[发明专利]基于核苷酸位差的频谱3-周期性信噪比计算方法

说明书

技术领域

本发明涉及一种基于核苷酸位差的频谱3-周期性信噪比计算方法，包含DNA序列频谱计算、信噪比计算，属于生物信息学中的基因识别技术领域。

背景技术

DNA是生物遗传信息的载体，是一种长链聚合物，由腺嘌呤（Adenine,A），鸟嘌呤（Guanine,G），胞嘧啶（Cytosine,C），胸腺嘧啶（Thymine,T）这四种核苷酸（nucleo tide）符号按一定的顺序连接而成。其中带有遗传讯息的DNA片段称为基因（Gene）（见图1第一行）。在真核生物的DNA序列中，基因通常被划分为许多间隔的片段（见图1第二行），其中编码蛋白质的部分，即编码序列（Coding Sequence）片段，称为外显子（Exon），不编码的部分称为内含子（Intron）。外显子在DNA序列剪接（Spli cing）后仍然会被保存下来，并可在蛋白质合成过程中被转录（transcri ption）、复制（replica tion）而合成为蛋白质。DNA序列通过遗传编码来储存信息，指导蛋白质的合成，把遗传信息准确无误地传递到蛋白质（pro tein）上去并实现各种生命功能。

对给定的DNA序列，怎么去识别出其中的编码序列，也称为基因预测，是一个尚未完全解决的问题，也是当前生物信息学的一个最基础、最首要的问题。

基因预测问题的一类方法是基于统计学的。很多国际生物数据网站上也有“基因识别”的算法。比如知名的数据网站http://genes.mit.edu/GENSCAN.html提供的基因识别软件GENSCAN（由斯坦福大学研究人员研发的、可免费使用的基因预测软件），主要就是基于隐马尔科夫链（HMM）方法。但是，它预测人的基因组中有45000个基因，相当于现在普遍认可数目的两倍。另外，统计预测方法通常需要将编码序列信息已知的DNA序列作为训练数据集来确定模型中的参数，从而提高模型的预测水平。但在对基因信息了解不多的情况下，基因识别的准确率会明显下降。

因此在目前基因预测研究中，采用信号处理与分析方法来发现基因编码序列也受到广泛重视。图2是基于序列频谱3-周期性的基因识别方法流程图：在DNA序列研究中，首先需要把A、T、G、C四种核苷酸的符号序列，根据一定的规则映射成相应的数值序列，以便于对其作数字处理。

令I＝{A,T,G,C}，长度（即核苷酸符号个数）为N的任意DNA序列，可表达为

S＝{S[n]|S[n]∈I,n＝0,1,2,…N-1}

即A、T、G、C的符号序列S：S[0],S[1],…,S[N-1]。现对于任意确定的b∈I，令

ub[n]=1,S[n]=b0,S[n]≠bn=0,1,2,...N-1]]>

称之为Voss映射，于是生成相应的0-1序列（即二进制序列）{u_b[n]}：

u_b[0],u_b[1],…,，

u_b[N-1](b∈I)，称为指示序列。对指示序列分别做离散Fourier变换(DFT)