基于支持向量机(SVMs)的人类核心启动子的识别

本文采用基于支持向量机(SVM s)的方法预测了4类含有核心启动子元件的启动子和含有CCAAT-box的启动子。4类核心启动子元件分别是DPE,BRE,TATA-box和Inr。特征提取采用基于位点权重矩阵(PWM s)的程序Promoter C lassifier进行。本文预测结果的敏感度,确定度,以及相关系数均高于三种启动子预测方法(PromoterInspec-tor(PI),Promoter 2.0 Pred iction(PP)和Neural Network Promoter Pred iction(NNPP),使敏感度和确定度同时高于0.84,其中TATA-box预测结果可使敏感度和确定度同时高于0.95。

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、TATAbox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).

基于支持向量机(SVMs)的核心启动子识别方法

本文介绍了TATA-box和GC-box等4类常见的核心启动子元件,并提出了结合位点权重矩阵的基于支持向量机的核心启动子识别方法。正确识别核心启动子的一个决定因素是找到一个最优的判别函数使得测试样本尽可能被正确分类,本文从测试样本的线性分类和非线性分类两个方面阐述了分类过程。核函数的选择是基于SVM的核心启动子识别的关键问题之一。核函数的形式及其参数的确定决定了分类器的复杂程度。实际应用时,可根据需要构建适当的核。

预测和鉴定蛋白质翻译后修饰的生物信息方法

蛋白质翻译后修饰对蛋白质成熟、结构和功能多样性有决定性的作用。但蛋白质翻译后修饰的多样性、普遍性、动态性,使传统的生物化学方法在全局水平上理解翻译后修饰非常有限,对它们的研究、特别是大规模的研究长期发展缓慢。现在,在实验研究基础上,借助多方面的生物信息学方法,可以快速高通量的预测和鉴定蛋白质翻译后修饰。一方面,可以从序列角度出发,基于酶识别底物的特异性,用位点权重矩阵、支持向量机等算法,从底物蛋白质序列提取修饰相关的保守序列,并用于预测翻译后修饰位点。这种方法相对成熟,能够取得较理想的预测准确性,但不能反映不同时间不同细胞的翻译后修饰状态。另一方面,可从质谱数据分析出发,有望捕获细胞内翻译后修饰的动态特性。质谱分析的高灵敏度、高准确度和高通量的能力已使建立在质谱基础上的蛋白质组学成为研究翻译后修饰的重要工具,生物信息学方法和质谱蛋白质组学的结合则更可以加速研究翻译后修饰的进程。本文从序列和质谱分析两个角度总结评价了各种翻译后修饰相关生物信息学方法的研究近况,重点讨论利用质谱数据鉴定翻译后修饰的新思路。