基于基因序列聚類和分類研究

《基于基因序列聚類和分類研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、湖南大學(xué)碩士學(xué)位論文基因序列聚類和分類研究姓名：吳君浩申請(qǐng)學(xué)位級(jí)別：碩士專業(yè)：計(jì)算機(jī)軟件與理論指導(dǎo)教師：駱嘉偉20060325碩士學(xué)位論文l!IIi．i,i!I．．I!!#!。_##=

2、==E自_#E!{自E!__e摘要隨著現(xiàn)代生物技術(shù)的不斷發(fā)展特別是基因組計(jì)劃的實(shí)施，人們不斷獲取大量的基因序列數(shù)據(jù)，準(zhǔn)確、高效的對(duì)基因序列數(shù)據(jù)進(jìn)行分析并挖掘出隱藏在其中的對(duì)人類有用的信息是非常必要的。聚類和分類技術(shù)正是能夠?qū)Υ罅炕驍?shù)據(jù)進(jìn)行分析的技術(shù)。本文著重研究基因序列數(shù)據(jù)中的聚類和分類算法。K一均值聚類算法是一種常用的聚類算法，它采用重復(fù)再分配類成員，使同一個(gè)類成員之間分散度最小的方法來(lái)獲得最佳聚類結(jié)果。

3、本文提出了一種基于隱馬爾可夫模型的二次K．均值基因序列聚類算法，引入了同源基因序列核苷酸比率趨向于一致的生物學(xué)特征來(lái)對(duì)基因序列數(shù)據(jù)量化并進(jìn)行初次K．均值聚類，再將第一次聚類結(jié)果作為輸入訓(xùn)練出表征序列特征的隱馬爾可夫模型，最后采用基于模型的K．均值方法聚類，使得算法具有較好的聚類正確率。在研究了微生物基因核苷酸分布規(guī)律的基礎(chǔ)上，本文提出了一種使用微生物遺傳特征來(lái)進(jìn)行基因序列聚類的方法。首先從每條基因序列中劃分出若干個(gè)等差長(zhǎng)度的采樣片斷，然后利用各采樣片斷的遺傳特征值來(lái)作為基因序列聚類的依據(jù)。這是一種相對(duì)靈敏而且客觀和可信度商的分類方法，試驗(yàn)結(jié)果表明該方法是可行的并且具有較好的聚類效果。在對(duì)基因

4、序列進(jìn)行分類的過(guò)程中如果訓(xùn)練樣本種類不全，那么用常規(guī)分類方法進(jìn)行基因序列的分類就會(huì)出現(xiàn)類缺失的情況。針對(duì)這個(gè)問(wèn)題本文利用基因序列獨(dú)特的排列及結(jié)構(gòu)特征提出了多個(gè)新的與模型相關(guān)的度量方法，通過(guò)模型間距離矩陣獲得的閥值動(dòng)念調(diào)整分類的個(gè)數(shù)，這樣就克服了人為假設(shè)已標(biāo)記類個(gè)數(shù)為實(shí)際類個(gè)數(shù)的局限性，減少了訓(xùn)練樣本種類不全對(duì)模型迭代訓(xùn)練的負(fù)面影響，成功解決了序列訓(xùn)練樣本種類不全導(dǎo)致類缺失的問(wèn)題。關(guān)鍵詞：聚類；分類；基因序列；隱馬爾可夫模型：K．均值基岡序列聚類和分類研究Withthecontinuousdevelopmentofmodernbiologytechnology,especiallytheimp

5、lementoftheHumanGenomeProject，peoplehavegraduallyacquiredquantitiesofgenesequencesdataandit’Squitenecessarytoanalyzegenesequencesdataaccuratelyandefficiently，aswellastominepotentialusefulinformationfurpeople．ClusteringandClassificationarejusttwomainmethodsofanalyzingquantitiesofgenedata．Thispaperfo

6、cusesontheClusteringandClassificationalgorithmsingenesequencesdata．K—meansisacommonClusteringalgorithmwhichmakesmembersinasameclasshavetheminimumdispersionviareassignclassmembersinordertoobtainthebestclusteringresults．InthispaperwediscussadoubleK·meanmode-basedalgorithmtomodelingandclusteringgenese

7、quencesdata，usinghiddenmarkovmodels(HMMs)．First，thebiologicalcharacteroffournucleotidesratioofhomologousgenesequenceswhicharetrendtoaccordantisproposedtoinitialK—meanclusteringongenesequencesdata，andsecond，thefirstclusteringresultsateusedasinputtotrainsomeHMMsthatcandenotesequencesidentitieswell．Fi

8、nally,mode—basedK·meanapproachisadaptedtoclusteringagain，thismakesthenewalgorithmhasbetterquality．Onthebasisofstudyingthedistributingrulesofmicrobialnucleotides，thispaperdiscussesamethodtoclusteringsequenti