文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 自然科学 > 生物学 > 真核生物启动子的预测技术
侵权投诉

真核生物启动子的预测技术

后对染色体对按一定概率随机地交换基因,以形成新的子染色体;变异(Mutation)操作是按一定概率随机地改变某个染色体的基因值[4]。算法的基本步骤如下:(1)编码后随即产生N条染色体,形成初始种群。(2)通过计算每个染色体的适应度评价其优劣。(3)对当前种群进行选择、交叉、变异操作,产生下一代种群。(4)如果满足进化终止条件,达到一定的世代数或种群中最佳个体适应度达到一定水平,算法终止,输出最佳个体。否则返回第(2)步,进行新一代演算[4]。

Knudsen等开发的Promoter2.0[6]就是采用了基于遗传算法的人工神经网络技术来预测脊椎动物RNA聚合酶II启动子序列的。Promoter2.0用人工神经网络的方法确定TA-TA框、CAAT框、加帽位点和GC框的位置和距离,4个结构相同的人工神经网络分别识别以上4种元件。Promoter2.0的神经网络结构如图3所示,只有一个输出神经元、一个隐层神经元和自定义固定窗口大小的序列输入神经元以及来自其他网络的影响信号的输入神经元。一个核苷酸由4个神经元确定,所以输入神经元共有(2+4@窗口大小)这么多个。每一轮学习需要对4个同样结构的网络用遗传算法进行学习:第一个网络进行学习找出这个序列中最活跃的位点(TATA框);第二个网络用另一组权值对原序列进行学习,并在输入中加入先前的活跃位点的影响,找出加帽位点;类似地再对第三、四个网络进行学习,分别找出CAAT框和GC框,一轮学习结束。然后按照遗传算法的步骤进行新一代的学习,如此反复。实验证明,在窗口大小为6时,经过大约15000代的学习,这个人工神经网络可以区分主要的启动子和非启动子,并且在分别采用其中1个、2个、3个和4个的网络的时候相关系数分别为0.62,0.61,0.63,0.61

[6]

真核生物启动子的预测技术

人在1995年提出的一类新型的建立在统计学理论之上的机

器学习方法。支持向量机基于结构风险最小化原理,能够较好地解决小样本、高维数、非线性和局部最小点等问题,已经成为研究的热点之一[7]。由于其出色的学习性能,已经在人脸识别、文本分类、模式识别等领域得到了成功的应用。支持向量机的基本思想就是首先通过一个非线性映射把原本线性不可分的样本映射到高维特征空间,使之线性可分,再在这个高维特征空间里求解这些样本的最优分隔超平面来进行分类。因为许多生物问题的数据都是多维的,带有噪声并且输入的序列不一定等长,支持向量机的特点正好可以克服这些困难,在生物信息学应用方面具有得天独厚的优势。

支持向量机从线性可分情况下的最优分类面发展而来,应用于启动子预测的基本步骤也是对启动子序列正负样本进行学习,然后预测。首先对启动子序列正负样本进行特征提取,然后使用支持向量机把这些特征映射到高维空间中,使其线性可分。图4所示的实心点和空心点分别代表启动子和非启动子序列两类样本。图4表示一个高维空间,启动子和非启动子都在这个空间中,并且线性可分,H为分类超平面,H1,H2分别代表各类中离H最近的样本且平行于H的面。如果这两类样本是线性可分的,机器学习的结果就是找到一个超平面,把样本分成两类。按照结构风险最小化原理,结果是一个最优的超平面,不仅能将两类样本分开,而且还要使分类间隔最大。分类间隔就是从分类超平面到两类样本中的最近的样本距离之和,如图中H1与H2之间距离,H1与H2上确定了分类超平面的这些样本就是所谓的支持向量[8]。当样本集线性不可分的情况下,在确定超平面的条件中加入一个松弛项[8],

