有效的Common Motif 识别算法.docVIP

有效的Common Motif 识别算法 　　摘要：模体发现在揭示基因组水平上的基因表达调控规律以及在蛋白质序列中定位保守结构域中起着重要作用。本文提出一种在生物序列中识别Common Motif（公共模体）的算法。算法采用基于后缀数组或QSA数组的重复模式识别算法挖掘串中最大重复模式作为基元，对基元进行过滤与剪枝后，根据约束条件对优化后基元进行计算与处理从而得到公共模体。算法与基于后缀树或Trie树的同类算法相比在时间和空间效率上都得到了提高。 　　关键词： 模体发现；重复模式；约束条件；生物计算；后缀数组 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）11-0164-05 　　Abstract： Motif finding plays an important role on revealing the regulation of gene expression in the genomic level and targeting the conserved domains in the protein sequence. This paper presents an algorithm for finding Common Motif in biological sequences. The algorithm uses the repeat detection algorithms which based on suffix array or QSA array to mining the maximal repeats as primitives. After filtering and pruning， optimized primitives are calculated and processed according to constraints to obtain the common motif. The algorithm is more time and space efficient than the algorithms based on suffix tree or Trie. 　　Key words： Motif finding； repeats； constraints； bioinformatics； suffix array 　　1 概述 　　揭示基因组水平上的基因表达调控规律是现代生物信息学面临的重大挑战之一，模体发现（Motif Finding）问题被认为是这一挑战中的重要任务[1]，其出发点是找出序列中或不同序列间的相似性片段，从而归结出序列片段中蕴涵的特征模式，进而推断出该特征模式与已知的结构和功能之间的内在联系。这种具有保守特征的序列模式，即相似性高的序列片段，通常称为模体（Motif）[2]。Motif不仅在核酸序列中存在，在蛋白质序列中也存在这种特征模式的序列片段。模体发现方法在核酸序列分析中发挥着重要作用[3]，如启动子识别、DNA结合蛋白质的靶基因和靶位的识别等。对于蛋白质序列而言，它们通常表明蛋白质序列中特异性结合位点，如核酸酶和转录因子（TF）。模体发现可以利用蛋白质序列或结构中的某些特征模式识别相关蛋白质的性质。另外，模体发现还可以用于某些相似性较低的相关序列检测。因此，分析和识别Motif及了解它们的功能对于理解和解释整个基因组行为的意义重大。 　　现有文献中对生物序列中Motif有不同的定义，比如序列模体（Sequence motifs）、结构（化）模体（Structured motifs， Structural motifs）、网络模体（Network motifs）、公共模体/复合模体（Common motifs）等分类。由于模体的特征差别很大，不同的方法适用于不同的问题，而且测试序列的选择也十分困难，因而对于众多的模体识别方法与算法并没有统一的评价标准。文献[4]对模体识别算法进行了总结，可以从中看出研究者已经在此领域取得了很多成果，随着人们对序列的生物学意义的不断了解，新的方法和算法也将会不断产生。 　　一般地，根据算法搜索策略与设计中所用的组合方法的不同，查找Motif的算法粗略地分为两类，即第一类是概率序列模型的方法，又称为统计方法，典型的有基于期望最大化（Expectation Maximization） [5]，采样（Sampling） [6]，随机投影（Random Projections） [7]等技术的方法。第二类是基于串（词/模式）的方法，又称为组合方法。其中包括简单字串列举法YMF（Yeast Motif Finder）[8]，不匹配（前缀）树法MITRA[9]以及WINN