多重序列比对的蚁群算法

序列多重比对是生物信息学特别是生物序列分析中的一个重要的操作。提出了一种解决多重序列比对的蚁群算法,利用了人工蚂蚁逐个选择各个序列中的字符进行配对。在算法中,蚂蚁根据信息素、字符匹配得分以及位置偏差等信息决定选择各序列中的字符的概率,通过信息素的更新与调节相结合的策略,以及参数的动态自适应调节方法,较为有效地解决了局部收敛的问题,加强了算法寻求全局最优解的能力。实验显示,该算法可以有效解决多重序列比对问题。

求解多重序列比对问题的蚁群算法

多重序列比对是生物信息学特别是生物序列分析中一个重要的基本操作。提出求解多重序列比对问题的蚁群算法,利用人工蚂蚁逐个选择各个序列中的字符进行配对。在算法中,蚂蚁根据信息素、字符匹配得分以及位置偏差等信息决定选择各序列中字符的概率,通过信息素的更新与调节相结合的策略较为有效地解决了局部收敛的问题,加强了算法寻求全局最优解的能力。另外在该算法的基础上,提出了基于分治策略的多序列比对蚁群求解算法,不但减少了原算法的计算时间,而且显著改善了算法所求得的解的质量。

多重序列比对Alignment的信息度量准则

多重序列的比对(Alignment)的核心问题是对多重DNA(或RNA、蛋白质)序列,寻找它们的相似部分或稳定区域,但如何定义多重序列的相似度(或罚分函数)则是解决多重序列比对的前提。首先对多重序列相似度的合理性进行了讨论,给出了一组合理的相似度所必需具备的条件;再利用Shannon熵的特点,给出一个满足这些合理性条件的多重序列比对的优化准则。

基于遗传算法与模拟退火算法在多重DNA序列比对中的应用研究

序列比对是将蛋白质中的基因或氨基酸进行对齐的动作,目的是要找出两序列的相似程度,而多重序列比对则是同时比对多个DNA或蛋白质序列,找出此序列群组中最佳的比对结果 .本研究结合遗传算法及模拟退火算法,先利用遗传算法优化种群的概念,随着世代演进逐渐产生近似最佳解,再利用模拟退火算法进行小区块内的比对修正.实验结果显示,利用遗传算法与模拟退火算法的结合,使得遗传算法在跳脱局部最佳解的时候能有更大空间移动,而且也让模拟退火算法能有效解决经由遗传算法初步比对之后所产生的不良区域.两种算法结合的序列比对结果比任何单一算法的结果好,因此可以提升整体比对效果,将来能够为生物学家在判断未知序列功能时提供适当的帮助.

一种用于多重生物序列比对的协同进化算法

序列比对是生物序列分析的一项基础性工作,多重生物序列比对可以帮助预测未知序列的结构和功能。在传统遗传算法的基础上,提出了一种用于多重生物序列比对的协同进化算法,通过引进协同进化机制,使得保守区域和位点以较高的概率传给子代,而非保守区域和位点以较低的概率传给子代。在BAliBASE3.0数据库上,该方法获得比常用的比对算法ClustralX更高的适应度,比传统的遗传算法具有更好的收敛性。

关于多重序列比对距离矩阵的一点注记

因为多重序列比对的最优解问题是一个非易计算问题,所以在生物信息学中,对多重序列分析常常采用两两序列比对来实现。因此由两两比对所产生的距离矩阵在多重序列比对分析中起重要作用。证明了由两两序列比对所产生的距离满足距离关系的三公理条件,从而使两两序列比对分析在距离空间中进行。

网格环境下蛋白质多重结构比对的架构及其实现

针对蛋白质多重结构比对需要大量运算的问题,基于渐进式成对结构比对策略,设计了并行化的蛋白质多重结构比对架构及其在网格计算环境下的实现机制.实验结果表明并行算法大大提高了比对效率,减少了比对时间,提高了重用性.该并行蛋白质多重结构比对架构及实现方法可应用于其他的多重结构比对.

基于免疫遗传算法的多重序列比对

提出一种基于免疫遗传算法的多重序列比对的方法,它将一种免疫算子加入到遗传算法的框架中,通过对个体接种疫苗来进一步提升个体的存活能力.实验结果表明,该方法可以加快收敛速度,并能求出比遗传算法更优的解.