真核生物启动子的预测技术

可得到与线性可分情况下一样的解。

。

图3 Promoter2.0的网络结构

在国内,重庆大学的学者在启动子预测的研究中采用了和Promoter2.0相似的遗传算法和人工神经网络技术,所开发的系统对启动子序列能有效地进行识别,在训练集和测试集上的平均识别率分别高达99%和97%[5]。与Promoter2.0所不同的是,输入序列不是DNA序列,而是对DNA序列三元组经过处理后的数据。若直接输入三元组序列,64个不同的三元组需要较多的隐层神经元来滤掉冗余信号,这样网络结构复杂并且学习速度慢。该系统采用三元组在每个区域的位置特异性频率分布进行打分,形成位置特异性权值矩阵。序列中每一位置的三元组在这个矩阵中的位置出现频率加和作为序列的特征参数,这样分别得到启动子、内含子和外显子的特征参数作为输入序列。系统所采用的人工神经网络结构为3个神经元的输入层、10个神经元的隐层和1个神经元的输出层。相比Promoter2.0,由于采用了预先对DNA序列的加工,在每一代的学习中不用考虑上次学习的影响,学习速度更快,学习的代数更少,并具有很好的识别率。3.2 基于支持向量机的启动子预测技术

支持向量机[7](SupportVectorMachines)是Vapnik等

[5]

图4 线性可分的分类超平面

在支持向量机中描述两个样本向量相似度的函数称为核函数(kernel)[8]。实际中难以线性可分的问题,分类样本可以通过选择适当的非线性变换映射到某个高维的特征空间,使得在目标高维空间这些样本线性可分,从而转换为线性可分问题[9]。对应到支持向量机技术中,在最优分类面中采用适当的核函数就可以实现某一非线性变换后的线性分类。有理论证明,支持向量机的支持向量集和核函数相关[10]。研究表明,非线性可分情况下,对于一个特定的核函数,给定的样本集中的任意一个样本都可能成为一个支持向量。这意味着在一个支持向量机下观察到的特征在其它支持向量机下(其它核函数)并不能保持。因此,对解决具体问题来说,选择合适的核函数是很重要的。常用的核函数主要有4种:线性核函数、多项式核函数、径向基核函数和二次神经网络核函数。

RajeevGangal等开发的预测人类RNA聚合酶II的启动子工具Prometheus[11]就是采用了支持向量机技术。Prome-theus的识别精度可以达到85%以上,并可以完全正确地识

上一页第3页

你可能喜欢

热门文档

相关文档

  • 真核生物启动子预测相关数据库资源概述

    真核生物启动子预测相关数据库资源概述_生物学_自然科学_专业资料。维普资讯 ...随 着生物技 深入 是 术和计算机 技术的 高速 发展 , 用生物信 息学技 术...

  • 真核生物启动子预测相关数据库资源概述

    随着生物技 术和计算机技术的高速发展, 应用生物信息学技术对启动子进行预测和分析的方法得到了很大发展。对目前常用的真核生物启动子预 测相关数据库和软件资源作...

  • 真核生物启动子预测相关数据库资源概述修改稿

    随着生物技术和计算机技术的高速发展,应用生物信息学技术 对启动子进行预测和分析的方法得到了很大发展。 本文对目前常用的真核生物启动子预测相 关数据库和软件资源...

  • 【论文】真核生物启动子的研究及应用

    真核生物启动子的研究及应用_专业资料。随着基因工程的发展,常常需要构建能高水平表达异源蛋白质的表达载体。启动子对外源基因的表达水平影响很大,是基因工程表达...

  • 【论文】真核生物启动子的鉴定方法

    真核生物启动子的鉴定方法_专业资料。启动子是RNA聚合酶识别、结合和开始转录的一段DNA序列。它对基因的表达调控起着至关重要的作用。本文对真核生物启动子的...

  • 真核生物启动子

    真核生物启动子的预测技术 6页 免费 真核生物启动子数据库 2页 2财富值 ... 启动子是基因表达过程中非常重要的调控序列,是影响基因能否转录的重要功能单位之...

  • 真核生物基因结构的预测分析方法(软件)

    实习二 真核生物基因结构的预 测分析浙江加州国际纳米技术研究院 2010年11月苏...14 转录调控序列分析 CpG岛、转录终止信号和启动子区域的预测 15 CpG岛的预测...

  • 研究真核生物启动子结构与功能的方法

    研究真核生物启动子结构与功能的方法 研究启动子结构与功能的方法主要有缺失、点突变和足迹法。在分析得到了启动子的 功能序列后, 还要弄清与之结合的蛋白质及两者...

  • 启动子预测

    http://tools.genome.duke.edu/generegulation/McPromoter/ ( 4 ) PromoterScan 启动子区预测工具,其预测基于比较所提交的序列 与真核生物 RNA 聚合酶 II 启动子...

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email