检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

优化K-MER模型对生物序列进行聚类

福建电脑 2024年第7期40卷 58-62页

作者：李莉黄伟赵佳旭福州职业技术学院信息工程学院福州350100

基于K-mer的生物序列聚类算法是一种基于序列特征的聚类方法。纯粹的K-mer聚类算法运行速度较慢。为解决这个问题,本文提出了对生物序列聚类的优化KMER模型。首先以生物序列的K-mer频率为基础,将每个字符(A、C、G、T)分配一个两位的二... 详细信息

基于K-mer的生物序列聚类算法是一种基于序列特征的聚类方法。纯粹的K-mer聚类算法运行速度较慢。为解决这个问题,本文提出了对生物序列聚类的优化KMER模型。首先以生物序列的K-mer频率为基础,将每个字符(A、C、G、T)分配一个两位的二进制数,通过位操作来构造K-mer的索引,然后使用Python的joblib库并行化getKmer函数的应用过程,最后通过K-means算法进行序列聚类。实验的结果证明,在保证准确性的前提下,优化后的KMER模型对生物序列聚类的时间减少了一半以上。

关键词：生物序列聚类算法位操作并行化

在线全文

学校读者我要写书评

暂无评论

生物序列的邻位约束比较方法

北京工业大学学报 2005年第5期31卷 533-536页

作者：李玉鑑北京工业大学计算机学院多媒体与智能软件技术北京市重点实验室北京100022

为了更合理地分析生物序列的保守位点和保守区域,提出并研究了一种对生物序列元素位置进行约束的比较方法.在理论上与传统的动态规划方法进行比较分析,结果表明:其计算复杂性与传统方法一样,但所需的绝对计算量可减少1/3～2/3.计算结果... 详细信息

为了更合理地分析生物序列的保守位点和保守区域,提出并研究了一种对生物序列元素位置进行约束的比较方法.在理论上与传统的动态规划方法进行比较分析,结果表明:其计算复杂性与传统方法一样,但所需的绝对计算量可减少1/3～2/3.计算结果不仅表明该方法比传统方法可减少1/4～2/5的计算时间,而且说明如果序列的可比性较好且适当选择位置约束条件,那么得到的比对结果与传统方法基本一致.

关键词：生物序列最大相似度最小区别度邻位约束

基于深度学习的生物序列识别与功能位点预测研究

在线全文

学校读者我要写书评

暂无评论

基于深度学习的生物序列识别与功能位点预测研究

作者：徐磊重庆大学

学位级别：硕士

海量生物序列数据蕴含着大量未知且极为复杂的生命信息,而现有实验研究方法以及基于传统机器学习的理论预测方法已无法满足海量生物序列结构与功能研究的迫切需求。近年来,凭借对复杂非线性问题的强大学习能力,深度学习已经在众多领域... 详细信息

