基于潛在語義分析的真核啟動子識別.pdf

1、基因識別是指采用生物學(xué)實驗或計算機(jī)等手段來識別DNA序列上的具有生物學(xué)特征的片段，是生物信息學(xué)的一個重要分支。啟動子是DNA序列上的一段重要的基因調(diào)控序列，標(biāo)志著轉(zhuǎn)錄起始點的位置，可以用來定位基因。本文研究的啟動子識別算法是一種基因識別工具，能在DNA序列中找出基因的大體位置，為生物學(xué)實驗提供參考。潛在語義索引廣泛應(yīng)用于文本挖掘，本文嘗試將潛在語義索引應(yīng)用于真核生物啟動子的識別算法中，提出了基于潛在語義索引全局模型和差異模型的啟動子識別

2、算法，并與文獻(xiàn)結(jié)果進(jìn)行了比較。最后，利用拉普拉斯矩陣的特征值分析了DNA序列集之間的相似性，將其應(yīng)用于啟動子識別算法的樣本選擇和評價中，取得了良好的結(jié)果。
　　 本文從潛在語義索引的原理分析出發(fā)，提出了一種基于潛在語義索引全局模型的啟動子識別算法，通過實驗驗證了潛在語義索引能起到有效的降維和分類作用。對多種影響算法的因素進(jìn)行了詳細(xì)分析，總結(jié)歸納出了全局模型的特點和不足。在此基礎(chǔ)上，本文又提出了一種應(yīng)用潛在語義差異模型進(jìn)行啟動子識

3、別的算法，通過實驗驗證了差異模型識別啟動子的有效性，分析了表示方法和閾值等參數(shù)對于算法的影響，并總結(jié)了差異模型相對于全局模型的優(yōu)點。本文提出了一種新的分離度概念，通過分析拉普拉斯的特征值來度量各種DNA序列集的相似程度。人工序列和多組真實數(shù)據(jù)的實驗表明，這種相似性度量是有效的。最后，通過將該度量方法應(yīng)用于啟動子識別的樣本選擇和評價中，證實了分離度高的樣本識別效果更好。
　　 本文創(chuàng)新點如下：
　　 (1)提出了基于潛在語