基于加权贝叶斯分类器人类启动子辨识方法.pdfVIP

第15卷第4期 电路与系统学报 V01．15No．4 2010年8月 JOURNALOFCIRCUITSANDSYSTEMS August，2010 文章编号：1007-0249(2010)04—0033—05 基于加权贝叶斯分类器的人类启动子辨识方法· 郭烁1，一， 朱义胜1 (1．大连海事大学信息工程学院，辽宁大连116026；2．沈阳化工大学信息工程学院，辽宁沈阳110142) 摘要t基因启动子区域控制一个基因转录的起始。因此，真核启动子预测是DNA序列分析中最重要的问题， 也是非常困难的任务。用高斯混合模型(GMM)估计启动子中寡核苷酸位置密度并将其作为特征向量，是一种 有效的方法。然而混合度G通常都选的很大，模型训练需要大量的时间。由于每个寡核苷酸位置分布的不同，本文提 出用模糊聚类的方法分别确定每个寡核苷酸的最优混合度，提高了寡核苷酸位置分布的检测精度，并减少了计算 时间。接着，提出了一种基于最小二乘法的加权贝叶斯分类器算法，用于人类启动子的辨识，进一步提高了辨识 精度。仿真结果表明，本算法具有较高的预测效果。 关键词，启动子；寡核苷酸；模糊聚类；高斯混合模型；最小二乘法；加权贝叶斯分类器 中圈分类号·TN911．72文献标识码tA 1 引言 启动子作为RNA聚合酶结合的靶序列，对转录起始有调节和控制作用，直接决定着基因表达过 程是否开始以及在什么条件下开始。因此，启动子的预测与分析是调控网络研究的重要前提。由于后 基因组序列时代有大量的基因序列数据可以提供，使用可靠的计算工具来检测基因序列真核poly．II启 动子成为可能。但是启动子序列的多样性和复杂性成为计算启动子预测算法的挑战问题。虽然很多计 算启动子预测工具已经研究，但是性能还不是很好，这个问题仍然有待研究。 生物中，启动子指的是对基因转录起始有重要作用的序列，不像原核生物那么保守，并且启动子的序 列较多。寡核苷酸，是一类只有20个以下碱基对的短链核苷酸的总称。出现在启动子序列的统计次数 比非启动子序列多的寡核苷酸通常被认为是转录因子结合位点基序的一致序列。这些核苷酸的短序列 可以很好的描述启动子中的结合位点和保守序列。文献[1]应用位置权重矩阵或寡核苷酸出现的频率来 分析启动子序列。文献[2—4】分析寡核苷酸在启动子和非启动子中出现的频率来辨识启动子。 岛和第一位剪接位点等生物特征提高TSS的辨识精度。 出现在固定位置的一些寡核苷酸负责主要的调控和转录11 21。文献[13】分析了寡核苷酸出现的位置 分布密度，用高斯混合模型(GMM)建模，提取启动子的特征向量并作为贝叶斯分类器的输入，取得 了很好的效果。但是，当寡核苷酸的位置分布越偏离高斯分布时，所需要的模型混合度G就越大，才 能对特征空间描述的细致、精确，但这样需要大量的具有充分代表性的训练数据样本，而且建模时间 也较长。并且启动子序列结合位点的上下文对转录调控起到很大的作用，例如，两个相互作用的转录 41。 因子捆绑在很近的结合位点将导致转录活性变高或变低。这些影响已经编辑在COMPEL数据库中【l 所以各寡核苷酸对启动子的贡献是不一样的。 因此，本文针对以上问题，提出了改进算法。根据模糊聚类的方法分别确定每个寡核苷酸位置分 布密度的GMM最优混合度G，并对每个寡核苷酸分别建模。因此，每个寡核苷酸的GMM混合度G是不 ’收藕日期·2009—09—15修订日期：2009—12—25 基金项目·国家自然科学基金资助项目 电路与系统学报 第15卷 同的，这样就可以更精确描述每个寡核苷酸的位置分布密度，并且并不是所有的寡核苷酸的位置分布 密度均偏离高斯分布，实验证明，一些寡核苷酸的混合度G并不用取得很大，所以减少了GMM的建模 时间。将原DNA序列数据样本映射为GMM空间，即将每个寡核苷酸的位置密度作为特征向量。在新 的空间，特征向量之间可以看成是存在线性关系。将特征向量作为加权贝叶