基因识别问题及其算法实现54866.docVIP

基因识别问题及其算法实现 一、背景介绍 DNA是生物遗传信息的载体，只化学名称为脱氧核糖核酸(Deoxyribonucleic acid,缩 写为DNA)cDNA分子是一种长链聚合物,DNA序列由腺喋吟^Adenine, 鸟瞟吟(Guanine, G),胞I密噪(Cytosine, C),胸腺n密唳｛Thymine, T)这四种核昔酸(nucleotide)符号按一定 的顺序连接1何成。其中带有遗传讯息的DNA片段称为基I大I (G幼A)(见图1第一行)。其他的 DNA序列片段，冇些直接以自身构造发挥作川，冇些则参与调控遗传讯息的表现。 在真核个物的序列屮，基因通常被划分为许多间隔的片段(见图1第二行)，其中编 码蛋白质的部分，即编码序列(Coding Sequence)片段，称为外显了 (Exon),不编码的部 分称为内含子外显子在DVA序列剪接(Splicing)后仍然会被保存下來，并可在 图1真核牛物DNA 图1真核牛物DNA用列(基因序列)结构示意图 外显子(Exon) 内含子(Intron ) 蛋白质合成过程中被转录(transcription)复制(replication)而合成为蛋白质(见图2)。 DNA序列通过遗传编码来储存信息，指导蛋白质的合成，把遗传信息准确无误地传递到蛋 DNA序列图2蛋白质结构示意图白质 DNA序列 图2蛋白质结构示意图 蛋白质序列 对大最、复杂的基因序列的分析，传统久物学解决问题的方式是基于分子实验的力法, 其代价高昂。诺贝尔奖获得者W.吉尔伯特(WalterGilbert, 1932—；【美】,第一个制备 出混合脱氧核糖核酸的科学家)1991年曾经指出：“现在，基于全部基因序列都将知晓，并 以电子可操作的方式驻超在数据库中，新的生物学研究模式的出发点应是理论的。一个科学 家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设。”随着世界人类基 因组工程计划的顺利完成，通过物理或数学的方法从人最的DNA序列屮获取丰富的生物信息，对生物学、医学、药学等诸多方而都具有重要的理论意义和实际价值，也是H前生物信 息学领域的-个研究热点。 二、数字序列映射与频谱3?周期性： 对给定的DNA序列，怎么去识别出其中的编码序列（即外显子），也称为基因预测，是 一个尚未完全解决的问题，也是当前生物信息学的一个最革础、最首要的问题。 基因预测问题的一类方法是基于统计学的⑴。很多国际生物数据网站上也有“基因识别” 的算法。比如知名的数据网站http://gcncs. mi t. odu/GENSCAN. html提供的垄因识别软件 GENSCAN （由斯坦福人学研究人员研发的、可免费使用的基因预测软件），主要就是基于隐马 尔科夫链（1IMM）方法。但是，它预测人的基因组屮有45000个基因，相当于现在普遍认可 数目的两倍。另外，统计预测方法通常需要将编码序列信息已知的DNA序列作为训练数据 集来确定模型中的参数，从而提高模型的预测水平。但在对基因信息了解不多的悄况下，基 因识别的准确率会明显下降。 因此在目前基因预测研究屮，采用信号处理与分析方法来发现基因编码序列也受到广泛 重视⑷。 数字序列映射 在LWA序列研究中，首先需要把A、7\ G、C四种核昔酸的符号序列，根据一定的规 则映射成相应的数值序列，以便于对其作数字处理。 令Z = {A,T,G,C},长度（即核廿酸符号个数，又称碱基对（Base Paid长度，单位 记为切）为N的任意QM4序列，可表达为 S = { S[n] I S[n] s Z, h = 0,1,2,- JV-1} 即A、T、G、C的符号序列S： S[0],SU],???,S[W — l]。现对于任意确定的bwl ,令 S[n] = bS[n] S[n] = b S[n]工 b 称之为Vb刖映射⑸，于是生成相应的0?1序列（即二进制序列）{uh[n]}：地[0],旳J1],…，, uh[N -I] (b e I )o 例如，假设给定的一段DMA序列片段为S = ATCGTACTG,则所牛成的四个0-1序列分 别为: [uA[n]}: {1,0,0,0,0,1,0,0,0} ； {%[“]}： {(),0,0丄0,0,0,0,1}； [uc[n]}: {0,0,1,0,0,0,1,0,0} ； {uT[n]}: {0,1,0,0,1,0,0,1,0}。 这样产生的四个数7序列乂称为DNA序列的指示序列(indicator Sequence) 频谱3?周期性 为研究DN4编码序列(外显子)的特性，对指示序列分别做离散Fourier变换(DFT) N-1 _ 2兀nk 5[幻=工坷[川幺7 n , a=0,l,???,N-l (1) n=0 以此可得到四个长度均为N的复数序列[