自適應(yīng)剖面隱馬氏模型軟件研制.pdf

1、該文第一章對(duì)課題研究需要用到的生物學(xué)背景知識(shí)和生物信息學(xué)的主要內(nèi)涵作了扼要的介紹,說明了該課題研究的學(xué)術(shù)意義和應(yīng)用價(jià)值,以及該課題具體研究的內(nèi)容.該文第二章從序列特征片斷CpG島建模,說明了研究隱馬氏模型的必要性.接著,列出了隱馬氏模型及其在實(shí)際應(yīng)用中面臨的三個(gè)關(guān)鍵問題,并給出了具體的求解過程.然后,介紹了在生物信息學(xué)中常用的隱馬氏模型:剖面隱馬氏模型、基因發(fā)現(xiàn)器隱馬氏模型和跨膜蛋白結(jié)構(gòu)預(yù)測(cè)隱馬氏模型等,反映了隱馬氏模型在生物信息學(xué)中起

2、著越來越重要的作用.最后,通過對(duì)國(guó)外隱馬氏模型的應(yīng)用狀況進(jìn)行了總結(jié),列舉了現(xiàn)有的隱馬氏模型軟件及隱馬氏模型數(shù)據(jù)庫(kù)和模型庫(kù).該文第三章圍繞著剖面隱馬氏模型展開各方面的討論.首先,闡述了計(jì)分矩陣的統(tǒng)計(jì)顯著性,剖面隱馬氏模型作為多重序列聯(lián)配的統(tǒng)計(jì)框架和各種得分;如負(fù)對(duì)數(shù)似然得分、Z-得分和對(duì)數(shù)差異得分.接著,基于貝葉斯推斷分析,在假設(shè)剖面隱馬氏模型參數(shù)(包括狀態(tài)轉(zhuǎn)移概率和符號(hào)發(fā)出概率)的先驗(yàn)分布均為Dirichlet分布的前提下,推導(dǎo)了貝葉斯

3、Baum-Welch重估計(jì)(EM)算法公式.然后,我們使用實(shí)際的例子說明了Baum-Welch重估計(jì)(EM)算法是一種局部?jī)?yōu)化算法,最終的剖面隱馬氏模型的質(zhì)量取決于初始參數(shù)的選取.基于模擬退火算法的思想,在加入隨機(jī)擾動(dòng)的情況下,驗(yàn)證了初始解的隨機(jī)選取對(duì)最終結(jié)果基本沒有影響.最后,對(duì)基于啟發(fā)式方法和極大化后驗(yàn)構(gòu)建算法確定和調(diào)整剖面隱馬氏模型主狀態(tài)數(shù)進(jìn)行了比較研究.用實(shí)例說明了用貝葉斯信息準(zhǔn)則在選取模型主狀態(tài)數(shù)時(shí)的有效性.該文第四章針對(duì)剖面

4、隱馬氏模型訓(xùn)練算法的不足之處,首先提出了一個(gè)兩階段(參數(shù)和構(gòu)形)交替優(yōu)化算法,它能自動(dòng)地從數(shù)據(jù)估計(jì)參數(shù)和優(yōu)化構(gòu)形,簡(jiǎn)稱為自適應(yīng)剖面隱馬氏模型.通常為確定剖面隱馬氏模型將訓(xùn)練分為兩個(gè)階段:第一階段是指在模型主狀態(tài)數(shù)已定時(shí)從訓(xùn)練序列數(shù)據(jù)集訓(xùn)練剖面隱馬氏模型的參數(shù)(狀態(tài)轉(zhuǎn)移概率和符號(hào)發(fā)出概率);第二階段是指從訓(xùn)練序列數(shù)據(jù)集確定剖面隱馬氏模型的主狀態(tài)數(shù),往往是采用啟發(fā)式方法或人工比較的方法.而自適應(yīng)剖面隱馬氏模型使得在參數(shù)估計(jì)的同時(shí),模型拓?fù)錁?gòu)