基于位点保守性参量和位置权重矩阵预测酵母转录因子结合位点

目的:改进转录因子结合位点的理论预测方法。方法:构建转录因子结合位点位置权重矩阵,以转录因子结合位点每一位置的碱基保守性指数Mi为参量,利用位置权重打分函数算法(PWMSA)对酵母五种转录因子结合位点进行预测。结果:利用self-consistency和cross-validation两种方法对此算法进行检验,均获得了较高的预测成功率,结果表明5种转录因子结合位点的预测成功率均超过80%。结论:与已有的三种预测转录因子结合位点的软件进行比较,PWMSA算法明显优于其他三种算法,核苷酸水平上的关联系数和结合位点水平上的关联系数分别提高了0.25和0.22。     

大肠杆菌E.coli K-12转录因子结合位点的理论预测

基于实验验证的22种大肠杆菌K12的转录因子结合位点序列,分析了转录因子结合位点每一位置的碱基保守性,提出了预测转录因子结合位点的位置权重矩阵打分函数算法(PWMSA)。利用self-consistency和cross-validation两种检验方法对此算法进行检验,self-consistency检验总的预测成功率达到87.59%,cross-validation检验成功率达到85.48%。对基因间序列进行搜索,获得了多个可能的转录因子结合位点。     

基于离散增量结合支持向量机方法的果蝇启动子预测

目的：改进真核生物启动子的理论预测方法。方法：基于启动子序列的信号特征和内容特征,构建6个标准离散源,计算每条序列相对于标准离散源的离散增量;构建信号特征的启动子位置权重矩阵,计算其对应位置的位置权重打分函数,将所得到的两类参数输入支持向量机对果蝇启动子进行预测。结果：利用self-consistency和cross-validation两种方法对此算法进行检验,均获得了较高的预测成功率,结果表明五种转录因子结合位点的预测成功率均超过91%。结论：结果显示结合了支持向量机的离散增量算法能够有效的提高预测成功率,是进行真核生物启动子预测的一种很有效的方法。     

利用序列保守模体和局部构象信息预测转录因子结合位点

转录因子结合位点的计算预测是研究基因转录调控的重要环节,但常用的位置特异得分矩阵方法预测特异性偏低.通过深入分析结合位点的生物特征,提出了一种综合利用序列保守模体和局部构象信息的结合位点预测方法,以极大相关得分矩阵作为保守模体的描述模型,并根据二苷参数模型计算位点序列的局部构象,将两类信息得分组合为多维特征向量,在二次判别分析的框架下进行训练和滑动预测.预测过程中还引入了位置信息量以优化似然得分和过滤备选结果.针对大肠杆菌CRP和Fis结合位点数据的留一法测试结果表明,描述模型的改进和多种信息的融合能有效地改善预测方法的性能,大幅度提高特异性.     

用比较聚类法寻找转录因子的结合位点

将动态序列比较和自动聚类算法相结合,对９２个ｍＲＮＡ的转录调控区域的所有８元碱基片段进行了分析,得到了５２个聚类中心,并与已知的转录因子结合位点相比较,结果表明,用本方法寻找蛋白质基因调控区的转录因子结合位点是简单可行的。     

基于序列和结构特征分析植物TATA和TATA-less启动子

分析启动子区域内调控元件是阐明基因转录起始机制的重要前提．利用从PlanPromDB数据库下载的植物Pol-ⅡTATA和TATA-less启动子数据,深入分析了两类启动子GC偏好、位点结构保守性、序列碱基组分、保守模体分布、TATA box位点分布及关联位点保守性等特点,统计出两类植物启动子许多特有的序列组分和结构规律,这些规律对进一步揭示植物Pol-Ⅱ启动子的转录调控机制有一定的帮助．通过构建能够同时考虑位点保守性和关联性的位点关联性权重矩阵扫描模型(PCWM), 利用相应打分函数(Score)对两类启动子进行区分,得到了较好结果, 说明PCWM的预测性能要优于单碱基的位点权重矩阵(PWM)．     

转录因子结合位点的计算预测方法研究进展

转录因子结合位点的计算预测是研究基因转录调控的重要环节,但现有算法的预测特异性偏低.在深入分析转录因子结合位点生物特征的基础上,对当前基于保守模体和基于比较基因组学的两类计算预测方法进行了综述,指出了方法各自的优点和不足,并探讨了可能的改进方向.     

