基于主成分分析法的人类启动子识别控制科学与工程专业论文.docxVIP

哈尔滨工业大学工学硕士学位论文 哈尔滨工业大学工学硕士学位论文 - - PAGE VII - 3-mer 和 5-mer 特征向量投影到在训练过程中运用 PCA 算法创建的新的特征 空间中，从而得到新的特征向量。新向量随后被送到三个分类器：启动子与 外显子分类器(Promoter vs. Exon classifier)，启动子与内含子分类器(Promoter vs. Intron)，启动子与 3 端非转录序列(3’UTR)分类器(Promoter vs. 3’UTR classifier)。数据处理模块(data processing module)结合 CpG 岛模块和三个分类 器输出结果做出预测。 方案 2 中，长度为 300bp 的序列在 CpG 岛模块中分类， CpG 岛相关序 和非相关序列分别通过与方案 1 种相同的特征提取模块和 PCA 模块，随后被 送到 CpG 岛相关序列分类器组和 CpG 岛非相关序列分类器组，两组分类结果 通过各自数据处理模块得出结果。 在方案 1 上进行网络参数优化。分类器中优化的网络参数通过三组比较 实验得出：首先固定输入向量的维数(3)和神经网络的层数(3)，得出各层间优 化传递函数―tan-sigmoid‖, ―log-sigmoid‖,―tan-sigmoid‖，以及隐藏层神经元数 (20)。第二步，固定神经网络的层数和各层间的优化传递函数，得出优化的输 入向量维数为 6，同时确定采用 6 个由主成分分析法选取的主要成分。第三步， 在前两步的基础上得出优化的神经网络层数为 4，即两个隐藏层。 由于两个方案中分模块的内部网络结构相同，故可将相同的优化的网络参数 运用到两个方案的分类器中。方案 2 分类器训练有别于方案 1，首先将启动子 和非启动子序列都分为 CpG 岛相关序列和 CpG 岛不相关序列，再对应到两组 分类器中进行训练。最后建立两个测试集对两个方案分别测试。测试集 1 由 有标注的 5000 条人类启动子序列和 6000 条非启动子序列组成，重点测试网 络分类能力。启动子序列来源于转录起始点数据库和真核生物启动子序列数 据库(eukaryotic promoter database, EPD)，2000 条外显子序列和 2000 条内含子 序列来源于外显子-内含子数据库，2000 条 3 端非转录序列来源于非转录序列 数据库(Untranslated sequence database, UTRdb)。启动子测试集 2 由 3 条人类 DNA 序列组成，重点测试网络预测能力。最终，方案 1 的性能指标在两组测 试中均领先，故被选定为正式方案，系统命定为 HPR-PCA。 为了测评 HPR-PCA 的性能指标，我们选用三个广受好评的启动子识别系 统 DrangonGSF，Eponine，FirstEF 进行比较。 测试基于三组不同的数据。测试集 1 由来自于 Genebank 的四条人类基因 作组成，总长度为 0.95Mbp，包含 14 个已知转录起始点。比较中，HPR-PCA 以灵敏度 0.6429， 特异性 0.4500 的性能指标位居四个系统中首位。测试集 2 也采用网络空开资源提供的完整的人类染色体 22 序列，长度为 34.75Mbp， 包含 393 已标注的转录起始点。HPR-PCA 综合指标大幅领先于其他系统，灵 敏度和特异性分别高达 0.7659 和 0.8244。测试集 3 由 7 条提取自人类染色体 22 的基因序列，其标注不同于测试集 2。序列的总长度为 11.56Mbp，包含 94 个转录起始点。在测试中，HPR-PCA 再次以最高的综合性能领先灵敏度和特 异性为别为 0.5319，0.7246。通过多组数据比较，HPR-PCA 在基因组范围启 动子预测显示出其优势。 不同于其它三个系统，HPR-PCA 采用主成分分析法将 DNA 序列中提取 的高维特征组降维，这种特征选择方法成功的运用于识别网络中，得出较好 的实验结果，在人类基因组范围内的识别中表现突出。 HPR-PCA 利用了启动子的信号和内容特征对 DNA 序列进行分类，但是 忽略了启动子信号的位置特征。然而，新兴的启动子识别方法提出了对启动 子结构特征进行研究。例如，挠性(flexibility)，刚性(rigidity)和柔性(bendability) 特征均是从三维空间提取得特征。这些结构特征区别于内容特征，可以为以 建立的启动子识别系统提供重要的补充信息。将结构特征运用于启动子识别 系统中将作为未来工作的重点。 关键词 启动子；DNA 序列分析；CpG 岛；主成分分析法；BP 神经网络 Abstract This thesis presents an innovative hum