DNA序列数据分析技术综述
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 ２ 第 ４期 ７卷
上Fra Baidu bibliotek
海
电 力 学 院
学
报
Ｖ０ ． ７． Ｎｏ ４ 】２ ．
Ａｕ ． ２ １ ｇ ０１
２１ ０ １年 ８月
Ｊ ｕ ａ ｏ Ｓ ａ ｇ ａ Ｕｎ ｖ ｒ ｉ ｏ Ｅｌｃ ｒｃ Ｐｏ ｒ ｏｒ ｌ ｎ ｆ ｈｎ ｈｉ ｉ ｅ ｓｔ ｙ ｆ ｅｔ ｉ ｗｅ
员 将 现 有 的 挖 掘 方 法 直 接 用 于 Ｄ Ａ 序 列 分 Ｎ
出应该结合 Ｄ Ａ序列特点及实 际应用背景发展 Ｎ 专门面向 Ｄ Ａ序列的数据挖掘方法 Ｌ。， Ｎ ８。 这标志 着 Ｄ Ａ序列数据挖掘跨入第 ３阶段． Ｎ 目前这一领 域 的研究 仍 处 于快速 发展 中．
本 文 阐述 了 Ｄ Ａ序 列 数 据 挖 掘 的基 础— — Ｎ 序列相似性 ， 介绍了 Ｄ Ａ序 列数据挖掘领域所采 Ｎ
殷
脂 ， ：Ｎ 等 Ｄ Ａ序列数据分析技术综述
３９ ６
１ ＤＮＡ 序 列
生 物 学 研 究 表 明 ， Ｎ 序 列 不 是 完 全 随 机 Ｄ Ａ 的， 它是 由组 成 Ｄ Ａ 的 ４种 核苷 酸 Ａ， Ｇ， Ｎ Ｔ， Ｃ的
２１ 双序列比对算法及其比 ． 较
２ １ １ Ｓ ｔ— ａ ｒ ａ ． ． ｍｉ Ｗ ｔ ｍ ｎ算 法 ｈ ｅ
对 Ｄ Ａ序列分析技术 的研究 现状 以及进展进行 了综述 ， 出了 Ｄ Ａ序列数据分析 的热 点问题 ， Ｎ 给 Ｎ 包括 Ｄ Ａ序 Ｎ
列 的数据存储方式和基于 Ｄ Ａ生物特性 的分析模 型等． Ｎ 关键词 ：Ｄ Ａ序列 ；数据挖掘 ；序列 比对 Ｎ 中图分 类号 ：Ｔ ３ １ １ Ｐ １ ．３ 文献标 志码 ：Ａ
ａ ｄｏ ｅ ｓｅ ｆ Ｎ ｅ ｕ ｎｅｄ ｔ ａ ａ ｓ ｒ ｖｎ ｉｃｕ ｉｇｔｅｒｓａｃ ｆ ｏｅ ｓ ｒｇ ｎ ｐ ｎｉ ｕ ｓ Ａ ｓｑ ｅ ｃ ａ ｎ ｌ ｉ ａｅｇ ｅ ， ｎ ｌｄｎ ｅｅｒｈｏ ｎｖ ｌ ｔ ａｅ ｓ ｏＤ ａ ｙｓ ｉ ｈ ａ ｏ