用支持向量机预测人类基因5’／3’选择性剪切位点

选择性剪切是调解基因表达的重要机制.识别选择性剪切位点是后基因组时代的一个重要工作.本文从最新的EBI人类基因选择性剪切数据库中,选取5＇/3＇选择性剪切位点作为正集,选取在剪切位点附近的假剪切位点作为负集,并把所有的选择性剪切位点和假剪切位点随机分成训练集和测试集.本文选用的预测选择性剪切位点的方法是基于位置权重矩阵和离散增量的支持向量机方法.此方法仅基于训练集,以不同位点的单碱基概率和序列片断的三联体频数作为信息参数,利用位置权重矩阵和离散增量算法结合支持向量机,得到了选择性供体位点和受体位点的分类器,并用此分类器对测试集中的选择性供体位点和受体位点进行预测.对独立测试集中的选择性供体位点和选择性受体位点的预测成功率分别为88.74%和90.86%,特异性分别为85.62%和81.19%.本文预测选择性剪切位点的方法成功率高于其它选择性剪切位点预测方法预测成功率,此预测方法进一步提高了对选择性剪切位点的理论预测能力.     

用支持向量机预测人类基因5''''/3''''选择性剪切位点

选择性剪切是调解基因表达的重要机制.识别选择性剪切位点是后基因组时代的一个重要工作.本文从最新的EBI人类基因选择性剪切数据库中,选取5＇/3＇选择性剪切位点作为正集,选取在剪切位点附近的假剪切位点作为负集,并把所有的选择性剪切位点和假剪切位点随机分成训练集和测试集.本文选用的预测选择性剪切位点的方法是基于位置权重矩阵和离散增量的支持向量机方法.此方法仅基于训练集,以不同位点的单碱基概率和序列片断的三联体频数作为信息参数,利用位置权重矩阵和离散增量算法结合支持向量机,得到了选择性供体位点和受体位点的分类器,并用此分类器对测试集中的选择性供体位点和受体位点进行预测.对独立测试集中的选择性供体位点和选择性受体位点的预测成功率分别为88.74%和90.86%,特异性分别为85.62%和81.19%.本文预测选择性剪切位点的方法成功率高于其它选择性剪切位点预测方法预测成功率,此预测方法进一步提高了对选择性剪切位点的理论预测能力.     

用支持向量机预测人类基因5′/3′选择性剪切位点

选择性剪切是调解基因表达的重要机制。识别选择性剪切位点是后基因组时代的一个重要工作。本文从最新的EBI人类基因选择性剪切数据库中,选取5′/3′选择性剪切位点作为正集,选取在剪切位点附近的假剪切位点作为负集,并把所有的选择性剪切位点和假剪切位点随机分成训练集和测试集。本文选用的预测选择性剪切位点的方法是基于位置权重矩阵和离散增量的支持向量机方法。此方法仅基于训练集,以不同位点的单碱基概率和序列片断的三联体频数作为信息参数,利用位置权重矩阵和离散增量算法结合支持向量机,得到了选择性供体位点和受体位点的分类器,并用此分类器对测试集中的选择性供体位点和受体位点进行预测。对独立测试集中的选择性供体位点和选择性受体位点的预测成功率分别为88．74%和90．86%,特异性分别为85．62%和81．19%。本文预测选择性剪切位点的方法成功率高于其它选择性剪切位点预测方法预测成功率,此预测方法进一步提高了对选择性剪切位点的理论预测能力。