基于进化神经网络的真核生物基因启动子位点确定模型的建立

摘要

人类基因组计划的开展，产生了巨量的基因组信息。分析这些信息是人类基因组研究必不可少的重要工作。作为其中的一个工作，真核生物基因启动子区域的识别是一个难点。 为了从基因中分割外显子序列，启动子这一提供生物学功能的富含信息的信号序列是必不可少的。本文在分析了真核生物基因启动子的相对保守序列的基础上，利用真核生物基因启动子的TATA盒、CAAT盒和GC盒的相对保守性和其统计学事实，结合进化神经网络建立了真核生物基因启动子的识别模型，并且设计了计算机仿真程序。主要的工作和结论如下： (1)由于真核生物基因启动子区域的保守序列具有一定的假阳性，利用传统的基于物理化学原理的方法无法把序列间的关系和相关特征表现出来，神经网络这一具有自学习、自适应能力的系统可以很好的解决此弊病。但是神经网络存在训练速度慢，易陷入局域极小值和全局搜索能力弱等缺点。在研究了遗传算法后，发现它可以较好地改进以上的缺点。所以在此基础上，利用进化神经网络，采取BP算法和遗传算法建立了真核生物基因启动子识别模型。 (2)对设计好的识别模型进行了计算机仿真程序设计，利用从EPD(真核生物启动子数据库)下载的数据对建立好的识别模型进行了训练，然后用对于模型未知的数据对模型进行了预测，结果表明识别模型的建立是比较成功的。 (3)为非编码区其它组分的智能确定模型的建立提供了一个通用的模板。

目录

文摘

英文文摘

1绪论

1.1本课题研究背景

1.2国内外的研究现状

1.3遗传算法和人工神经网络简介

1.3.1遗传算法简介

1.3.2人工神经网络简介

1.4本论文的工作

2人工神经网络概述

2.1生物神经网络

2.2人工神经网络基础

2.3 BP神经网络的算法描述

2.3.1 BP神经网络的结构

2.3.2 BP神经网络的学习算法

2.4 BP神经网络的设计

2.4.1 BP神经网络的层数

2.4.2隐含层神经元的数目

2.4.3初始连接权值的选取

2.4.4学习速率的选取

2.4.5期望误差的设置

2.5 BP神经网络的限制和不足

3遗传算法概述

3.1遗传算法的生物学背景

3.2遗传算法的结构

3.3遗传算法的基本特征

3.4遗传算法的编码和解码

3.5遗传算法模型的理论研究

3.5.1广义遗传算法和传统遗传算法

3.5.2遗传算法的数学理论(遗传算法的基本定义和定理)

3.6遗传算法模型现存的问题和发展方向

4基于神经网络和遗传算法的结合算法研究

4.1人工神经网络和遗传算法的相容性

4.1.1遗传算法在神经网络中的应用

4.1.2神经网络在遗传算法中的应用

4.2神经网络和遗传算法的结合方式

4.3已有的神经网络和遗传算法的结合算法

4.3.1融合结合算法

4.3.2 GA BP算法

4.3.3 BP_GA算法

4.4结合算法与BP神经网络算法和遗传算法对比

4.5新结合算法的理论改进和突破

4.6几类新方法实现结合算法

5真核生物启动子进化网络模型的实现

5.1真核生物启动子的保守序列

5.2碱基序列的编码方案

5.3进化神经网络模型

5.3.1进化神经网络的网络结构

5.3.2遗传算法中选择算子的设定

5.3.3遗传算法中交叉算子的设定

5.3.4遗传算法中变异算子的设定

5.3.5遗传算法参数的选择

5.3.6进化神经网络模型的设计

5.4进化神经网络模型的建立

5.5进化神经网络模型的仿真和预测

5.5.1进化神经网络模型的仿真程序设计

5.5.2利用进化神经网络模型进行预测

5.5.3讨论

6结论与展望

6.1结论

6.2对未来工作的展望

致谢

参考文献