7、神经网络树在DNA序列识别中的应用

神经网络树在DNA序列识别中的应用

1. 引言

在生物信息学领域，准确识别DNA序列中的剪接位点和蛋白质编码区域是一项重要任务。传统的分类算法在处理这类复杂的生物数据时存在一定的局限性，而神经网络树（NNTree）作为一种混合学习算法，为解决这些问题提供了新的思路。

2. 剪接位点识别

2.1 数据集描述

用于剪接位点识别的数据集是Irvine Primate剪接位点数据库的处理版本。该数据库包含3186个示例，每个示例由60个核苷酸组成的窗口表示，核苷酸用{A, C, G, T}四个符号值表示，窗口中点被分类为内含子 - 外显子边界或其他情况。处理过程包括去除四个示例，将原始的60个符号属性转换为180个二进制属性，并将符号类标签转换为数字标签。随机选择2000个示例作为训练集，其余1186个示例作为测试集。

2.2 实验结果

实验结果通过多个表格和图表展示，以下是部分关键表格：
| 算法/方法 | 分类准确率(%) | 总节点数 | 树的高度 | 分类时间(ms) |
| — | — | — | — | — |
| NNTree | 94.2 | 5 | 3 | 517 |
| C4.5 | 93.3 | 127 | 12 | 655 |

从表格中可以看出，NNTree在剪接位点数据库上的分类准确率高于C4.5，且节点数、树的高度和分类时间都显著小于C4.5。此外，通过不同参数（η, α, Hn）下的实验结果，发现NNTree能够很好地泛化剪接位点数据库，并且随着L的增加，训练和测试准确率的标准差会减小。

2.3 学习过程分