基于MATLAB的隐马尔可夫模型识别CpG岛.pdfVIP

第25卷第11期 计算机应用与软件 Vo1．25No．11 2008年 11月 ComputerApplicationsandSoftware NOV．2008 基于MATLAB的隐马尔可夫模型识别 CpG岛 石鸥燕 杨 晶 田 心 (天津医科大学生物医学工程系 天津 300070) 摘 要 随着多数生物基因组测序工作的完成，基因识别就显得尤为重要。CpG岛在基因组中有着重要的生物学意义，而识别 CpG岛将有助于基因的识别。因此构建了识别DNA序列中CpG岛的隐马尔可夫模型HMM(HiddenMa~ovMode1)，并利用网上人 类基因CpG岛数据库中随机选取的94条基因序列数据对该模型进行训练与检测，得到了很高的预测准确率，结果表明HMM用于 CpG岛的识别是快速有效的。 关键词 马尔可夫链 隐马尔可夫模型 CpG岛 MATLAB HIDDEN MARKOV MODELFOR CpG ISLANDSPREDICTION BASED ON MATLAB ShiOuyan YangJing TianXin (DepartmentofBiomedicalEngineering，TianfinMedicalUniversity，孔nnjin300070，China) Abstract Whilethegenomesofmanyorganismshavebeensequenced，genepredictionbecomesoneofthemostimportantprojects．CpG islandsareusefulmarkersforgenefinding．DetectionofCpGislandsishelpfulforgenepredition．A specialHiddenMarkovModelisdesigned ofrCpG islandspredictioninDNA sequences．94DNA sequencesselectedrandomlyfrom HumanCpG islandsDatabaseareusedtotrainand testtheHMM ，andhighpredictionaccuracyisachieved．Theresultsshow thatHMM iseffectiveofrCpG islandsprediction． Keywords Ma~ovchain HiddenlT!arkovmodel CpGislands MATLAB (隐含的)状态变化序列，另一个是由该不可观察的状态产生的 0 引 言 可观察符号序列。一个 HMM模型是一个三元组 M=(A，S， 0)，其中A是字母表，S是有限状态集合，每个状态可以释放字 随着多数生物基因组测序工作的完成，基因识别就显得尤 母表中的字符。0为概率集合，包括 ：状态转换概率 a．．(i，j 为重要。CpG岛是一类长度在几百bp的特殊 DNA序列，其中 S)，表示从状态 i转换到状态J的概率；字符释放概率b(k)(j CG核苷酸对出现的频率非常高。从已知的DNA序列统计发 ES，k A)，表示在状态j下释放出字符k的概率 。 现，几乎所有的管家基因及约占40％的组织特异性基因的5’末 1．2 HMM 的3个基本问题 端含有CpG岛，其序列可能包括基因转录的启动子及第一外显 (1)解码问题 给定模型M和字符序列x，在M中为x寻 子 。因此，在大规模 DNA测序计划中，每发现一个 CpG岛，