生物信息學(xué)的算法

生物信息學(xué)的算法演示文稿本文檔共29頁(yè)；當(dāng)前第1頁(yè)；編輯于星期二\3點(diǎn)6分生物信息學(xué)的算法本文檔共29頁(yè)；當(dāng)前第2頁(yè)；編輯于星期二\3點(diǎn)6分§1生物信息學(xué)研究方法概述1.1生物信息學(xué)研究的三個(gè)層面初級(jí)層面中級(jí)層面高級(jí)層面本文檔共29頁(yè)；當(dāng)前第3頁(yè)；編輯于星期二\3點(diǎn)6分初級(jí)層面基于現(xiàn)有的生物信息數(shù)據(jù)庫(kù)和資源，利用成熟的生物信息學(xué)工具（專(zhuān)業(yè)網(wǎng)站、軟件）解決生物信息學(xué)問(wèn)題——生物信息數(shù)據(jù)庫(kù)（NCBI、EBI等）——基因組序列分析、序列比對(duì)軟件（GCG、BLAST、CLUSTAL等）——系統(tǒng)發(fā)育樹(shù)構(gòu)造軟件（PHYLIP、PALM、MEGA等）——分子動(dòng)力學(xué)模擬軟件（GROMACS、NAMD等）——搜集、整理有特色的生物信息學(xué)數(shù)據(jù)集本文檔共29頁(yè)；當(dāng)前第4頁(yè)；編輯于星期二\3點(diǎn)6分中級(jí)層面利用數(shù)值計(jì)算方法、數(shù)理統(tǒng)計(jì)方法和相關(guān)的工具，研究生物信息學(xué)問(wèn)題——概率、數(shù)理統(tǒng)計(jì)基礎(chǔ)——科學(xué)計(jì)算基礎(chǔ)——現(xiàn)有的數(shù)理統(tǒng)計(jì)和科學(xué)計(jì)算工具（EXCEL、SPSS、SAS、MATLAB等）——建立有特色的生物信息學(xué)數(shù)據(jù)庫(kù)本文檔共29頁(yè)；當(dāng)前第5頁(yè)；編輯于星期二\3點(diǎn)6分高級(jí)層面提出有重要意義的生物信息學(xué)問(wèn)題；自主創(chuàng)新，發(fā)展新型方法，開(kāi)發(fā)新型工具，引領(lǐng)生物信息學(xué)領(lǐng)域研究方向?！嫦蛏飳W(xué)領(lǐng)域，解決生物學(xué)問(wèn)題——數(shù)學(xué)、物理、化學(xué)、計(jì)算科學(xué)等思想和方法——建立模型，發(fā)展算法——自行編程，開(kāi)發(fā)軟件，建立網(wǎng)頁(yè)（Linux系統(tǒng)、C/C++、PERL、數(shù)據(jù)庫(kù)技術(shù)）本文檔共29頁(yè)；當(dāng)前第6頁(yè)；編輯于星期二\3點(diǎn)6分從事生物信息學(xué)研究應(yīng)具備多方面的科學(xué)基礎(chǔ)：（1）、一定的計(jì)算能力，包括相應(yīng)的軟、硬設(shè)備。要有各種數(shù)據(jù)庫(kù)或者能與國(guó)際、國(guó)內(nèi)的數(shù)據(jù)庫(kù)系統(tǒng)進(jìn)行有效的交流。要有發(fā)達(dá)、穩(wěn)定的互聯(lián)網(wǎng)絡(luò)系統(tǒng)；（2）、強(qiáng)有力的創(chuàng)新算法和軟件。沒(méi)有算法創(chuàng)新，生物信息學(xué)就無(wú)法獲得持續(xù)的發(fā)展；（3）、與實(shí)驗(yàn)科學(xué)，特別是與自動(dòng)化的大規(guī)模高通量的生物學(xué)研究方法與平臺(tái)技術(shù)建立廣泛、緊密的聯(lián)系。這些技術(shù)，既是產(chǎn)生生物信息數(shù)據(jù)的主要方法，又是驗(yàn)證生物信息學(xué)研究結(jié)果的關(guān)鍵手段。從事生物信息學(xué)研究的人員必須具備多學(xué)科交叉的知識(shí)。本文檔共29頁(yè)；當(dāng)前第7頁(yè)；編輯于星期二\3點(diǎn)6分1.2生物信息學(xué)的“降龍十八掌”本文檔共29頁(yè)；當(dāng)前第8頁(yè)；編輯于星期二\3點(diǎn)6分第一式見(jiàn)龍?jiān)谔铮?）