转录因子结合位点和顺式调控模块识别方法的分析-analysis of recognition methods of transcription factor binding sites and cis - regulatory modules.docxVIP

摘要 摘要 摘要 DNA 序列中转录因子结合位点的识别是解码转录调控的重要任务之一。但是， 从真核生物千兆数量级的碱基对中正确识别转录因子结合位点面临着巨大挑战。 为解决这一难题，本文从两方面展开研究：利用遗传表观数据来提高单转录因子 结合位点识别的准确率，以及利用频繁项集挖掘技术识别顺式调控模块。 研究表明，遗传表观数据中 DNase I 数据、组蛋白修饰数据等其它数据有助于 提高转录因子结合位点识别的准确率。 本文首先将转录因子结合位点识别问题转换为有监督分类学习问题。本文利 用 PWM 得分结合 DNase I 数据，根据不同的模型组合成不同的特征向量，分别利 用 SVM 和 logistic 回归分类器进行训练和预测。通过不同模型比较研究，发现将 DNase I 数据进行适当的切分，能更好的反映出 DNase I 数据总量特征以及 DNase I 数据 footprint 特征，从而有助于提高识别的准确率。同其它方法相比较，这种基 于有监督分类学习的识别方法的识别效果是非常具有竞争力的。 为了将每个扫描出的位点的正确性给以概率上的说明，本文接着深入研究了 一种基于遗传表观先验信息的转录因子结合位点识别方法。本文提出了将有监督 学习得到的位置先验信息和一种基于 Bayes 决策理论的得分相结合的思想，并说 明了其合理性。通过实验同其它方法进行比较，结果表明这种结合是有效的。 转录调控通常需要多个转录因子的合作，它们的转录因子结合位点之间距离 较近，组成相应的顺式调控模块。有顺式调控模块的区域比只有单个转录因子结 合位点的区域更可能是转录调控区域，预测顺式调控模块从而推断转录因子结合 位点的分布，也可以提高转录因子结合位点预测的准确率。 本文提出一种基于频繁项集挖掘技术的顺式调控模块识别方法 FCLOVER。该 方法通过挖掘频繁模体对，结合一种能量得分度量函数识别顺式调控模块。该能 量得分函数充分结合了模体对的统计显著性，近邻约束，以及两种支持度度量标 准。通过能量得分曲线可以提取确切的顺式调控模块区域。本文通过实验探究了 各种因素对该方法的影响，并将该方法和前沿的顺式调控模块识别算法进行比较， 结果表明，该方法是有效的。 关键词: 生物信息学，转录因子结合位点，顺式调控模块，遗传表观数据，频繁项 集挖掘 Abst Abstract 转录因 转录因子结合位点和顺式调控模块识别方法的研究 Abstract Identifying binding of transcription factors to DNA is a key task in deciphering transcriptional regulation. However, accurately locating transcription factor binding sites in eukaryotic genomes containing gigabases of DNA is challenging. To address the problem, this study researched in two aspects: using epigenetic data to improve the accuracy of single transcription factor binding sites prediction and using frequent itemset mining technology to identify cis-regulatory module. Using epigenetic data such as histone modification and DNase I，accessibility data has been shown to improve motif-based in silico methods for predicting transcription factor binding sites. For single transcription factor binding sites identification, we first formulate the transcription factor binding site prediction problem as a supervised classification task. According to different models, we map PWM score and DNase I data to feature vectors and use SVM and logistic regression as classif