ｍｏ ｅ ｎ ｎ ｙ ｉ ｍｏ ｅ ａ ｅ ｎ ＤＮＡ ｂ ｏ ｏ ｉａ ｏ ｉ ． ｄ ｌａ ｄ ａ ａ ｓｓ ｄ ｌｂ ｓ ｄ ｏ ｌ ｉ ｌｇ ｃ ｌ ｍａｎ ｄ Ｋｅ ｒ ｓ ｙ ｗｏ ｄ ： Ｄ ＮＡ ｅ ｕ ｎ ｅ；ｄ ｔ ｎ ｎ ｓｑ ｅ ｃ ａ ｍｉ ｉｇ；ｓ ｑ ｅ ｃ ｏ ａ ｉｏ ａ ｅ ｕ ｎ ｅ ｃ ｍｐ ｒ ｎ ｓ
自 Ｄ Ａ序列数据库建立 以来 ， Ｎ 研究者开始采 用统计学方法分析 Ｄ Ａ序列 ¨ 虽然这 与数据 Ｎ 引， 挖掘技术在实现手段和研究范 围上存在差异 ， 但 当其被写成计算机程序并用于大规模 Ｄ Ａ序列 Ｎ 数据分析时 ， 则成为 Ｄ Ａ序列数据挖掘分析技术 Ｎ 的雏形． 但是 ， 这类方法所需要 的计算量相当大． 而此时数据挖掘技术 已有较大发展 ， 于是研究人
ＤＮＡ ｑ ｅ ｅ Ｄａ ａ Ａｎ ｌ ｓｓＴｅ ｈ ｌｇ Ｓｅ ｕ ｎｃ ｔ ａｙ ｉ ｃ ｎｏｏ ｙ
ＹＩ Ｚ ｉ Ｎ ｈ ，ＹＩ ｅ— ｏ ｇ Ｎ Ｗ ｉｈ ｎ
（ ｃｏｌｆＣ ｍ ｕ ｒ ｎ ｎ ｒａｉｎＥ ｇｎｅｉ Ｓａ ｇ ａ ｎｖｒｔ Ｓｈｏ ｏ ｐｔ ｄＩ ｏｍ ｔ ｎｉ ｒ ｇ， ｈ ｎ ｈ ｉ ｉ ｓｙ ｏ ｅａ ｆ ｏ ｅ ｎ Ｕ ｅｉ ｏ ｌ ｔｃ ｏ ｅ， ｈｎ ｈ ２ ０９ ，Ｃ ｉ ｆＥｅ ｒ ｗ ｒ Ｓ ｇ ￣ ０ ０ ０ ｈｎ ｃｉ Ｐ ａ ａ）
用的关键技术 ； 按照序列的数量 ， 对双序列 比对中 的 Ｓ ｉ － ｔｍ ｎ算法 、 Ａ Ｔ ｍｔ Ｗａ ｒ ａ ｈ ｅ Ｆ Ｓ Ａ算法 、 Ｌ Ｓ Ｂ Ａ Ｔ算
析 Ｊ这是一般化数据挖 掘方法 的应用阶段． ， 这 些方法在效率上有一定程度 的提高 ， 但未能完全 满足生物学家的需求 ， 因为挖掘结果 的可解释性 和准确率可能偏离实 际生物意义 ， 因此研究者提
Ｓ ｔ． ａ ｒ ｎ算 法 ｍｉ Ｗ ｔ ｍａ ｈ ｅ 副是 双 序 列 比对 算 法
收稿 日期 ：２ １ ０ ０ １－ ５—２ ０
法进行 了详细分析和比较 ， 并对多序列 比对中的
ＣＵＴ Ｌ Ｌ Ｓ Ａ 算法和 Ｍ Ｓ Ｌ Ｕ Ｃ Ｅ算法进行 了较 为全面 的总结 ； 最后探讨了 Ｄ Ａ序列数据挖掘的热点 问 Ｎ
题．
通讯作者简介 ：殷脂 （９ １ ）女 ， １８ 一 ， 硕士 ， 讲师 ， 江苏泰兴人． 主要研究方 向为 Ｄ Ａ计算 ． 。ａ ： ｚ ｚｉ １３ｃｒ Ｎ Ｅ ｍ ｉｙ ｈ ｈ ６ ・ｏ ・ ｌｚｉ ＠ ｎ 基金项 目：国家 自 然科学 基金资助项 目（００ １８ ． ６９３８）
