[发明专利]一种基于多个k值的基因序列相似度计算方法

摘要

本发明公开了一种基于多个k值的基因序列相似度计算方法，其特点是采用多个k值抽取的“k‑mer”构成频数和频率的集成向量，自主识别每个“k‑mer”的重要程度，得到MKWD2、MKWDs2和MKWD*2三种带有权重的D2类型相似度。本发明与现有技术相比具有更为精细的特征不容易忽略，精准抽取特征，分析过程简单，简化了生物序列的处理，比对精确度高，大大缩减了序列比对时间，工作效率得到很大的提升，有效避免了对最优参数k的猜测，较好的解决了参数k无限和随机选取的问题。

主权项

1.一种基于多个k值的基因序列相似度计算方法，其特征在于采用多个k值抽取的“k‑mer”构成频数和频率的集成向量，自主识别每个“k‑mer”的重要程度，得到MKWD₂、MKWD^s₂和MKWD^*₂三种带有权重的D₂类型相似度，其具体计算包括以下步骤：a步骤：设定一个k的取值范围S＝[kmin，kmax]，对于S中的每一个k值，按大小为k的滑动窗口从两条序列中提取“k‑mer”集合d_k，得到所有不同k值的集合d；b步骤：统计每条序列抽取到d_k集合中“k‑mer”的频数，构成每个k值的频数向量σ_k；c步骤：统计每条序列抽取到d_k集合中“k‑mer”的频率，构成每个k值的频率向量f_k；d步骤：对每个k值的频数向量σ_k和频率向量f_k分别进行“z‑score”标准化，将其拼接成频数集成向量σ和频率集成向量f；e步骤：采用最大似然法并引入“Markov”链模型，计算集合d中每个“k‑mer”出现的概率集合p；f步骤：使用集成向量f，采用最大离差方法计算每个“k‑mer”的权重向量ω；g步骤：使用权重向量ω、概率集合p和频数集成向量σ，自主识别每个“k‑mer”的重要度，且分别定义得到MKWD₂、MKWD^s₂和MKWD^*₂三种带有权重的D₂类型相似度。