基于密度感知模式的生物序列分类算法
2018-04-12胡耀炜
计算机应用 2018年2期
胡耀炜,段 磊,2,李 岭,韩 超
(1.四川大学 计算机学院,成都 610065; 2.四川大学 华西公共卫生学院,成都 610041;3.四川大学 生命科学学院,成都 610041)(*通信作者电子邮箱leiduan@scu.edu.cn)
0 引言
理解细胞的分子生物机制的一个关键因素是通过对生物序列进行分类来了解不同生物序列的意义和功能[1-2]。随着分子生物学技术的快速发展,产生了大量的生物序列数据,如DNA序列、蛋白质序列等[3]。相比普通的符号序列数据,生物序列数据具有以下明显特点:1)组成生物序列中的符号总数少。例如,一条DNA序列由4种碱基({a,c,g,t})组成,一条蛋白质序列由20种氨基酸组成。在相同长度下,生物序列包含更多的重复出现的符号。2)生物序列的长度较长,例如一条基因或蛋白序列的长度通常在104的级别。3)不同类别的生物序列样本规模不平衡。受限于数据来源和数据采集成本,不同类别的生物序列在样本的长度、数量等统计指标上差别明显。
目前生物序列分类的方法大致可以分为三类:1)利用序列对比工具如FASTA(FAST All)[4]、BLAST(Basic Local Alignment Search Tool)[5]进行序列对比, 找出已知类标的数据库中最为相似的序列;2)基于统计或机器学习的方法,通过一些统计方法抽取序列特征,然后利用机器学习的方法进行序列分类[6-9];3)利用不同的模式挖掘来提取特征并进行分类[10-11]。利用序列对比工具进行分类在数据量较大时需要巨大的计算量;统计或机器学习方法所得到的结果尽管较好但解释性较差;而基于模式的方法具有较强的解释性,但存在分类效果不够理想、运行时间较长的问题。……
登录APP查看全文
