[发明专利]一种用于在基因序列中快速搜索给定模式的方法

说明书

本发明涉及一种用于在基因序列中快速搜索给定模式的方法，包括以下步骤：统计输入序列的背景分布；将各个给定模式的位置频率矩阵转换为PWM矩阵，计算PWM矩阵的阈值K；计算每个PWM矩阵的期望向量；计算每个PWM矩阵的预计算窗口位置；计算每个PWM矩阵的预计算窗口的总排列分值；计算每个PWM矩阵的匹配顺序向量；计算每个PWM矩阵的最大分值向量；通过滑动窗口扫描输入序列，匹配输入序列与各个PWM矩阵，得到匹配成功的结果向量。与现有技术相比，本发明面对多个序列模式匹配，不需要多次扫描和计算匹配，只需要依次搜索即可完成对所有模式的匹配，具有匹配速度快等优点。

技术领域

本发明涉及基因序列的生物信息学分析技术，尤其是涉及一种用于在基因序列中快速搜索给定模式的方法。

背景技术

基因组是通过随机突变积累和多样化功能需求的选择来进化的。对于存活时间短和有较大种群数的物种(例如：细菌)，这种强烈的选择力能够进化出高度优化基因组、密集性基因以及伴随非功能序列微不足道的开销：这会令原核生物基因的预测变得相对简单起来。相比之下，拥有更长的存活时间和较少种群数的物种基因组(例如：脊椎动物)，它们积累了海量的遗传物质，而这些遗传物质中较多数是在不受选择机制下出现的。超过一半的人类基因组是在逆转录转座子因子、DNA转座子和其它种类重复的序列。功能性序列和调控因子只占脊椎动物其基因组中很少的一部分，这让它们的鉴别变得很困难。大部分的脊椎动物基因被内含子给打断，填满了在较大程度上受低约束限制的物质；长的内含子在建模上显得尤为困难。同对非编码转录的建模相同，识别可变剪接需要更加复杂的算法来实现。对于计算生物学，从头开始的脊椎动物基因预测是一项非常具有挑战性的任务。在DNA和其它生物序列中，这些匹配可以使用统计模型PWM矩阵来表示，如转录因子绑定位点。

当前的测序技术已经使得在很短的时间内将一个完整基因序列排好序变得可能。下一代测序技术将只需要1000美元就可以在不到一天的时间里完成对人类基因组的测序。许多其它基因组也会被测序并且进行高质量的拼接，这包括果蝇、老鼠、鸡、黑猩猩、狗、猪、猫、马、奶牛和斑马鱼。随着DNA和蛋白质基因序列数据库的指数增长，权重矩阵也可以被合成(如：TRANSFAC、PRINTS、BLOCKS、JASPAR数据库)，即使现在的相关硬件设备的计算速度非常快了，在如此庞大的基因数据集上寻找相关的统计模型，典型的为转录因子绑定位点，是一件非常困难的事。在这样的背景下，开发出在权重矩阵PWM和序列之间的快速搜索匹配技术显得异常重要。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于在基因序列中快速搜索给定模式的方法。

本发明的目的可以通过以下技术方案来实现：

一种用于在基因序列中快速搜索给定模式的方法，包括以下步骤：

S1、统计输入序列的背景分布；

S2、将各个给定模式的位置频率矩阵转换为PWM矩阵，根据设定的P值计算PWM矩阵的阈值K；

S3、根据步骤S1得到的背景分布计算每个PWM矩阵的期望向量；

S4、根据设定的用于预先匹配的预计算窗口的大小和步骤S3得到的期望向量，计算每个PWM矩阵的预计算窗口位置；

S5、根据步骤S4得到的预计算窗口位置和预计算窗口的大小，计算每个PWM矩阵的预计算窗口的总排列分值；

S6、根据步骤S4得到的预计算窗口位置和步骤S3得到的期望向量，计算每个PWM矩阵的匹配顺序向量；

S7、根据步骤S6得到的匹配顺序向量计算每个PWM矩阵的最大分值向量；

S8、通过滑动窗口扫描输入序列，根据阈值K、预计算窗口总排列分值、匹配顺序向量和最大分值向量，匹配输入序列与各个PWM矩阵，得到匹配成功的结果向量。