06 序列模式识别.pdf

生物信息学 第六章：序列模式识别 生物信息学：预测 ? 生物信息学核心目标之一：预测 ? 生物信息学工具的最常见作用：预测 ? 基本假设(贝叶斯的哲学理念)：我们能够通过对 已知世界的观察，总结经验，并以此来预测未知 世界已经存在或者即将发生的事物/事件。 ? 在生物信息学中的应用：对现有的数据，使用合 适的算法，进行训练，构建计算模型和计算工具， 预测未知的现象。 功能结构域 ? 具有完整的、独立的三级结构 ? 具有特定的生物学功能 ? 一般长度，几十到几百个氨基酸 ? 允许插入/缺失，即允许存在gap 模块、模体、模式 ? 模块，BLOCK ? 模体，motif ? 模式，pattern/profile 模块/BLOCK ? 几个到几十个氨基酸 ? 无gap，从全局多序列比对的结果直接处理得到 ? 描述蛋白质家族或者一类??白质的序列保守性 BLOCK 模体/Motif ? 不具有独立的三级结构 ? 具有特定的生物学功能：结合，修饰，细胞亚定位， 维持结构等 ? 长度一般几个到几十个氨基酸或者碱基； ? 例如，SUMO化的序列模体：Ψ-K-X-E (Ψ:A, I, L,V, M, F, P; X:任意氨基酸) 模式/Pattern/Profile ? 在算法上用来描述一类功能结构域、模体或者 模块的表示方式 ? 根据序列数据构建的预测模型 ? 数据形式：概率表示,正则表达式 [AC]? D ?[IVL]? X ? ?[PG]?[FY] ? 2 3 1 2 ? 用来预测新的可能符合特定模式的序列 ? 例如，直接将Ψ-K-X-E视为SUMO化位点的，普 适的“模式”，则可以预测所有包含该模式的蛋 白质序列 本章内容提要 1，预测性能检验 2，位点特异性打分矩阵/权重矩阵模型， Position Specific Scoring Matrix (PSSM) /Weight Matrix Model (WMM) 3，模体发现：Gibbs Sampler算法 4，贝叶斯统计预测 5，马尔可夫及隐马尔可夫模型 6, 序列模式识别应用及序列特征分析举例 1，预测性能的计算和检验 ? 样本/检验数据：阳性数据(P)，阴性数据(N) ? 阳性数据(P)：有功能，满足条件的数据 ? 阴性数据(N)：无功能，不满足条件的数据 ? 对于预测结果的评测，定义： ? a. 真阳性 (TP): 实际阳性数据中被预测为阳性的数据 ? b. 假阳性 (FP): 实际阴性数据中被预测为阳性的数据 ? c. 真阴性 (TN): 实际阴性数据中被预测为阴性的数据 ? d. 假阴性 (FN): 实际阳性数据中被预测为阴性的数据 常用的检验指标 ?1. 敏感性 (Sensitivity, Sn) also called ‘recall rate’ or ‘true positive rate’ (TPR) ? 实际阳性数据中，能够准确预测的比例是多少 ?2. 特异性 (Specificity, Sp) ? 实际阴性数据中，能够准确预测的比例是多少 常用的检验指标计算公式 ?3. 准确性 (Accuracy, Ac) ?对于整个数据集(包括阳性和阴性数据)，总共的准确 预测比例是多少 ?4. 马修相关系数(Mathew correlation coefficient, MCC) ? 当阳性数据的数量与阴性数据的数量差别较大时，能 够更为公平的反映预测能力，值域[-1,1] 选择性- Selectivity ? also called precision or positive predictive value (PPV) ? 预测为‘真’的数据中，实际阳性数据所 占的比例。 ?相对阳性数据(P)，当阴性数据(N)很大或难 以准确定义时，可由‘选择性’代替‘特异 性’指标。 TP Se = TP + FP ROC curve ?X轴：1-Sp Y轴：Sn ?ROC的面积越 大，表明其预