：描述状态与观察序列 间的关系， 用观察值概率描述。 Bioinformatics,2008-2009, 在表示或分析HMM模型时，用方框表示各个状态， 方框之间的连线表示状态转换。对于每个状态，详细 地描述各个字符的释放概率，而对于状态之间的转 换，也给出相应转换动作发生的概率，即状态转换概 率。表示DNA序列的HMM如图： Bioinformatics,2008-2009, Bioinformatics,2008-2009, 步 骤 r 从NCBI网站下载人类CLU基因序列 注释：在NCBI中显示，该基因由于剪接位置 不同，它编码两个亚型 （亚型1、亚型2） r 登陆HMMgene主页，输入FASTA格式的序列文 件。 r 登陆GenScan，输入CLU基因序列 r 登陆GeneMark，输入CLU基因序列 Bioinformatics,2008-2009, 结 果 注释：如图4识别结果显示该基因在DNA正链上，A：4221C