DNA序列4D表示及基因识别算法研究

摘要

随着人类基因组计划的完成，生物基因数据呈指数形式增长，找出蛋白质编码基因，即基因识别，是进行基因组分析的基础，在生物信息处理中占有非常重要的地位。本文着重研究DNA编码区与非编码区的识别算法及DNA序列的表示法。 针对目前常用的基因识别算法对特征选取的主观性，本文提出了一种基于特征筛选的基因识别算法，使用该方法根据特征之间的相关性来获取基因的主特征，利用提取的主特征用fisher判别进行编码区与非编码区识别。 通过分析研究已有的DNA序列表示法，提出了一种新的DNA序列4D表示，该表示法不仅包含明确的生物学意义，而且有效避免了由DNA序列表示转化为几何表示法过程中造成的信息丢失。接着在DNA序列4D表示的基础上运用傅立叶变换，对编码区与非编码区序列进行频谱分析，从而实现编码区与非编码区的识别。 由于在编码区存在较强的周期三行为特征，非编码区周期三行为特征较弱甚至没有。利用这种差异，在新的DNA序列4D表示法基础上提出了一种可描述信号的相关性的共频系数，进而识别编码区与非编码区。 本文构造数据库对上述研究进行了验证和分析。实验结果表明：基于动态特征筛选的方法的识别率高达98％以上；基于DNA序列4D表示法的共频系数方法可以获得较高的识别率。