基于后缀树聚类和期望最大化求精的模体发现算法-计算机软件与理论专业论文.docxVIP

万方数据 万方数据 西安电子科技大学 学位论文独创性(或创新性)声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切的法律责任。 本人签名： 日期 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保 留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内 容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后 结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。 （保密的论文在解密后遵守此规定） 本学位论文属于保密，在 年解密后适用本授权书。 本人签名： 日期 导师签名： 日期 万方数据 万方数据 摘要 摘要 模体发现问题，即寻找转录因子结合位点(TFBS)，是生物信息学上研究的热 门问题之一。由于模体蕴含着丰富的生命遗传特征信息，所以探究基因序列上的 模体实例，对基因表达和调控具有重要意义。而生物序列的复杂性和基因变异的 存在导致了模体在空间分布和特征上差异较大，也使问题变得非常复杂。 为了解决模体发现中子序列数庞大和模体实例难以定位的问题，本文结合后 缀树聚类和期望最大化求精提出了一种新的模体发现算法。主要分为两个阶段， 第一阶段采用基于后缀树的 k 前缀字符串进行相似性度量，设计子类划分算法完 成聚类过程，大大减小了问题规模，也保证了子类中序列的相似性。第二阶段以 具有高信息量的子集作为起始点，对 OOPS、ZOOPS、TCM 三种不同类型，应用 基于混合统计模型的期望最大化算法(EM)完成求精过程，以似然率和相对熵作为 测度进行极大似然估计来确定模体和位点集。 通过对多种类型的真实生物数据进行实验表明，聚类过程能明显的减少 l-mer 集的数量，得到更为保守的子序列集。求精过程通过前一阶段的起始点可以迭代 收敛到最优结果。通过聚类和求精过程，算法能够有效的识别出转录因子结合位 点。 关键字：模体发现 后缀树 期望最大化 极大似然估计 转录因子结合位点 Abstract Abstract Motif discovery, i.e. finding transcription factor binding sites (TFBS) in DNA sequences, is one of the hotspot problems in bioinformatics. Because the motif contains abundant genetic information, it plays an important role in gene expression and regulation that finding the motif instances in gene sequences. While the complexity and variation of DNA sequences results in great diversity of the distribution of motifs over space and the feature of motifs. In order to solve the problem caused by excessive sub sequences and difficulty of locating motif instances. This thesis gives a new motif finding algorithm which connects suffix tree clustering with expectation maximization refinement. The algorithm works in two stages. First it uses k prefix sequences based on suffix tree as similarity measurement. And the subsets partitioning algorithm is designed to complete cluster process, which greatly decl