基於kendall相關係數的DNA序列相似性比對方法與流程
2023-05-08 13:45:21
本發明涉及計算機與生物信息學處理領域，尤其涉及基於kendall相關係數的DNA序列相似性比對方法。
背景技術：
：生物信息學的中心任務,是從浩如煙海的DNA序列數據中提取理性知識。生物信息學家所面臨的任務,不僅是解決高效的數據儲存手段,而且需要開發有效的數據分析工具。因為只有利用新的、有效的數據分析工具,才能將DNA序列信息轉換成生物學知識,並弄清它們所蘊含的結構和功能信息，進而徹底了解它們所代表的生物學意義。DNA序列比對的理論基礎是進化理論，如果兩個DNA序列之間具有足夠的相似性，就推測二者可能有共同的進化祖先，經過DNA序列內殘基的替換、殘基或DNA序列片段的缺失以及DNA序列重組等遺傳變異過程分別演化而來。DNA序列相似和DNA序列同源是不同的概念，DNA序列之間的相似程度是可以量化的參數，而DNA序列是否同源需要有進化事實的驗證。DNA序列比對實際上就是運用某種特定的數學模型或算法，找出兩個或多個DNA序列之間的最大匹配鹼基數。黃玉娟、王天明等人採用DNA序列中的k詞出現的頻率及位置信息構建了一個概率分布，這個分布表示兩個向量之間的距離，值越小物種越接近。Vinga和Almeida提出了基於詞頻率的DNA序列比較方法：通過滑動窗口的方式所有長度為k的詞出現的次數，得到k詞次數或頻率向量，這樣把一條DNA序列映射為高維歐式空間上的一個向量，從而將DNA序列之間的相似性比較轉換為向量之間的比較。雙DNA序列比對就是用特定的算法對兩條DNA序列進行比對，從而求出這兩條DNA序列之間最大的相似性的匹配。Kendall相關係數被廣泛用於時間DNA序列、水文、水質DNA序列等的相關性預測，但未曾被用於DNA序列相似性匹配。技術實現要素：本發明的目的在於克服現有技術的不足，提供基於kendall相關係數的DNA序列相似性比對方法，構建一個關於N條DNA序列的階相似係數矩陣，獲得N條DNA序列的進化關係，同時提高DNA序列相似性比對的效率及提高運算效率。本發明採用的技術方案是：基於kendall相關係數的DNA序列相似性比對方法，其包括如下步驟：1)獲取N條待比對的DNA序列；2)選取長度k，按滑動窗口的方式獲取每對組合DNA序列的相應的k詞，並組合成相應的向量3)以步驟2)所獲取的k詞，計算每個k詞在DNA序列中出現的次數，即計算k詞在DNA序列中出現的頻率向量，將其記為xi；4)對N條DNA序列k詞向量進行兩兩組合，即得到組合，每個組合向量記為X＝{xi},Y＝{yi}。5)每種組合的k詞頻率向量即xi，yi，計算其對應的kendall相關係數；6)建立N條DNA序列的N×N階相關係數矩陣，以獲取DNA序列的相似信息以及進化關係圖。進一步，所述步驟2)中，對DNA序列取其長度為k的詞頻向量。進一步，所述步驟5)中，可通過如下步驟獲得DNA序列的k詞的kendall相關係數；a)通過下式，獲取待比對DNA序列A的k詞，其中DNA序列A長度設為n：b)通過下式，計算k詞出現的頻率：xi＝{第i個k詞在DNA序列A中重複出現的次數}；c)對組合的X,Y向量，通過下式，計算kendall相關係數其特徵在於：tx是{xi},{yi}中擁有一致性對數，ty是{xi,yi}擁有不一致性對數，T是{xi,yi}擁有不相同k詞總個數。d)步驟c)中的tx，ty可以由下式獲取，tx＝(xi-yi)*(xi-yi)為同號，則稱為是{xi,yi}中一致性對數,ty可以由下式獲取，ty＝(xi-yi)*(xi-yi)為異號，則稱為是{xi,yi}中不一致性對數所獲得的kendall相關係數τ是一個值為[-1,1]的數，當τ的值越接近於1則表示兩條DNA序列之間相關程度越強，當τ的值越接近-1則表示兩條DNA序列之間是負向相關，當τ的值接近於0則表示兩條DNA序列不存在相關性。構建N*N階的kendall相關係數矩陣，此矩陣為對稱矩陣，對角線上的值為1，可以得到N條DNA序列的兩兩相似性信息，由此構建出N條DNA序列的進化的關係。