ｏ ｅ ｖｅ ｆｒ ｓ ａ ｃ ｒ ｇ ｅ ｓ ｉ Ａ ｅ ｕ ｎ ｅ ｄ ｔ ｎ ｌ ｓｓ ｔｃ ｎ ｌｇ ｓ ｐ ｏ ｉ ｅ ．Ｔ ｅ ｐ ｓ ｅ ｔ ｖ ｒ ｉｗ ｏ ｅ ｒ ｈ ｐ ｏ ｒ ｓ ｎ ＤＮ ｓ ｑ ｅ ｃ ａａ ａ ａｙ ｉ ｅ ｈ ｏｏ ｙ ｉ ｒ ｖｄ ｄ ｅ ｈ ｒ ｐ ｃ ｏ
文章编号 ：１０ ４ ２ （０ １ ０ ０ ６ ０ ０６— ７ ９ ２ １ ）４— ３ ８— ５
Ｄ Ａ 序 列数 据 分 析 技 术 综 述 Ｎ
殷 脂 ， 卫 红 殷
（ 上海 电力学 院 计 算机与信息工程学院 ，上海 ２ ０ ９ ） ００ ０
摘 要： Ｎ Ｄ Ａ序列 敦据是一类重要的生物数据， 是 Ｄ Ａ计 也 Ｎ 算的 基础数据． 介绍了Ｄ Ａ Ｎ 序列数据特性， 并
Ａｂ ｔ ａ ｔ ｓｒ ｃ ：
ＤＮ ｓ ｑ ｅ ｃ ｓ ｏ ｅ ｏ ｈ ａ ｉ ｎ ｍｐ ￣ａ ｔｄ ｔ ｍ ｍｏ ｇ ｂ ｏｏ ｉ ａ ａ ａ Ａ Ａ ｅ ｕ ｎ ｅ ｉ ｎ ｆ ｔ ｅ ｂ ｓ ａ ｄ ｉ ｏ ｎ ａｕ ａ ｎ ｉｌ ｇｃ ｄ ｔ ． ｎ ｃ ｌ
上Fra Baidu bibliotek
海
电 力 学 院
学
报
Ｖ０ ． ７． Ｎｏ ４ 】２ ．
Ａｕ ． ２ １ ｇ ０１
２１ ０ １年 ８月
Ｊ ｕ ａ ｏ Ｓ ａ ｇ ａ Ｕｎ ｖ ｒ ｉ ｏ Ｅｌｃ ｒｃ Ｐｏ ｒ ｏｒ ｌ ｎ ｆ ｈｎ ｈｉ ｉ ｅ ｓｔ ｙ ｆ ｅｔ ｉ ｗｅ
员 将 现 有 的 挖 掘 方 法 直 接 用 于 Ｄ Ａ 序 列 分 Ｎ
出应该结合 Ｄ Ａ序列特点及实 际应用背景发展 Ｎ 专门面向 Ｄ Ａ序列的数据挖掘方法 Ｌ。， Ｎ ８。 这标志 着 Ｄ Ａ序列数据挖掘跨入第 ３阶段． Ｎ 目前这一领 域 的研究 仍 处 于快速 发展 中．
本 文 阐述 了 Ｄ Ａ序 列 数 据 挖 掘 的基 础— — Ｎ 序列相似性 ， 介绍了 Ｄ Ａ序 列数据挖掘领域所采 Ｎ
殷
脂 ， ：Ｎ 等 Ｄ Ａ序列数据分析技术综述
３９ ６
１ ＤＮＡ 序 列
生 物 学 研 究 表 明 ， Ｎ 序 列 不 是 完 全 随 机 Ｄ Ａ 的， 它是 由组 成 Ｄ Ａ 的 ４种 核苷 酸 Ａ， Ｇ， Ｎ Ｔ， Ｃ的
