基于显露子串挖掘基因序列模体识别算法.docVIP

基于显露子串挖掘的基因序列模体识别算法 　　摘 要： 染色质免疫共沉淀技术将模体识别问题拓展到了全基因组范围，但因数据量过大，传统的模体识别算法往往运算过慢从而无法很好地解决此问题。为了解决传统算法的缺点，提出一种用于ChIP?seq数据的替换显露子串寻找问题的算法FastESE，通过测试集和控制集的比对找出显露子串并搜索其（l，d）替换实例组成相应的位置概率矩阵，再使用权重信息量对这些子串进行聚类，最终找出集合中的替换显露子串。使用真实的ChIP?seq数据对该研究算法进行有效性验证，实验结果表明，FastESE可以在合理时间内有效解决ChIP?seq中的模体识别问题。 　　关键词： 染色质免疫共沉淀； 显露子串； 模体识别； FastESE 　　中?D分类号： TN911?34； TP301.6 文献标识码： A 文章编号： 1004?373X（2017）12?0006?05 　　Abstract： Recently， the development of chromatin immunoprecipitation technique has extended the motif identification problem to the genome?wide range， but the traditional motif identification algorithms runs too slowly and hard to solve this large?scale data problem. In order to solve the shortcomings of the traditional algorithms， a substituted emerging substring search algorithm named FastESE applied to ChIP?seq data is proposed in this research. The emerging substrings are found out by comparing the test dataset and the control dataset， and then its substituted instances are searched to constitute the corresponding position probabilistic matrix. The weighted information content is adopted to cluster these substrings， and Finally， discover the substituted emerging substrings. The effectiveness of proposed algorithm was verified with the real ChIP?seq data. The experimental results show that the FastESE can deal with the motif identification problem in the ChIP?seq data in a proper time. 　　Keywords： chromatin immunoprecipitation； emerging substring； motif identification； FastESE 　　0 引 言 　　模体识别问题是研究基因序列的一个重要并且有挑战性的问题，一直以来受到计算机学家和生物学家的重点研究。随着染色质免疫共沉淀技术（Chromatin Immunoprecipitation，ChIP）的发展[1?2]，染色质免疫共沉淀技术与高通量测序方法结合的ChIP?seq技术将模体识别问题拓展到了全基因组范围。而这类ChIP?seq数据量比起传统的模体识别数据，数据规模大大增加[3]，这也就使得传统的模体识别算法难以很好地解决ChIP?seq数据的模体识别问题[4]。 　　近些年，一些传统算法也提出了用于ChIP数据的版本，如HMS，STEME，Weeder[5?7]等。这些算法可以解决部分ChIP?seq模体识别问题，但仍存在不足，例如HMS在训练时只能使用部分得分较高的序列；而STEME使用后缀树加速了期望最大化求精，但只能用于寻找较短的模体；Weeder只能将单个模体作为每次运行的输出结果，不符合实际需求。 　　针对ChIP?seq数据含有序列条数较多（上千条），但长度相对较短的特征（通常为几百个碱基）。一些研究者将模体识别问题转化为替换显露子串挖掘