要掌握生物信息數(shù)據(jù)庫(kù)及其查詢(xún)搜索方法(Database&searching)——對(duì)分子生物信息數(shù)據(jù)庫(kù)的種類(lèi)以及某些具體數(shù)據(jù)庫(kù)的掌握和了解——從現(xiàn)有數(shù)據(jù)庫(kù)中熟練獲得需要的數(shù)據(jù)信息（尤其是二級(jí)數(shù)據(jù)庫(kù)）——能熟練地進(jìn)行數(shù)據(jù)庫(kù)查詢(xún)和數(shù)據(jù)庫(kù)搜索（數(shù)據(jù)庫(kù)查詢(xún)系統(tǒng)Entrez、SRS；搜索工具BLAST等）——數(shù)據(jù)庫(kù)技術(shù)、互聯(lián)網(wǎng)技術(shù)本文檔共29頁(yè)；當(dāng)前第9頁(yè)；編輯于星期二\3點(diǎn)6分第二式飛龍?jiān)谔欤?）要學(xué)會(huì)生物信息學(xué)軟件和工具的應(yīng)用(Software&application)利用成熟的生物信息學(xué)工具（專(zhuān)業(yè)網(wǎng)站、軟件）解決生物信息學(xué)問(wèn)題——基因組序列分析、序列比對(duì)軟件（GCG、BLAST、CLUSTAL等）——系統(tǒng)發(fā)育樹(shù)構(gòu)造軟件（PHYLIP、PALM等……）——基因芯片檢測(cè)分析軟件（商業(yè)軟件ScanArray、Array-Pro等……）——分子動(dòng)力學(xué)模擬軟件（GROMACS、NAMD等……）本文檔共29頁(yè)；當(dāng)前第10頁(yè)；編輯于星期二\3點(diǎn)6分第三式鴻漸于陸（3）概率論基礎(chǔ)(Probabilitytheory)——隨機(jī)事件、概率——隨機(jī)變量、概率分布——大數(shù)定律、中心極限定理——幾乎用于生物信息學(xué)的各個(gè)方面“Mostoftheproblemsincomputationalsequenceanalysisareessentiallystatistical.”——“Biologicalsequenceanalysis”本文檔共29頁(yè)；當(dāng)前第11頁(yè)；編輯于星期二\3點(diǎn)6分第四式或躍在淵（4）數(shù)理統(tǒng)計(jì)基礎(chǔ)(Statisticalmethods)——樣本和統(tǒng)計(jì)量（方差、均值……）——參數(shù)估計(jì)、假設(shè)檢驗(yàn)——基本的統(tǒng)計(jì)分析（方差分析、協(xié)方差分析、回歸分析）——常用統(tǒng)計(jì)軟件的運(yùn)用（SPSS、SAS）——幾乎用于生物信息學(xué)的各個(gè)方面本文檔共29頁(yè)；當(dāng)前第12頁(yè)；編輯于星期二\3點(diǎn)6分第五式羚羊觸藩（5）基于頻率的組分分析方法和權(quán)重矩陣方法(Compositionanalysis&weightmatrixmethod)——符號(hào)（如堿基）頻率反映具有生物學(xué)意義的序列特征，如內(nèi)含子剪接位點(diǎn)的發(fā)現(xiàn)，KOZAK規(guī)則的發(fā)現(xiàn)等——核酸組分、氨基酸組分、密碼子使用頻率——主要用于具有特定生物學(xué)意義的序列特征的分析本文檔共29頁(yè)；當(dāng)前第13頁(yè)；編輯于星期二\3點(diǎn)6分權(quán)重矩陣分析方法舉例——針對(duì)序列信號(hào)（一段核酸、蛋白），計(jì)算每一位點(diǎn)所使用的詞匯或叫符號(hào)（堿基、氨基酸）頻率，頻率的偏好性反映信號(hào)的序列特征（sequencepattern）。例：人類(lèi)基因內(nèi)含子/外顯子剪接位點(diǎn)的序列特征分析R=AorGY=CorUN=A,G,CorU供體位點(diǎn)受體位點(diǎn)本文檔共29頁(yè)；當(dāng)前第14頁(yè)；編輯于星期二\3點(diǎn)6分Bayesian打分函數(shù)用于剪接位點(diǎn)預(yù)測(cè)的公式Thelikelihoodthatapropertyvaluev

(ofanewstructure)isdrawnfromthesplicingsiteis:Scorefortheoveralllikelihoodofthequerysequence

