基于LemplE-Ziv序列向量表示的多序列比對(duì)方法研究.pdf

1、生物信息學(xué)是借助計(jì)算機(jī)這一分析工具對(duì)包括生物序列在內(nèi)的生物信息進(jìn)行儲(chǔ)存、檢索和分析的科學(xué)，是當(dāng)今核心研究領(lǐng)域之一。生物信息學(xué)的研究?jī)?nèi)容具體體現(xiàn)在通過(guò)對(duì)核酸和蛋白質(zhì)序列的分析，揭示生物序列中表達(dá)的結(jié)構(gòu)、功能等方面的生物信息。
　　序列比對(duì)是生物信息學(xué)中非常重要的分析工具，它在分析蛋白質(zhì)功能和預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)方面起著基礎(chǔ)性作用。序列比對(duì)可以分為雙序列比對(duì)和多序列比對(duì)。雙序列比對(duì)用來(lái)分析兩條序列之間的相似性，是序列比對(duì)的基礎(chǔ)。但是對(duì)一組生

2、物序列進(jìn)行同源性分析或者判斷未知序列是否屬于某個(gè)基因家族，就需要用到多序列比對(duì)。多序列比對(duì)算法的目的是通過(guò)對(duì)多條序列進(jìn)行比對(duì)來(lái)反映序列生物屬性的關(guān)系。ClustalW是被廣泛應(yīng)用的漸進(jìn)式多序列比對(duì)方。該方法基于反映序列相似性的指導(dǎo)樹，逐漸加入新的序列，提高了多序列比對(duì)的精度。但是該方法通過(guò)序列兩兩比對(duì)的方式產(chǎn)生距離矩陣，計(jì)算過(guò)程復(fù)雜，效率仍然不高，難以應(yīng)對(duì)生物序列規(guī)模不斷增大的趨勢(shì)。
　　針對(duì)ClustalW兩兩比對(duì)計(jì)算復(fù)雜，比對(duì)

3、效率低的不足，本文提出了基于Lempel-Ziv序列向量表示的漸進(jìn)式多序列比對(duì)方法LemK_MSA。該方法根據(jù)Lempel-Ziv壓縮算法，通過(guò)10種復(fù)制方式將每條序列轉(zhuǎn)換為一個(gè)對(duì)應(yīng)的10維向量，從而將多序列比對(duì)中復(fù)雜的字符串操作轉(zhuǎn)換為簡(jiǎn)單的向量之間的計(jì)算，提高了多序列比對(duì)的效率。同時(shí)，該方法采取“先分組，后合并”的方式建立指導(dǎo)樹，降低了指導(dǎo)樹建立過(guò)程中距離矩陣的規(guī)模，提高了多序列比對(duì)方法處理大規(guī)模序列的能力。另外，根據(jù)序列向量化后，距