海量生物序列数据蕴含着大量未知且极为复杂的生命信息,而现有实验研究方法以及基于传统机器学习的理论预测方法已无法满足海量生物序列结构与功能研究的迫切需求。近年来,凭借对复杂非线性问题的强大学习能力,深度学习已经在众多领域取得了突破性研究成果,并为生物序列结构与功能研究带来了良好的发展契机。论文以深度学习中最具有代表性的卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)为主要研究方法,分别就启动子识别以及蛋白质翻译后磷酸化、泛素化和甲基化修饰位点预测进行了较为全面的探索性研究,以期为相关生物序列识别与功能预测研究提供理论参考。主要研究内容与结果如下:(1)启动子预测研究采用独热编码和卷积神经网络分别对人、小鼠、黑腹果蝇和拟南芥4个物种的TATA-box和TATA-less两种类型启动子进行了预测研究。经超参数寻优成功构建了4个物种两种类型启动子的CNN预测模型。除人的TATA-less类启动子预测模型外,其他7个模型的外部预测Acc、Sen、Spe、F1和AUC值均大于0.90。总体来看,CNN对TATA-box型启动子的预测性能要优于TATA-less型启动子。为避免模型对启动子特征元件的依赖性,论文通过启动子序列重排来构建高质量阴性样本,显著降低了CNN模型的假阳性预测结果。与原有模型相比,重构后CNN模型的外部预测能力有了进一步提升。(2)蛋白质磷酸化位点预测研究基于ESPD数据库收录的磷酸化蛋白质序列信息,分别对丝氨酸(S)、苏氨酸(T)和赖氨酸(Y)磷酸化位点的上下游氨基酸分布特性进行了研究。在此基础上,经超参数寻优分别构建了蛋白质磷酸化位点预测的CNN和RNN模型,同时考察了不同样本长度、不同序列表征方法以及不同循环单元对模型预测能力的影响。研究结果显示:对于S和T磷酸化类型,基于磷酸化位点及其上下游各10个残基的GRU模型表现出了较高的预测性能,其外部预测Acc、AUC、MCC值分别为0.812、0.814、0.623(S)和0.751、0.751、0.502(T),明显优于CNN模型。对于Y磷酸化类型,CNN模型则取得了最佳预测结果,其外部预测Acc、AUC、MCC值为0.749、0.749、0.498。与已有预测模型相比,论文构建的GRU模型具有样本容量大、网络构架简单且无需进行数据预处理等诸多特点。(3)蛋白质甲基化位点预测研究基于DBPTM、Phosphosite Plus以及Uniprot数据库收录的精氨酸甲基化序列信息,考察了甲基化位点上下游各25个氨基酸残基分布特征。在此基础上,经超参数寻优分别建立了基于甲基化位点及其上下游各15个残基序列的最优CNN和LSTM预测模型。所建模型的外部预测Acc和AUC值分别为0.775、0.801(CNN)和0.765、0.801(LSTM)。此外,论文采用与文献相同的训练集、验证集和测试集样本对CNN和LSTM模型进行了重建,并与PRme Pred等8个已有模型进行了外部预测能力比较。研究结果显示:论文所构建的LSTM和CNN模型的综合预测能力最优,其Acc、Sen、Spe和Mcc分别为0.94、0.84、0.97、0.83(LSTM)和0.93、0.81、0.96、0.81(CNN)。除灵敏度外,其他指标均显著优于已有8个预测模型。(4)蛋白质泛素化位点预测研究基于文献收集整理的赖氨酸泛素化修饰蛋白序列,考察了赖氨酸泛素化位点上下游的氨基酸分布特征,并在此基础上采用泛素化位点及其上下游各13个氨基酸序列为模型输入信息,经超参数寻优分别构建了CNN和LSTM泛素化位点预测模型。研究结果显示:论文所建CNN和LSTM模型对2个独立外部预测集的AUC分别为0.890、0.888(CNN)以及0.886、0.888(LSTM)。与已有Ubi Site-XGBoost和Deep Ubi等7个传统机器学习或深度学习预测模型相比,论文所建模型具有更高的鲁棒性和外部预测能力。总的来说,论文采用深度学习方法对生物序列识别和功能预测进行了初步的探索性研究,并取得了较为满意的结果。与传统机器学习方法相比,所建立的CNN和RNN模型具有较高的预测准确性,且无需手动进行结构表征与特征筛选,尤其适用于生物序列的大规模识别和预测研究。

关键词：生物序列启动子蛋白质翻译后修饰位点深度学习预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

生物序列分析中的若干数学方法

高校应用数学学报（A辑） 2005年第4期20卷 379-392页

作者：谢惠民苏州大学数学系江苏苏州215006

生物序列是由4种核苷酸组成的核酸序列和由20种氨基酸组成的蛋白质序列.论文介绍生物序列研究中的计数方法、组分分析方法、隐马尔可夫模型方法以及它们的某些应用.

关键词：生物序列计数问题组分分析方法隐马尔可夫模型

在线全文

学校读者我要写书评

暂无评论

生物序列数据挖掘技术研究

合肥工业大学学报（自然科学版） 2012年第9期35卷 1212-1216页

作者：杨恒宇安徽省科学技术情报研究所安徽合肥230001

生物序列数据是生物信息数据中重要的一部分,研究生物序列解读其隐含的生物学意义是生物信息学研究的热点和难点。数据挖掘是当前分析大规模数据的有效工具之一,已广泛应用于分析生物序列数据,并取得了许多研究成果。文章综述了生物序... 详细信息

生物序列数据是生物信息数据中重要的一部分,研究生物序列解读其隐含的生物学意义是生物信息学研究的热点和难点。数据挖掘是当前分析大规模数据的有效工具之一,已广泛应用于分析生物序列数据,并取得了许多研究成果。文章综述了生物序列数据挖掘的关键技术,包括序列比对算法、DNA序列模式挖掘、关联、分类、聚类分析、RNA二级结构预测、蛋白质序列分类和聚类分析,最后展望未来研究方向。

关键词：生物序列数据挖掘生物信息学序列比对

在线全文

学校读者我要写书评

暂无评论

生物序列模式挖掘方法研究及其应用

生物序列模式挖掘方法研究及其应用

作者：郭顺厦门大学

学位级别：硕士

随着生物信息学的发展,生命科学数据呈爆炸式增长,迫使人们寻求强有力的数据管理和分析工具。数据挖掘是目前最有效的数据分析手段,用于发现大量数据所隐含的各种规律。在生物序列分析中,数据挖掘技术有着非常广阔的前景,对于提高数据... 详细信息