beingasiteis:SaywehaveasequenceS=S1S2…Sn.ThenoneneedtocalculateSotolookforadonorsiteinthesequence,wemightcalculate本文檔共29頁(yè)；當(dāng)前第15頁(yè)；編輯于星期二\3點(diǎn)6分第六式潛龍勿用（6）信息論方法(Informationmethod)——信息熵——信息的度量：是信息符號(hào)出現(xiàn)何種狀態(tài)的一種不確定性程度，信息的獲得要對(duì)不確定性進(jìn)行否定。——生物信息的符號(hào)如ACGT四種符號(hào)，狀態(tài)空間即其所有可能的排列——用于結(jié)構(gòu)預(yù)測(cè)——信息熵H刻畫(huà)了由{pi}表示的隨機(jī)試驗(yàn)結(jié)果的先驗(yàn)不確定性，或觀察到輸出時(shí)所獲得的信息量。本文檔共29頁(yè)；當(dāng)前第16頁(yè)；編輯于星期二\3點(diǎn)6分第七式利涉大川（7）期望最大化（EM）方法(ExpectationMaximization)——EM算法是一種在不完全數(shù)據(jù)情況下計(jì)算極大似然估計(jì)或者后驗(yàn)分布的迭代算法?！m用于具有隱變量的模型和問(wèn)題，——用于結(jié)構(gòu)的識(shí)別，如Motif識(shí)別的MEME方法、HMM中的Baum-Welch算法本文檔共29頁(yè)；當(dāng)前第17頁(yè)；編輯于星期二\3點(diǎn)6分第八式神龍擺尾（8）動(dòng)態(tài)規(guī)劃方法(DynamicProgramming)——一種常用的多階段決策的尋優(yōu)算法——?jiǎng)討B(tài)規(guī)劃用得最多的方面是DNA序列或者蛋白質(zhì)序列比對(duì)本文檔共29頁(yè)；當(dāng)前第18頁(yè)；編輯于星期二\3點(diǎn)6分第九式密云不雨（9）迭代方法(Iteration)——迭代的目的通常是在狀態(tài)空間找到目標(biāo)函數(shù)收斂的穩(wěn)定解——在運(yùn)用模式識(shí)別方法時(shí)，對(duì)系統(tǒng)參數(shù)的學(xué)習(xí)通常要經(jīng)過(guò)迭代來(lái)實(shí)現(xiàn)——迭代必須能夠不斷逼近穩(wěn)定解——用于上述某些方法的方法本文檔共29頁(yè)；當(dāng)前第19頁(yè)；編輯于星期二\3點(diǎn)6分第十式突如其來(lái)（10）回歸、擬合、相關(guān)性分析、關(guān)聯(lián)分析(Regression,fitting,correlation&association)——經(jīng)典的統(tǒng)計(jì)分析方法——主要目的：描述和預(yù)測(cè)自變量與因變量間的關(guān)系——用于上述某些方法的方法本文檔共29頁(yè)；當(dāng)前第20頁(yè)；編輯于星期二\3點(diǎn)6分第十一式雙龍取水（11）判別分析方法(Discriminantanalysis)——用于判別樣品所屬類(lèi)型的統(tǒng)計(jì)分析方法條件：已知研究對(duì)象總體的類(lèi)別數(shù)目及其特征（如：分布規(guī)律，或各類(lèi)的訓(xùn)練樣本）目的：判斷未知類(lèi)別的樣本的歸屬類(lèi)別——用于基因識(shí)別、醫(yī)學(xué)診斷、人類(lèi)考古學(xué)本文檔共29頁(yè)；當(dāng)前第21頁(yè)；編輯于星期二\3點(diǎn)6分第十二式魚(yú)躍于淵（12）聚類(lèi)分析方法(Clusteringmethod)——聚類(lèi)分析（群分析）是實(shí)用多元統(tǒng)計(jì)分析的一個(gè)新分支，正處于發(fā)展階段。理論上尚未完善，但應(yīng)用十分廣泛。實(shí)質(zhì)上是一種分類(lèi)問(wèn)題，目的是建立一種分類(lèi)方法，將一批數(shù)據(jù)按照特征的親疏、相似程度進(jìn)行分類(lèi)。——條件：研究對(duì)象總體的類(lèi)別數(shù)目未知，也不知總體樣本的具體分類(lèi)情況——目的：通過(guò)分析，選定描述個(gè)體相似程度的統(tǒng)計(jì)量、確定總體分類(lèi)數(shù)目、建立分類(lèi)方法；對(duì)研究對(duì)象給出合理的分類(lèi)。