基于蛋白质结构的多重序列比对的黄金标准评估法：平均相似性法

目的:建立蛋白质多重序列的质量评估法。方法:假定在多重序列比对中的一条序列是未知的,以其他序列作为模板,通过将模板蛋白质的三维结构作为未知蛋白质的预测模型,进而比较预测与实际结构的相似性,将它们的平均值作为多重序列比对的质量。结果:通过SCOP数据库的检验,所得的质量标准与专家分类的标准基本一致。结论:本方法是一种有效的蛋白质多重序列比对的质量评估法。

超级多重基因组序列比对算法

大量同源的长基因组序列的多重比对需要高效率的比对算法。论文开发出一个新的比对工具“超级多重基因组比对”(简称SMGA),该系统是建立在序列突变与比对的“模代数”理论基础上专为长基因组序列的多重比对设计的。SMGA在一台主频2.8G的PC机上完成平均长度约5M的9条有机菌基因组的多重比对的时间大约为35min。论文还使用模拟数据对SMGA的比对精确度做了估计。

多目标优化的非编码RNA比对及预测

为更好地优化多个代价函数,提出一种多目标模拟退化算法,在运算过程中对多目标进行优化,从而得到边界上不同方向的最优解,介绍进化过程中的非编码RNA结构,并在此基础上提出RNA多重比对及预测并行模型。实验结果表明,该模型能有效提高解的精度和多样性。

基于遗传算法的一种生物序列比对方法

生物序列比对是对DNA(或RNA,蛋白质)序列,寻找和确定它们的相似部分或稳定区域。二重序列比对问题可采用动态规划方法求得其最优解;多重序列比对问题是一个NP完全的组合优化问题,有待进一步探索与研究。通过合理的编码表示,采用相应的遗传算子,设计了一种求生物序列比对的遗传算法。并对几组DNA序列进行了测试。

基于隐马尔可夫模型的多重序列分析

隐马尔可夫模型是最近几年在许多机器学习领域都得到成功应用的关于序列分析的重要统计模型,特别是在蛋白质家族的识别方面。这主要是由于生物数据的急剧增长导致2个领域(计算科学和生物学)走向结合引起的。探讨了多重序列比对和序列谱隐马尔可夫模型,讨论了隐马尔可夫模型的基本算法以及如何建立HMMs。根据E值和训练分数进行蛋白质家族的识别和分类。

一种新型求解多序列比对问题的方法

多序列比对问题是生物信息科学中一个非常重要且具挑战性的课题,并已经被证明属于问题。为了克服以往算法中的求解速度慢的缺点,本文提出了一种基于遗传算法和蚁群算法的算法来求解的新方法,在单独使用遗传算法的基础上再使用蚁群算法来进行局部搜索以便更快速地求得解。实验结果表明,遗传-蚁群算法能有效地求解多序列比对问题。

生物信息学中基于启发式的多序列比对算法

序列比对是生物信息学中一项重要的基础性研究课程,其基本任务之一就是进行多重序列比对,但是如何优化多重序列比对算法目前生物信息学面临的一个核心课题,本文介绍了多重序列比对研究所涉及的基本问题,对当前多重序列比对启发式算法的几种经典算法进行描述,并对多重序列比对算法的前景进行了展望。

基于蚁群算法与中心比对算法的多序列比对研究

多序列比对问题是生物信息学中一个非常重要且具挑战性的课题。为了克服以往算法应用于多序列比对时所遇到的比对序列数受限制以及比对寻优速度慢的缺点,提出一种基于蚁群算法与中心比对算法相结合的新求解算法,给出了具体的算法设计。该算法充分发挥了蚁群算法和中心比对算法的优越性,可提高求解MSA问题的计算精度和计算速度,同时较好地解决了群体的多样性和收敛深度的矛盾。