随着生物信息学的发展,生命科学数据呈爆炸式增长,迫使人们寻求强有力的数据管理和分析工具。数据挖掘是目前最有效的数据分析手段,用于发现大量数据所隐含的各种规律。在生物序列分析中,数据挖掘技术有着非常广阔的前景,对于提高数据处理能力、产生有价值的生物学知识起着重要作用。生物序列模式挖掘是生物序列数据挖掘的一项重要研究内容,它对指导基因的识别和功能注释、非编码区功能元素的识别、蛋白质序列组成信息（如功能域或结构域）的识别等具有重要的意义。生物序列频繁模式挖掘和生物序列特定模式挖掘是生物序列模式挖掘中两个重要的研究内容。针对传统生物序列频繁模式挖掘算法会在挖掘过程中产生大量短的模式而导致的挖掘效率低下的问题,本文提出一种基于模式划分的生物序列频繁模式挖掘算法MBioPM。MBioPM算法采用模式划分的方法,挖掘时能从一个指定较长的模式长度开始挖掘,避免了产生大量的短的生物序列模式,明显提高了挖掘的运行时间效率。实验和分析证明了该算法的有效性。为了解决传统生物序列特定模式挖掘算法在挖掘过程中需要两两比较子序列从而导致挖掘效率不高的问题,本文提出一种基于MD索引结构的生物序列特定模式挖掘算法MSATR。MSATR算法在挖掘过程中只需要比较相邻的模式,就可以得到满足条件的生物序列特定模式。由于MSATR算法避免了不相关模式的比较,大大提高了挖掘效率。实验和分析证明该算法是有效的。

关键词：生物序列模式挖掘模式划分

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

生物序列的索引研究及其应用

生物序列的索引研究及其应用

作者：邱伯仁复旦大学

学位级别：硕士

在生物领域研究中,在巨量生物数据库中进行生物序列相似性查询是一项经常性的工作,在探索生物学知识和生命活动规律的过程中扮演着重要角色。然而在大型的长序列数据库中用朴素的完全搜索方法来进行相似性查询,其效率是非常低下的。因此... 详细信息

在生物领域研究中,在巨量生物数据库中进行生物序列相似性查询是一项经常性的工作,在探索生物学知识和生命活动规律的过程中扮演着重要角色。然而在大型的长序列数据库中用朴素的完全搜索方法来进行相似性查询,其效率是非常低下的。因此,研究者开始研究各种优化方式来提高查询效率。查询优化的关键技术之一就是建立索引。索引结构用一定的存储空间作为代价换取查询时的快速响应。良好的索引结构能有效组织生物序列数据,显著提高检索的速度。然而现有的方法存在一些问题,针对这些问题提出新的方法以提高查询效率是当前研究的热点。本文分析了当前的生物序列相似性查询的索引研究的现状,针对现有查询算法的不足,提出了新的基于索引的生物序列相似性查询算法BioIndex方法和SSQ MF算法,设计实现了转录调控序列数据挖掘系统ITREP。本文取得的主要研究成果如下: (1)提出了BioIndex索引结构及基于此结构的查询算法针对生物序列的最近邻查询问题,BioIndex索引结构及基于此的查询算法提供了一种有效的解决方式。该方法是在生物序列集中的序列模式挖掘的基础上建立索引,能有效控制索引结构的大小,使之能存储在内存中进行快速查询。实验结果表明,基于BioIndex的查询算法提高了生物序列查询的效率。 (2)提出了基于多重索引结构进行过滤的序列相似性查询算法SSQ MF 针对生物序列的范围查询问题,SSQF算法通过建立三种不同的索引结构,形成三种过滤器进行过滤,使得算法过滤能力较基于单一过滤器算法进一步增强。SSQF算法有效估计了各过滤器的过滤集大小,并构建了一个由过滤集大小确定的最优过滤顺序模型,大大降低了算法的过滤代价。实验结果表明,算法SSQF的查询性能优于单一过滤器算法和随机过滤顺序的多过滤器算法。 (3)设计实现了转录调控序列数据挖掘系统ITREP 转录调控是后基因组时代研究的热点之一。本文将上述方法应用于顺式调控元件(转录因子结合位点)的查询中,提高了查询的效率。为生物学家进行转录调控规律研究提供了良好的生物信息学工具。