２１ 双序列比对算法及其比 ． 较
２ １ １ Ｓ ｔ— ａ ｒ ａ ． ． ｍｉ Ｗ ｔ ｍ ｎ算 法 ｈ ｅ
对 Ｄ Ａ序列分析技术 的研究 现状 以及进展进行 了综述 ， 出了 Ｄ Ａ序列数据分析 的热 点问题 ， Ｎ 给 Ｎ 包括 Ｄ Ａ序 Ｎ
列 的数据存储方式和基于 Ｄ Ａ生物特性 的分析模 型等． Ｎ 关键词 ：Ｄ Ａ序列 ；数据挖掘 ；序列 比对 Ｎ 中图分 类号 ：Ｔ ３ １ １ Ｐ １ ．３ 文献标 志码 ：Ａ
ａ ｄｏ ｅ ｓｅ ｆ Ｎ ｅ ｕ ｎｅｄ ｔ ａ ａ ｓ ｒ ｖｎ ｉｃｕ ｉｇｔｅｒｓａｃ ｆ ｏｅ ｓ ｒｇ ｎ ｐ ｎｉ ｕ ｓ Ａ ｓｑ ｅ ｃ ａ ｎ ｌ ｉ ａｅｇ ｅ ， ｎ ｌｄｎ ｅｅｒｈｏ ｎｖ ｌ ｔ ａｅ ｓ ｏＤ ａ ｙｓ ｉ ｈ ａ ｏ
ｍｏ ｅ ｎ ｎ ｙ ｉ ｍｏ ｅ ａ ｅ ｎ ＤＮＡ ｂ ｏ ｏ ｉａ ｏ ｉ ． ｄ ｌａ ｄ ａ ａ ｓｓ ｄ ｌｂ ｓ ｄ ｏ ｌ ｉ ｌｇ ｃ ｌ ｍａｎ ｄ Ｋｅ ｒ ｓ ｙ ｗｏ ｄ ： Ｄ ＮＡ ｅ ｕ ｎ ｅ；ｄ ｔ ｎ ｎ ｓｑ ｅ ｃ ａ ｍｉ ｉｇ；ｓ ｑ ｅ ｃ ｏ ａ ｉｏ ａ ｅ ｕ ｎ ｅ ｃ ｍｐ ｒ ｎ ｓ
自 Ｄ Ａ序列数据库建立 以来 ， Ｎ 研究者开始采 用统计学方法分析 Ｄ Ａ序列 ¨ 虽然这 与数据 Ｎ 引， 挖掘技术在实现手段和研究范 围上存在差异 ， 但 当其被写成计算机程序并用于大规模 Ｄ Ａ序列 Ｎ 数据分析时 ， 则成为 Ｄ Ａ序列数据挖掘分析技术 Ｎ 的雏形． 但是 ， 这类方法所需要 的计算量相当大． 而此时数据挖掘技术 已有较大发展 ， 于是研究人
ＤＮＡ ｑ ｅ ｅ Ｄａ ａ Ａｎ ｌ ｓｓＴｅ ｈ ｌｇ Ｓｅ ｕ ｎｃ ｔ ａｙ ｉ ｃ ｎｏｏ ｙ
ＹＩ Ｚ ｉ Ｎ ｈ ，ＹＩ ｅ— ｏ ｇ Ｎ Ｗ ｉｈ ｎ
（ ｃｏｌｆＣ ｍ ｕ ｒ ｎ ｎ ｒａｉｎＥ ｇｎｅｉ Ｓａ ｇ ａ ｎｖｒｔ Ｓｈｏ ｏ ｐｔ ｄＩ ｏｍ ｔ ｎｉ ｒ ｇ， ｈ ｎ ｈ ｉ ｉ ｓｙ ｏ ｅａ ｆ ｏ ｅ ｎ Ｕ ｅｉ ｏ ｌ ｔｃ ｏ ｅ， ｈｎ ｈ ２ ０９ ，Ｃ ｉ ｆＥｅ ｒ ｗ ｒ Ｓ ｇ ￣ ０ ０ ０ ｈｎ ｃｉ Ｐ ａ ａ）
