机器学习与生物信息学.docx

第32卷第4期2003年8月Vol.32,No.4Aug.,2003信息与控制

第32卷第4期

2003年8月

Vol.32,No.4Aug.,2003

文章编号：1002-0411(2003)04-0352-06

机器学习与生物信息学

(西南科技大学生命科学与工程学院，四川绵阳621000)

摘要：后基因时代，探索和解释隐藏在分子生物学数据库中的有用信息将是对生物信息学研究人员的巨大挑战!为了解决分子生物学中遇到的这些难题，有效及廉价的方法是非常必要的.机器学习是一种自动的、具有智能学习技术的方法，有助于达到上述目的。本文就知识发现、人工神经网络、决策树、贝叶斯网络、遗传算法、隐马尔科夫链、聚类、归纳逻辑编程、支持向量机等机器学习方法在生物信息学中的应用进行了系统地评述.这些方法有助于加速生物分子结构预测、基因发现、基因组学和蛋白组学等方面的研究进展.

关键词：机器学习；生物信息学；学习方法；人工智能

中图分类号：TP181文献标识码：A

MACHINELEARNINGANDBIOINFORMATICS

ZHOUHai-ting

(SouhwestUnioersityofScienceTechnology,Mianyang621000,China)

Abstract::Exploringandexplainingtheknowledgehiddeninthebiomoleculardatabasehasbecomethegrandchallengeforbioinformaticsinthepostgenomeera.Anefficientandinexpensiveapproachisrequiredtosolveprob-lemsinmolecularbiology;machineleamingwhichisanautomaticandintelligentlearingtechniquemayhelptoa-chievethisrole.KDD,ANNs,DecisionTrees,BBNs,GAs,HMMs,Clustering,ILP,SVMareintroducedinthecontextoftheirapplicationinbioinformatics,toexperimentalbiologistsandbioinformaticiansinthispaper.Theseap-proacheshelptoaccelerateseveralmajorresearches(biomolecularstructureprediction,genefinding,genomicsandproteomics).

Keywords:machinelearning;bioinformatics;learningmethods;intelligent

随着人类基因组草图的完成，生物学资料象洪流一样滚滚而来，PDB(蛋白质资料数据库)和Gen-Bank等数据库均以几何级数的速度扩容，Benson等人1等人经过分析认为，目前生物学数据库中存贮的数据每13~15个月增加一倍，其增长速度比著名的摩尔定律还要快3个月.处理和分析累积在这些数据库中的资料将是对生物信息学研究人员的巨大挑战!本文对生物信息学进行了简单描述，着重介绍了目前流行的机器学习方法在生物信息学研究中的应用.

1生物信息学(Bioinformatics)

生物信息学是一个融合了多个学科的领域，包含了分子生物学(如生物化学、遗传学、结构生物学等)、计算机科学(计算理论、人工智能、机器学习、动态程序设计等)、物理化学(热力学、分子建模等)

和数学(算法、建模、概率论、统计学等).由于涉及的领域宽，加之发展异常迅速，很难对生物信息学的研究范围作出明确的界定.目前涉及到的研究领域有：基因组学、蛋白质组学、生物化学路径分析、数据挖掘、分子进化、分子建模及算法化等.

生物信息学(bioniformatics)是由“bio-”和“in-formatics两部份构成.“bio-”代表分子生物学，而informatics则意味着计算机科学.因此，这两个单词结合在一起，表示了用计算机科学解决分子生物学研究中遇到的问题的含义.

在基因组过渡时代，数据库的概念也从文本库演化到事实库最