关键词：索引生物序列生物数据库查询优化

生物序列及其索引的压缩存储技术的研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

生物序列及其索引的压缩存储技术的研究与实现

作者：郑元荣哈尔滨工业大学

学位级别：硕士

自从1953年DNA结构被揭示以来,分子生物学取得了巨大的进展。随着对生物大分子序列操纵能力的增强,生物信息学等学科研究的深入及人类基因组计划的完成,科研工作已经产生并仍在产生大量的数据,存储DNA序列信息及其索引所占用的空间也在... 详细信息

自从1953年DNA结构被揭示以来,分子生物学取得了巨大的进展。随着对生物大分子序列操纵能力的增强,生物信息学等学科研究的深入及人类基因组计划的完成,科研工作已经产生并仍在产生大量的数据,存储DNA序列信息及其索引所占用的空间也在呈指数增长。因此,设计高效的生物序列索引结构,研究生物序列数据的压缩存储技术成为生物数据库领域的重要研究课题。生物序列数据库中存储着规模巨大的生物序列信息,由于生物的关键基因往往有多个副本,这些信息中有很多重复子串,而且生物有时为了进化或“自私”的目的也要对某些基因进行复制。因此,生物序列数据库中存在大量数据冗余,是可以被压缩的。本文提出了一种结构并行的局部优化压缩算法,通过把生物序列数据分片到多台处理机,在单个处理机上采用广义后缀树来查找序列中冗余子串的方法,明显提高了序列压缩的处理速度。在生物序列分片压缩的基础上,本文还给出了一种结构并行的搜索操作算法。索引技术加快了序列处理的速度,现有的索引技术包括后缀树,后缀数组,q-gram和q-sample等。其中后缀树处理速度最快,但由于“内存瓶颈”问题不能应用在大序列上。本文提出了压缩的分层存储索引结构。这种结构采用一种自顶向下建立后缀树索引结构的方法,它由若干层组成,每层都可以依次独立建立,这样就有效避免了“内存瓶颈”问题。该结构在保证建立效率和搜索操作效率的同时,有效利用了存储空间。在此基础上,给出了其上的搜索操作算法。实验表明:本文的序列压缩算法与其他压缩算法相比,压缩效果有明显改进;分层存储索引的空间需求情况得到了较大缓解,同时其搜索操作的效率并未受到明显影响。

关键词：压缩并行处理生物序列后缀树分层索引

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

生物序列索引结构的研究与实现

生物序列索引结构的研究与实现

作者：张任文哈尔滨工业大学

学位级别：硕士

随着生物技术的发展,许多致力于研究物种基因的项目已取得了很大的成就。大量的物种引起了人类浓厚兴趣,如果能加快序列处理技术的发展,就能从许多新的序列中发现更多的特征。在这样的情况下,研究人员利用索引技术来改进序列的处理。对... 详细信息

随着生物技术的发展,许多致力于研究物种基因的项目已取得了很大的成就。大量的物种引起了人类浓厚兴趣,如果能加快序列处理技术的发展,就能从许多新的序列中发现更多的特征。在这样的情况下,研究人员利用索引技术来改进序列的处理。对于较小的序列来说,后缀树索引无疑是一种很好的解决办法,但由于它产生了“内存瓶颈”,不适合大的序列;后缀数组是另一种最具有竞争力的索引结构,与后缀树相比,它需更少的存储空间,但在数据搜索方面却效率较低;基于q-gram和q-sample的索引方法虽然能用于快速搜索,但是不能用于搜索相似度低的数据。本文提出了一种分层的索引结构,使用这种结构能够建立超过内存容量的索引,而且能有效得执行各种数据搜索。分层索引结构是基于后缀树的,它由若干层组成,通常情况下,每一层又包括若干棵子后缀树。本文按照层次递进的顺序依次建立,并独立存储每一层。在索引的建立技术上,本文采用“自顶向下且只写”的思想。整个建立算法包括三个部分:后缀排序,计算最短公共前缀和建立子后缀树。在建立每层索引的过程中,这三个步骤均能在线性时间内完成。在存储策略上,本文把整个索引划分为两部分:第一部分保存子后缀树的信息,子后缀树可以采用多种不同的优化方法存储,每种方法所需的存储空间和性能均不相同。第二部分是索引部分,包括子后缀树的索引和其他信息。利用这部分信息,可以快速定位每棵子后缀树在磁盘中的位置。根据不同的子后缀树存储方法,本文介绍了多种搜索方法。同时,还研究了内存空间中的子后缀树管理方法。在最后的实验部分中,使用本文的索引结构和建立方法建立了比内存更大的索引,并在时间和空间上都获得良好的效果。此外,还用实验验证了存储策略和搜索方法的各种性能。

关键词：后缀树序列索引生物序列基因存储