基于遗传神经网络的转录因子结合位点识别方法研究

摘要

生物信息学中的一个重要研究内容就是对基因转录调控的研究。转录因子结合位点的正确识别既是揭示转录因子功能的关键之一，又是理解基因转录调控机理的重要环节。转录因子是一种特异性DNA结合蛋白，它能够识别一段特定的DNA序列（转录因子结合位点）并与之结合，进而调节DNA的代谢和转录。随着对基因研究的不断深入，为了更好地了解基因表达调控机制特别是转录调控机制，人们已经开发了许多识别和预测转录因子结合位点的算法和软件，但还有很多方面需要进一步完善和加强。 作为模式识别的有力工具，神经网络具有良好的非线性逼近性和鲁棒性，已经被广泛并成功地应用于序列分析中。BP神经网络的学习规则多采用梯度下降法，梯度下降法虽然速度快，但是却容易陷入局部极小，导致其全局寻优性能不高。遗传算法具有可靠的全局搜索能力，它不依赖梯度信息，而是通过模拟自然进化过程来搜索最优解。所以，本文结合遗传算法与梯度下降法的优点，设计了一种训练神经网络权值的混合优化算法，可以利用它来解决网络学习初始权值的选取问题。并将基于遗传算法优化的BP网络模型用于转录因子结合位点识别问题上。实验所需的数据，本文利用Metlnspector打分方法结合一致性序列模型的方式来产生。根据一致性序列模型生成若干序列片段，然后利用Metlnspector打分函数打分，按分值比例选取试验样本。通过这种数据处理方式可以获得更多更接近真实数据的实验样本，弥补转录因子结合位点数据量少的不足。 本文使用MATLAB语言来实现算法功能，对应于5组实验数据，分别构建了5个遗传算法优化的BP网络。文章最后对遗传算法优化的BP网络和同规模的纯BP网络以及遗传算法预测的实验结果做了比较。结果表明，遗传算法优化的BP网络的性能优于纯BP网络和遗传算法。

目录

文摘

英文文摘

声明

第1章绪论

1.1基因表达调控及其研究意义

1.2转录因子结合位点识别方法的研究现状

1.3本文主要工作及意义

第2章转录因子结合位点的表示模型及数据处理

2.1转录因子结合位点的描述类型

2.1.1一致性序列模型

2.1.2矩阵模型

2.1.3可视化模型

2.2数据的获得

2.3数据的处理

2.3.1位置权重矩阵表示方法

2.3.2序列的打分

2.3.3样本的生成

第3章BP神经网络和遗传算法

3.1人工神经网络简介

3.1.1神经元形式化描述和人工神经网络模型

3.1.2 BP神经网络的原理及学习规则

3.1.3 BP网络的一些缺陷

3.2遗传算法的基本原理

3.2.1遗传算法的数学模型

3.2.2基本遗传算法的框架

3.2.3遗传算法实现的主要因素

第4章基于遗传神经网络的转录因子结合位点识别研究

4.1遗传算法结合神经网络

4.1.1基于遗传算法的BP网络权值的优化设计

4.1.2遗传算法优化BP网络的算法框架

4.1.3用MATLAB工具箱构造遗传神经网络

4.2算法在转录因子结合位点识别中的应用

4.2.1算法实现过程中的几个问题

4.2.2仿真程序流程

4.2.3实验过程

4.3实验数据比较与分析

4.3.1几个性能指标

4.3.2三种方法的比较与分析

4.4本章小结

第5章结束语

参考文献

致谢

在学期间公开发表论文及著作情况