本發明基於kendall相關係數的DNA序列相似性比對方法，採用滑動窗口方式求取待分析DNA序列的k詞頻率向量，對N條DNA序列的k詞向量進行兩兩組合，利用kendall相關係數對相應DNA序列的k詞頻率向量求其相關係數，使得能夠對多條DNA序列進行相似性檢測，檢測結果有效地反映出DNA序列之間的進化關係。本方法較為簡潔，只需構建一個對稱矩陣，矩陣左上到右下的對角線上的值為1，簡化了計算複雜性，提高了運算效率，kendall係數可以作為描述DNA序列相似性預測的特徵值，可以獲得良好的準確度。附圖說明以下結合附圖和具體實施方式對本發明做進一步詳細說明；圖1為本發明基於kendall相關係數的DNA序列相似性比對方法的流程示意圖；圖2為本發明基於kendall相關係數的DNA序列相似性比對方法的DNA序列的進化關係圖。具體實施方式如圖1或圖2所示，對本發明的方法採用20個物種的DNA編碼DNA序列作為分析對象為例作進一步詳細闡述，包括以下步驟：如圖1所示，本實施例的基於kendall相關係數的DNA序列相似性比對方法包括如下步驟：1)選擇20個物種的DNA編碼DNA序列作為初始DNA序列，20個物種的DNA序列名稱及長度見表1；物種名稱DNA序列長度baboon16522bluewhale16403cat17010common_chimpanzee16564cow16339fin_whale16399gibbon16473gorilla16365grayseal16798harborseal16827horse16661human16570mouse16296opossum17085orangutan16390pigmy_chimpanzee16555platypus17020rat16301wallaroo16897whiterhinoceros16833表1：物種DNA序列信息2)對步驟1的初始DNA序列獲取其k詞，並組合這些k詞，得到初始DNA序列的k詞頻率向量(參見Vinga,S.Almeida,J.S.Alignment-freesequencecomparisonareareview[J].Bioinformatics.513-523.2003)。此方法的特點是對按滑動窗口方式求長度k的短DNA序列出現在待測DNA序列中頻率，對DNA的4個鹼基{A,T,G,C}，取k長度為2，則對應k詞有42＝16種，若k＝3則對應k詞43＝64種；如待測DNA序列片段的DNA序列A＝ATAACTA，其k詞W2＝{AT,TA,AA,TT,AG,GA,AC,CA,CT….}，其頻率向量值為{1,2,1,0,0,0,1,0,1,0…}；待測DNA序列片段B＝ACAACTTA，其k詞頻率向量為{0,1,1,1,0,0,2,1,1,0…}；3)對應N條DNA序列，可以求出N個k詞頻率向量，將其兩兩組合，得到組合，每個組合頻率向量記為X,Y4)通過下式計算獲取kendall相關係數，其中tx是{xi,yi}與其他k詞頻率之間擁有一致性對數，ty是{xi,yi}與其他k詞頻率之間擁有不一致性對數，T是{xi,yi}擁有不相同k詞總個數，步驟2)中DNA序列A，B片段的k詞總個數為T＝7；5)步驟4)中的tx，ty可以由下式獲取，tx＝(xi-yi)×(xi-yi)為同號，則稱為{xi,yi}中一致性對數,ty可以由下式獲取，ty＝(xi-yi)×(xi-yi)為異號，則稱為{xi,yi}中不一致性對數；6)構建矩陣為N*N階的kendall相關係數矩陣，此矩陣為對稱矩陣，對角線值為1，通常可以列為上三角矩陣。由於相似性與距離成負相關關係，所以，在構建進化關係圖之前，我們將相似性數值取相反數轉換為距離，並以此構建進化關係圖，請參看圖2。結果分析：通過計算與編輯距離之間的皮爾森相關係數，我們發現應用kendall計算出來的DNA序列相似性與編輯距離的相關係數為-0.94，說明應用本發明方法計算出來的DNA序列相似性具有精度高的特點，並且能夠通過快速計算得到，是一種替代編輯距離的非常有效的方法。以上所述僅為本發明的實施例，並非因此限制本發明的專利範圍，凡是利用本發明說明書及附圖內容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的
技術領域：
，均同理包括在本發明的專利保護範圍內。當前第1頁1 2 3