2株猪繁殖与呼吸综合征病毒海南株的ORF5基因分析

【目的】鉴定我国海南省新发现的2株猪繁殖与呼吸综合征病毒株HNHK1-2021和HNLG1-2021的进化关系。【方法】采用PCR方法对ORF5基因进行扩增和序列测定,利用MegAlign软件进行多重序列比对,利用MEGA X软件邻接法构建进化树。【结果】PRRSV HNHK1-2021和HNLG1-2021毒株核苷酸相似性为82.9%,推导氨基酸相似性为82.6%。HNHK1-2021毒株和NADC30类PRRSV、QYYZ类PRRSV、VR-2332类PRRSV以及JXA1类PRRSV序列比对,80.8%~82.8%、90.2%~92.0%、82.1%~83.4%、81.9%~84.4%,推导氨基酸相似性分别为82.1%~84.6%、91.5%~94.5%、80.1%~83.1%、82.6%~84.6%;HNLG1-2021毒株和NADC30类PRRSV、QYYZ类PRRSV、VR2332类PRRSV以及JXA1类PRRSV序列比对,核苷酸相似性分别为83.7%~84.6%、81.8%~83.6%、97.7%~99.5%、85.6%~90.4%,推导氨基酸相似性为83.6%~85.1%、81.1%~82.6%、96.0%~98.5%,86.1%~90.5%。【结论】2株病毒株均属于北美型PRRSV,HNHK1-2021毒株属于QYYZ类PRRSV(谱系3)。HNLG1-2021毒株属于VR-2332类PRRSV(谱系5)。

长春地区人与猪戊型肝炎病毒分子流行病学及部分基因序列分析

目的 分析长春地区猪和人群流行的戊型肝炎病毒的系统进化关系。方法 参照文献设计引物．对长春地区猪和人群流行的8株HEV（其中3株来源于人，5株来源于猪）进行RT-PCR，并将RT-PCR产物克隆到PMD18-T载体。筛选阳性重组质粒测序，测序结果采用Clustal X v．1．8进行多重比对分析，并与基因1～4型HEV代表株的核苷酸及氨基酸进行同源性比较。绘制遗传进化树。结果 本研究获得的8株HEV核苷酸同源性在91．2％～99．1％。推导氨基酸同源性在97．4％～100％之间；基因1～4型内各株序列间同源性分别为：87．9％～100％,100％，85．9％～96．6％。84．8％～100％。结论 研究表明获得的长春各株病毒均属基因4型。由进化关系看长春地区猪HEV与人HEV可能由同一毒株进化而来。

生物信息学中的NP-完全问题研究综述

介绍几个生物信息学中的NP-完全问题以及目前文献对这些问题的解决方法,分析目前解决NP-完全问题的计算智能算法及存在的问题,总结计算智能方法在生物信息学领域的研究热点以及未来研究应该注意的问题。

芹菜品种‘六合黄心芹’AgCCoAOMT基因的克隆及表达特性分析

根据伞形科(Apiaceae)植物芹菜(Apium graveolens Linn.)的转录组数据库,从芹菜品种‘六合黄心芹’(‘Liuhe Huangxinqin’)叶片总RNA中克隆获得咖啡碱-辅酶A-O-甲基转移酶基因,命名为Ag CCo AOMT基因。序列分析结果表明:Ag CCo AOMT基因包含1个长度726 bp的开放阅读框(ORF),编码241个氨基酸;该基因编码的蛋白质为Ag CCo AOMT,其理论相对分子质量为27 010,理论等电点p I 5.35;在Ag CCo AOMT蛋白中,酸性氨基酸所占比例高于碱性氨基酸,脂肪族氨基酸所占比例约为芳香族氨基酸的3倍;该蛋白属于疏水性蛋白,并含有1个保守的Ado Met_MTases结构域,说明Ag CCo AOMT蛋白属于Ado Met_MTases超级家族;Ag CCo AOMT蛋白的三级结构包含多个α-螺旋和β-折叠,与紫花苜蓿(Medicago sativa Linn.)CCo AOMT蛋白三级结构的一致性为84.58%。多重比对和系统树分析结果表明:Ag CCo AOMT蛋白有较高的保守性;该蛋白与同科植物大阿米芹(Ammi majus Linn.)和欧芹〔Petroselinum crispum(Mill.)Nyman ex A.W.Hill〕CCo AOMT蛋白的进化关系最近,与睡莲科(Nymphaeaceae)植物莲(Nelumbo nucifera Gaertn.)CCo AOMT蛋白的进化关系较近。qRT-PCR检测结果表明:Ag CCo AOMT基因能够在‘六合黄心芹’的根、茎、叶柄和叶片中表达,且在叶片中的相对表达量极显著(P<0.01)高于其他组织,说明该基因的表达具有明显的组织特异性;不同生长发育阶段该基因在叶片中的相对表达量有明显差异,其在商品期(播种后第65天)的相对表达量极显著高于幼苗期(播种后第25天)和生长旺盛期(播种后第45天)。研究结果显示:Ag CCo AOMT基因与‘六合黄心芹’叶的老化和木质素含量升高有关,且在进化过程中具有较高的保守性。