计算机算法在生物信息学中的应用,模式识别在生物信息学中的应用

摘要：

模式识别是人类的一项基本能力。随着1946年真正意义上的第一台计算机的出现以及50年代人工智能的兴起,科学家当然也期待着能使用计算机来代替或扩展人类的部分脑力劳动。模式识别在20世纪60年代初迅速发展并成为一门新兴学科,这门学科专注于一些实例来解决给定问题,而每一个实例中都存在着若干的与该给定问题相关的特性。这些给定问题包括聚类,即无监督学习;分类,即监督学习;降维,即结合或选择某些特征达到一个更有用的表征状态等。在生物信息学中运用模式识别算法是非常普遍的。本文基于哈佛大学Reshef教授提出的最大信息系数即MIC(Maximal Information Coefficient)以及非编码RNA的模式识别中的分类器算法,重点研究如何利用模式识别中的一些算法准确高效地解决生物信息学中的某些复杂问题。 1)相似性度量是模式识别中的一个重要概念,为了识别的合理性,必须描述样本之间的亲疏远近程度。刻画样本点之间的亲疏远近程度需要用到关联函数,而MIC就是相似系数函数的一类。2011年底,哈佛大学的Reshef教授在著名的科学杂志《Science》上发表了一篇论文,提出了MIC,MIC捕捉由多种因素驱动的复杂关系。然而,在我们基于生物信息数据的计算后发现,MIC的实现软件MINE(MaximalInformation-based Nonparametric Exploration)并不总是收敛于真正的MIC值,精度只有30%左右,并且在数学上具有很大的退化性。因此,本文为了方便MIC的准确计算,开发了一种实现算法名为SIG(Simulated annealing,Interpolation and Genetic),即模拟退火、插值、遗传优化,并基于Markov理论证明了SIG算法的收敛性,推广了该算法在生物信息上的应用。 2)非编码RNA(Non-eoding RNA)是指不编码蛋白质的RNA,ncRNA的发现和功能注释已经成为生物信息学最新研究的热点和难点。然而,全基因组ncRNA的高精度及高覆盖度识别依然具有很大的挑战性。本文研究了一种ncRSOF(ncRNAsidentification based on k-mer String and ORF Features)算法,即基于k-mer串与ORF(Open Reading Frame)特征的ncRNA识别分类算法。该算法在保证计算高效的同时使分类结果的准确性和覆盖度都达到了96%以上。

展开