用的关键技术 ； 按照序列的数量 ， 对双序列 比对中 的 Ｓ ｉ － ｔｍ ｎ算法 、 Ａ Ｔ ｍｔ Ｗａ ｒ ａ ｈ ｅ Ｆ Ｓ Ａ算法 、 Ｌ Ｓ Ｂ Ａ Ｔ算
析 Ｊ这是一般化数据挖 掘方法 的应用阶段． ， 这 些方法在效率上有一定程度 的提高 ， 但未能完全 满足生物学家的需求 ， 因为挖掘结果 的可解释性 和准确率可能偏离实 际生物意义 ， 因此研究者提
Ｓ ｔ． ａ ｒ ｎ算 法 ｍｉ Ｗ ｔ ｍａ ｈ ｅ 副是 双 序 列 比对 算 法
收稿 日期 ：２ １ ０ ０ １－ ５—２ ０
法进行 了详细分析和比较 ， 并对多序列 比对中的
ＣＵＴ Ｌ Ｌ Ｓ Ａ 算法和 Ｍ Ｓ Ｌ Ｕ Ｃ Ｅ算法进行 了较 为全面 的总结 ； 最后探讨了 Ｄ Ａ序列数据挖掘的热点 问 Ｎ
题．
通讯作者简介 ：殷脂 （９ １ ）女 ， １８ 一 ， 硕士 ， 讲师 ， 江苏泰兴人． 主要研究方 向为 Ｄ Ａ计算 ． 。ａ ： ｚ ｚｉ １３ｃｒ Ｎ Ｅ ｍ ｉｙ ｈ ｈ ６ ・ｏ ・ ｌｚｉ ＠ ｎ 基金项 目：国家 自 然科学 基金资助项 目（００ １８ ． ６９３８）
ｏ ｅ ｖｅ ｆｒ ｓ ａ ｃ ｒ ｇ ｅ ｓ ｉ Ａ ｅ ｕ ｎ ｅ ｄ ｔ ｎ ｌ ｓｓ ｔｃ ｎ ｌｇ ｓ ｐ ｏ ｉ ｅ ．Ｔ ｅ ｐ ｓ ｅ ｔ ｖ ｒ ｉｗ ｏ ｅ ｒ ｈ ｐ ｏ ｒ ｓ ｎ ＤＮ ｓ ｑ ｅ ｃ ａａ ａ ａｙ ｉ ｅ ｈ ｏｏ ｙ ｉ ｒ ｖｄ ｄ ｅ ｈ ｒ ｐ ｃ ｏ
文章编号 ：１０ ４ ２ （０ １ ０ ０ ６ ０ ０６— ７ ９ ２ １ ）４— ３ ８— ５
Ｄ Ａ 序 列数 据 分 析 技 术 综 述 Ｎ
殷 脂 ， 卫 红 殷
（ 上海 电力学 院 计 算机与信息工程学院 ，上海 ２ ０ ９ ） ００ ０
摘 要： Ｎ Ｄ Ａ序列 敦据是一类重要的生物数据， 是 Ｄ Ａ计 也 Ｎ 算的 基础数据． 介绍了Ｄ Ａ Ｎ 序列数据特性， 并
Ａｂ ｔ ａ ｔ ｓｒ ｃ ：
ＤＮ ｓ ｑ ｅ ｃ ｓ ｏ ｅ ｏ ｈ ａ ｉ ｎ ｍｐ ￣ａ ｔｄ ｔ ｍ ｍｏ ｇ ｂ ｏｏ ｉ ａ ａ ａ Ａ Ａ ｅ ｕ ｎ ｅ ｉ ｎ ｆ ｔ ｅ ｂ ｓ ａ ｄ ｉ ｏ ｎ ａｕ ａ ｎ ｉｌ ｇｃ ｄ ｔ ． ｎ ｃ ｌ