基于統(tǒng)計(jì)特征和模糊支持向量機(jī)的剪接位點(diǎn)識(shí)別.pdf

1、選擇性剪接是真核生物基因表達(dá)調(diào)控的重要方法,剪接位點(diǎn)的準(zhǔn)確識(shí)別是基因識(shí)別的關(guān)鍵問題,本論文圍繞選擇性剪接位點(diǎn)的識(shí)別這一重要問題展開研究。
　　 首先,建立了選擇性剪接位點(diǎn)序列的正負(fù)樣本數(shù)據(jù)集。并通過分析數(shù)據(jù)集中相鄰選擇性剪接位點(diǎn)之間的距離,發(fā)現(xiàn)相鄰選擇性剪接位點(diǎn)之間的距離大多小于200堿基對(duì)(Base pair,bp),5’選擇性剪接位點(diǎn)之間的距離84％小于200bp,3’選擇性剪接位點(diǎn)之間的距離71％小于200bp。這表明選擇

2、性剪接位點(diǎn)兩側(cè)200bp范圍內(nèi)的序列對(duì)選擇性剪接事件的發(fā)生有重要的影響,選擇性剪接的保守信息就在此范圍之內(nèi)。
　　 其次,統(tǒng)計(jì)了剪接位點(diǎn)序列的核苷酸分布情況、雙核苷酸出現(xiàn)頻率、剪接位點(diǎn)信號(hào)強(qiáng)度、GC含量等特征,發(fā)現(xiàn)真實(shí)的剪接位點(diǎn)序列存在著較強(qiáng)的保守性,而虛假剪接位點(diǎn)序列則接近于隨機(jī)序列。進(jìn)一步計(jì)算序列的信息熵,發(fā)現(xiàn)這種保守性在供體位點(diǎn)-5～+10范Ⅲ內(nèi)和受體位點(diǎn)-20～+5范圍內(nèi)表現(xiàn)的最為明顯,這可為以后的剪接位點(diǎn)識(shí)別工作提供指

3、導(dǎo)。
　　 然后采用了經(jīng)典支持向量機(jī)(CSVM)和模糊支持向量機(jī)(FSVM)作為剪接位點(diǎn)識(shí)別算法。FSVM在一定程度解決了CSVM對(duì)噪聲樣本敏感的問題,但是常用的模糊隸屬度設(shè)計(jì)方法都賦予離類中心較遠(yuǎn)的樣本較低的權(quán)重,同時(shí)也降低了支持向量的權(quán)重,因此本文提出了一種新的模糊隸屬度設(shè)計(jì)方法,綜合考慮樣本到兩類的距離及樣本之間的關(guān)系,最終將噪聲樣本和支持向量顯著的區(qū)分開來。
　　 最后確定了在剪接位點(diǎn)識(shí)別問題中表現(xiàn)最好的多項(xiàng)式核

4、函數(shù)作為非線性支持向量機(jī)的核函數(shù),并通過Voss方法將剪接位點(diǎn)序列映射成叫條二進(jìn)制序列。多項(xiàng)式核函數(shù)CSVM對(duì)人類供體和受體位點(diǎn)的識(shí)別精度分別為:82.86％和66.34％；對(duì)小鼠供體和受體位點(diǎn)的識(shí)別精度分別為:77.52％和76.46％。基于本文提出的模糊隸屬度發(fā)計(jì)方法的FSVM識(shí)別粘度有了大幅度的提升:對(duì)人類供體和受體位點(diǎn)的識(shí)別精度分別為:93.75％和84.64％；對(duì)小鼠供體和受體位點(diǎn)的識(shí)別精度分別為:90.33％和78.13％。