[发明专利]一种人类基因启动子识别方法和系统

说明书

本申请公开了一种人类基因启动子识别方法和系统。该方法在获取人类基因训练样本后，基于启动子与三个非启动子之间的对称散度，从所有N联体集合中确定最具有分辨率的N联体集合。进而，利用具有分辨率的N联体集合完成对分类器的训练，并利用训练后的分类器对人类基因测试样本进行识别。与先有技术相比，本发明采用对称散度作为述启动子和非启动子的之间的距离度量，由于对称散度的对称性，因而其作为距离度量的测量精度更高，从而提高了对启动子的识别度。

技术领域

本申请涉及基因检测领域，更具体地说，涉及一种人类基因启动子识别方法和系统。

背景技术

人类基因草图完成后，关于人类基因表达调控已然成为一个极具挑战性的研究方向。而启动子识别对整个基因组功能的诠释具有重要的作用，因此如何准确、快说说识别人类启动子，已成为一个热点研究领域。

当前，人类启动子识别技术得到了快速发展，越来越多的研究人员利用生物信息学的方法通过计算机技术来预测与识别启动子。这类方法成本低，耗时较少，结果也比较可靠。人类启动子识别中关键之一是提取更具分辨力的特征来区分启动子与其他非启动子(外显子、内含子基因序列以及3'-UTR)。由于DNA序列可以被看作一系列的文档集合，基于基因N联体(n-mer：N个连续核苷酸，A：腺嘌呤G：鸟嘌呤C：胞嘧啶T：胸腺嘧啶组成的序列片段)的词频统计特征是启动子识别的有效特征。

N联体可以降低识别的假阳性，并且因为其在基因中的分布具有重要的生物学意义，也可以提高识别的敏感性。但是N联体特征具有太多的冗余信息，需要利用KL(Kullback–Leibler divergence)散度来简化N联体的特征提取。具体为，基于最大化相对熵构建了两类模型，并且运用KL散度作为权重来评价每个N联体对于识别的分辨能力，两类模型分别对启动子和非启动子获取一组N联体用于识别。然而由于KL散度的不对称性，所以并不能作为严格意义上的距离度量，其对启动子的识别度较低。

发明内容

有鉴于此，本申请提供一种人类基因启动子识别方法和系统，以提供对启动子的识别度。

为了实现上述目的，现提出的方案如下：

一种人类基因启动子识别方法，包括：

获取人类基因训练样本，其中所述训练样本包括启动子基因序列、外显子基因序列、内含子基因序列以及3'-UTR基因序列；

计算所有N联体集合中每个N联体在所述启动子基因序列、所述外显子基因序列、所述内含子基因序列以及所述3'-UTR基因序列中概率密度；

根据所述概率密度，分别计算所述启动子基因序列中的N联体与所述外显子基因序列的中N联体的第一对称散度，所述启动子基因序列中N联体与所述内含子基因序列中N联体的第二对称散度，以及所述启动子基因序列中N联体与所述3'-UTR基因序列中N联体的第三对称散度；

基于预设优化算法，依据所述第一对称散度从所有N联体中选择最具分辨率的第一N联体集合，依据所述第二对称散度从所有N联体中选择最具分辨率的第二N联体集合，以及依据所述第三对称散度从所有N联体中选择最具分辨力的第三N联体集合；

分别利用所述第一N联体集合、所述第二N联体集合以及所述第三N联体集合，对分类器进行训练，得到启动子-外显子分类器、启动子-内含子分类器以及启动子-3'-UTR分类器；

利用所述启动子-外显子分类器、所述启动子-内含子分类器以及所述启动子-3'-UTR分类器对人类基因测试样本进行识别，基于三个分类器的输出结果，判断人类基因训练样本是否为启动子。

优选的，所述根据所述概率密度，分别计算所述启动子基因序列中的N联体与所述外显子基因序列的中N联体的第一对称散度，所述启动子基因序列中N联体与所述内含子基因序列中N联体的第二对称散度，以及所述启动子基因序列中N联体与所述3'-UTR基因序列中N联体的第三对称散度，包括：