预测酵母(Yeast)基因转录因子结合位点

基于在转录因子结合位点各碱基出现的概率不相同,以转录因子结合位点每一位置的碱基保守程度为参量,分别计算每种转录因子结合位点在每一位置的碱基保守指数Mi.通过构建每种转录因子结合位点位置权重矩阵(PWM),利用位置权重矩阵打分函数对酵母四种转录因子结合位点进行预测.利用se lf-cons istency和cross-va lidation两种方法对此算法进行检验,均获得了较高的预测成功率.结果显示四种转录因子结合位点的预测成功率均超过80%,且同时获得多个试验未测定的转录因子结合位点,对实验有指导意义.

基于碱基关联二联体位置权重矩阵预测酵母转录因子结合位点

基于已知的酵母转录因子结合位点数据资料,构建转录因子结合位点碱基关联二联体位置权重矩阵,整合碱基关联二联体位置权重矩阵和碱基保守性参量M2i,提出一种新的预测转录因子结合位点的方法(PWMSA).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9种转录因子结合位点的总体预测成功率超过81%,明显高于单碱基位置权重矩阵,同时与已有预测转录因子结合位点的软件进行比较,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达到0.42和0.52,优于现有预测方法.

基于序列特征的人类Pol Ⅱ启动子理论预测

基于已知的人类Pol Ⅱ启动子序列数据,综合选取启动子序列内容和序列信号特征,构建启动子的支持向量机分类器.分别以启动子序列的6-mer频数作为离散源参数构建序列内容特征,同时选取24个位点的3-mer频数作为序列信号特征构建PWM,将所得到的两类参数输入支持向量机对人类启动子进行预测.用10折叠交叉检验和独立数据集来衡量算法的预测能力,相关系数指标达到95%以上,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.

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。

关于双加权亚半正定矩阵的判别

引入了双加权亚半正定矩阵的概念,是加权亚半正定矩阵的推广,给出了双加权亚半正定矩阵与亚半正定矩阵之间的关系和双加权亚半正定矩阵的判别定理。

基于DNA结合特异性权重矩阵的TAL效应物靶标预测

计算预测出TAL效应物的候选靶标有助于高效地确定TAL效应物的靶基因,进而阐明TAL效应物的生物学功能,但是目前在TAL效应物靶标计算预测方面的研究仍然很少.为了设计出预测TAL效应物靶标的有效算法,基于TAL效应物的已知靶标数据,构建了TAL效应物靶点的RVD-核苷酸关联矩阵,并将RVD-核苷酸关联矩阵归一化成RVD特异性概率矩阵,为靶标预测构造新的打分函数.实验结果表明,改进的TAL效应物靶标预测算法对大部分已知靶标预测的打分排名比已有算法更靠前,并且结合基因表达数据可以预测出TAL效应物的新的候选靶标.

基于机器学习的室内定位技术研究

为解决室内定位由于噪声影响而导致的定位结果不准确的问题,文章提出在离线阶段使用能够有效去除噪声的Hankel矩阵,以重构RSS指纹数据库,从而将真实信号空间与噪声空间分离。于在线阶段使用sage-husa自适应卡尔曼滤波算法,实现对RSS信号中噪声的过滤,利用算法特性减少信号强度波动稳定性带来的影响;过滤测试点的噪声后,使用WKNN算法,提高基于WLAN的室内定位技术的准确性和鲁棒性,获得位置的最佳估计结果。

一类矩阵不等式的进一步加强

关于Hermite矩阵A和B的v-加权几何均值的相关估计,许多学者进行了深入研究,已经获得了一系列的研究结果.利用双曲函数的性质以及双曲函数对应的泰勒展开式,得到了邹黎敏的文献中标量不等式的改进形式.再利用谱分解定理和改进后的标量不等式,改进了相应的矩阵的v-加权几何均值不等式,使之得到了进一步加强,从而改进了Kittaneh和Manasrah、邹黎敏等学者的文献中的已有结论.

对称正定线性方程组具有任意权矩阵的多分裂迭代求解

本文利用优化模型研究求解对称正定线性方程组Ax=6的多分裂并行算法的权矩阵.在我们的多分裂并行算法中,m个分裂仅要求其中之一为P-正则分裂而其余的则可以任意构造,这不仅大大降低了构造多分裂的难度,而且也放宽了对权矩阵的限制(不像标准的多分裂迭代方法中要求权矩阵为预先给定的非负数量矩阵).并且证明了新的多分裂迭代法是收敛的.最后,通过数值例子展示了新算法的有效性.