(“物以類(lèi)聚”是聚類(lèi)分析的基本出發(fā)點(diǎn))本文檔共29頁(yè)；當(dāng)前第22頁(yè)；編輯于星期二\3點(diǎn)6分——定性、經(jīng)驗(yàn)的分類(lèi)的局限分類(lèi)較粗、數(shù)據(jù)量小、憑借經(jīng)驗(yàn)——譜系聚類(lèi)法（系統(tǒng)聚類(lèi)法）、動(dòng)態(tài)聚類(lèi)法、模糊聚類(lèi)法——生物信息學(xué)中的聚類(lèi)分析問(wèn)題：根據(jù)DNA芯片獲得的基因表達(dá)數(shù)據(jù)進(jìn)行基因聚類(lèi)（數(shù)據(jù)量龐大）蛋白質(zhì)相互作用網(wǎng)絡(luò)的分類(lèi)根據(jù)不同物種的大分子序列進(jìn)行相似性比較并構(gòu)建系統(tǒng)發(fā)育樹(shù)X(1)X(2)X(3)X(4)X(5)GibbonSymphalangusHumanGorillaChimpanzee黑猩猩猩猩猿猴本文檔共29頁(yè)；當(dāng)前第23頁(yè)；編輯于星期二\3點(diǎn)6分第十三式震驚百里（13）Markov模型的應(yīng)用(Markovmodel)——Markov過(guò)程：從一種狀態(tài)轉(zhuǎn)移到另一種狀態(tài)時(shí)，過(guò)程僅取決于前面n種狀態(tài)，是一種有序n模型。n是影響下一個(gè)狀態(tài)選擇的狀態(tài)數(shù)?！詈?jiǎn)單的Markov過(guò)程是一階過(guò)程，狀態(tài)的選擇完全取決于前一狀態(tài)，這種選擇是依照概率來(lái)選擇的?！獱顟B(tài)的選擇是概率的，而非確定的。故Markov過(guò)程本質(zhì)上是一種隨機(jī)過(guò)程。本文檔共29頁(yè)；當(dāng)前第24頁(yè)；編輯于星期二\3點(diǎn)6分第十四式損則有孚（14）隱Markov模型方法(HMMmethod)——將核苷酸序列看成一個(gè)隨機(jī)序列，DNA序列的編碼部分與非編碼部分在核苷酸的選用頻率上對(duì)應(yīng)著不同的Markov模型。由于這些MarkovC+G+CGCGC–G–C+C–G+G–BE0.130.120.0340.0100.0120.0030.00320.0002模型的統(tǒng)計(jì)規(guī)律是未知的，而HMM能夠自動(dòng)尋找出它們隱藏的統(tǒng)計(jì)規(guī)律。對(duì)于高等生物這樣復(fù)雜的DNA序列，HMM必須學(xué)習(xí)不同的基因結(jié)構(gòu)的信號(hào)。本文檔共29頁(yè)；當(dāng)前第25頁(yè)；編輯于星期二\3點(diǎn)6分隱Markov模型(HMM)語(yǔ)音識(shí)別(Speechrecognition)光字符識(shí)別(Opticalcharacterrecognition)生物序列分析(Biologicalsequenceanalysis)（1）序列比較與搜尋（尤其是多序列比對(duì)）（2）基因及信號(hào)的識(shí)別、預(yù)測(cè)（包括DNA編碼與非編碼區(qū)的識(shí)別、真核基因剪接位點(diǎn)信號(hào)識(shí)別、非編碼區(qū)的轉(zhuǎn)錄調(diào)控信號(hào)識(shí)別、信號(hào)肽識(shí)別……）（3）蛋白質(zhì)二級(jí)結(jié)構(gòu)、家族、超家族預(yù)測(cè)、分類(lèi)等……生物特征識(shí)別(Biometrics)本文檔共29頁(yè)；當(dāng)前第26頁(yè)；編輯于星期二\3點(diǎn)6分第十五式時(shí)乘六龍（15）感知器與人工神經(jīng)網(wǎng)絡(luò)方法(Perceptron&ANNmethod)——計(jì)算機(jī)人工神經(jīng)網(wǎng)絡(luò)是對(duì)大腦神經(jīng)網(wǎng)絡(luò)的模擬，在生物信息學(xué)研究中，無(wú)論是基因識(shí)別還是蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)都取得了比其它方法更為準(zhǔn)確的結(jié)果。本