生物信息中的概率统计方法.PDFVIP

第33卷第6期 数 学 进 展 V01．33．No．6 MATHEMATICS Dce．．2004 2004年12月 AD、礁NCESIN 生物信息中的概率统计方法 钱敏平1，一， 沈世镒3 100871 (1．北京大学理论生物中心，北京，100871；2．北京大学数学科学学院，北京， 3．南开大学数学系，300071，天津) 摘要： 随着生物研究技术的不断改进与突破，特别是人类，水稻，大鼠，小鼠等的基因组测 亭与后基因组计划的迅猛推进， 未来几年蛋白质和核酸的测序数据将以指数方式增加，生物信息学 成为当前生物学领域的研究热点，预计在未来的若干年中它还将变得越来越重要．这是因为海量数 据的获得只是为知识的获得提供了条件，如果不能从中找出规律性的事物，数据本身住住并不显示 知识．例如人类基因组测序只不过提供了嗣4种核酸(A，T，C，G)的序列书写成的人类机体的 设计书．拿到了书并不意味着知道书中的内容．对一个识字不多的人来说，拿到书只是到达懂得书中 内容这一遥远征途的第一小步．事实上，人们对于人类基因组的认识，大概也就是小学水平．另一方 面，当前，生物的实验技术不仅达到了很高的精度，而且具有极高的通量．我们正在生物信息学研究 的一个有活力的新时代．不少科学家还说它是人类基因组研究的收获时代，它不仅将赋予人们获得 各种基础研究的重要成果的可能性，也带来取得巨大的经济效益和社会效益成果的很多机会．这是 一个难得的机遇，我国应尽快综合利用它，充分发挥各学科交叉研究的威力，走向国际科学界的最前 沿．在这一过程中，数学思想、模型、算法，特别是概率统计的思想与方法起到很关键的作用． 关键词：基因；比对拼接；基因注释；基因芯片；蛋白质；基因网络；隐马氏模型；聚类分析； 关联分析 019 MR(1991)主题分类：92805／中图分类号； 文献标识码：A 文章编号： 1000—0917(2004)06—0669—16 1生物信息学的研究课题 近期生物信息学将在以下几方面迅速发展． 1．1基因组测序及其结果的信息分析 要信息的发现、鉴定及结果分析． 大规模测序是基因组研究的最基本任务之一，它的每一个环节(包括光密度采样分析，载体 标识与去除、拼接与组装、填补序列间隙、重复序列标识、读框预测和基因标注)都与随机的信息 分析紧密相关．因为，实际上大规模测序的生物过程，就是实现一系列随机过程．例如，Sanger 发明的测序仪的工作原理是将待测序列，很多次从头复制到一个随机的长度(近乎均匀分布)，在 2004一03一ol 收稿日期： 2002—10．12．修改稿收到日期： 万方数据 670 数 学 进 展 在电场作用下在一个凝胶板上运动，成千上万的粒子，按它们的长度，走过同一距离所需的时间 就是不同分布的随机变量，其均值与长度成正比．测序机统计每个时刻到达的各种颜色的粒子的 个数，经过统计分析，读出每一位置的碱基，并给出其质量(可信度)评估，其实就是对测序机 统计到的每个时刻到达的各种颜色的粒子的个数作假设检验及概率估计．这样的测序强能对较 小的长度的序列(约300—900个核酸)保证质量L1J． 将测序得到的短序列按重叠来拼接与组装成为整条染色体序列(长度为几千万到2亿个核 酸)是一个十分复杂和困难的问题．这主要是因为： 1．测序过程会有小概率的变异、删除及插 入错误； 大．在小规模的拼接中，问题1，2都是容易解决的．但足到染色体或基因组的规模时，问题就 变得十分困难． 基因组水平的比较也是计算量极大的问题． 基因标注问题本质