基于kendall相关系数的DNA序列相似性比对方法技术

本发明专利技术公开基于kendall相关系数的DNA序列相似性比对方法，其包括如下步骤：1)获取N条待比对的DNA序列；2)选取长度k，按滑动窗口的方式获取每对组合DNA序列的相应的k词，并组合成相应的向量3)以步骤2)所获取的k词，计算每个k词在DNA序列中出现的次数即计算k词在DNA序列中出现的频率向量，将其记为x

DNA sequence similarity alignment method based on Kendall correlation coefficient

The invention discloses a DNA sequence Kendall correlation coefficient based on similarity matching method, which comprises the following steps: 1) to obtain N alignment of DNA sequences; 2) selected by sliding window length k, access to each combination of DNA sequences corresponding to K words, and combined into the corresponding vector in step 3) 2) k the K to calculate the number of each word appears in the DNA sequence in the calculation of the frequency vector of the K word appears in the DNA sequence, which is denoted as X

【技术实现步骤摘要】
基于kendall相关系数的DNA序列相似性比对方法
本专利技术涉及计算机与生物信息学处理领域，尤其涉及基于kendall相关系数的DNA序列相似性比对方法。
技术介绍
生物信息学的中心任务,是从浩如烟海的DNA序列数据中提取理性知识。生物信息学家所面临的任务,不仅是解决高效的数据储存手段,而且需要开发有效的数据分析工具。因为只有利用新的、有效的数据分析工具,才能将DNA序列信息转换成生物学知识,并弄清它们所蕴含的结构和功能信息，进而彻底了解它们所代表的生物学意义。DNA序列比对的理论基础是进化理论，如果两个DNA序列之间具有足够的相似性，就推测二者可能有共同的进化祖先，经过DNA序列内残基的替换、残基或DNA序列片段的缺失以及DNA序列重组等遗传变异过程分别演化而来。DNA序列相似和DNA序列同源是不同的概念，DNA序列之间的相似程度是可以量化的参数，而DNA序列是否同源需要有进化事实的验证。DNA序列比对实际上就是运用某种特定的数学模型或算法，找出两个或多个DNA序列之间的最大匹配碱基数。黄玉娟、王天明等人采用DNA序列中的k词出现的频率及位置信息构建了一个概率分布，这个分布表示两个向量之间的距离，值越小物种越接近。Vinga和Almeida提出了基于词频率的DNA序列比较方法：通过滑动窗口的方式所有长度为k的词出现的次数，得到k词次数或频率向量，这样把一条DNA序列映射为高维欧式空间上的一个向量，从而将DNA序列之间的相似性比较转换为向量之间的比较。双DNA序列比对就是用特定的算法对两条DNA序列进行比对，从而求出这两条DNA序列之间最大的相似性的匹配。Kendall相关系数被广泛用于时间DNA序列、水文、水质DNA序列等的相关性预测，但未曾被用于DNA序列相似性匹配。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供基于kendall相关系数的DNA序列相似性比对方法，构建一个关于N条DNA序列的阶相似系数矩阵，获得N条DNA序列的进化关系，同时提高DNA序列相似性比对的效率及提高运算效率。本专利技术采用的技术方案是：基于kendall相关系数的DNA序列相似性比对方法，其包括如下步骤：1)获取N条待比对的DNA序列；2)选取长度k，按滑动窗口的方式获取每对组合DNA序列的相应的k词，并组合成相应的向量3)以步骤2)所获取的k词，计算每个k词在DNA序列中出现的次数，即计算k词在DNA序列中出现的频率向量，将其记为xi；4)对N条DNA序列k词向量进行两两组合，即得到组合，每个组合向量记为X＝{xi},Y＝{yi}。5)每种组合的k词频率向量即xi，yi，计算其对应的kendall相关系数；6)建立N条DNA序列的N×N阶相关系数矩阵，以获取DNA序列的相似信息以及进化关系图。进一步，所述步骤2)中，对DNA序列取其长度为k的词频向量。进一步，所述步骤5)中，可通过如下步骤获得DNA序列的k词的kendall相关系数；a)通过下式，获取待比对DNA序列A的k词，其中DNA序列A长度设为n：b)通过下式，计算k词出现的频率：xi＝{第i个k词在DNA序列A中重复出现的次数}；c)对组合的X,Y向量，通过下式，计算kendall相关系数其特征在于：tx是{xi},{yi}中拥有一致性对数，ty是{xi,yi}拥有不一致性对数，T是{xi,yi}拥有不相同k词总个数。d)步骤c)中的tx，ty可以由下式获取，tx＝(xi-yi)*(xi-yi)为同号，则称为是{xi,yi}中一致性对数,ty可以由下式获取，ty＝(xi-yi)*(xi-yi)为异号，则称为是{xi,yi}中不一致性对数所获得的kendall相关系数τ是一个值为[-1,1]的数，当τ的值越接近于1则表示两条DNA序列之间相关程度越强，当τ的值越接近-1则表示两条DNA序列之间是负向相关，当τ的值接近于0则表示两条DNA序列不存在相关性。构建N*N阶的kendall相关系数矩阵，此矩阵为对称矩阵，对角线上的值为1，可以得到N条DNA序列的两两相似性信息，由此构建出N条DNA序列的进化的关系。本专利技术基于kendall相关系数的DNA序列相似性比对方法，采用滑动窗口方式求取待分析DNA序列的k词频率向量，对N条DNA序列的k词向量进行两两组合，利用kendall相关系数对相应DNA序列的k词频率向量求其相关系数，使得能够对多条DNA序列进行相似性检测，检测结果有效地反映出DNA序列之间的进化关系。本方法较为简洁，只需构建一个对称矩阵，矩阵左上到右下的对角线上的值为1，简化了计算复杂性，提高了运算效率，kendall系数可以作为描述DNA序列相似性预测的特征值，可以获得良好的准确度。附图说明以下结合附图和具体实施方式对本专利技术做进一步详细说明；图1为本专利技术基于kendall相关系数的DNA序列相似性比对方法的流程示意图；图2为本专利技术基于kendall相关系数的DNA序列相似性比对方法的DNA序列的进化关系图。具体实施方式如图1或图2所示，对本专利技术的方法采用20个物种的DNA编码DNA序列作为分析对象为例作进一步详细阐述，包括以下步骤：如图1所示，本实施例的基于kendall相关系数的DNA序列相似性比对方法包括如下步骤：1)选择20个物种的DNA编码DNA序列作为初始DNA序列，20个物种的DNA序列名称及长度见表1；物种名称DNA序列长度baboon16522bluewhale16403cat17010common_chimpanzee16564cow16339fin_whale16399gibbon16473gorilla16365grayseal16798harborseal16827horse16661human16570mouse16296opossum17085orangutan16390pigmy_chimpanzee16555platypus17020rat16301wallaroo16897whiterhinoceros16833表1：物种DNA序列信息2)对步骤1的初始DNA序列获取其k词，并组合这些k词，得到初始DNA序列的k词频率向量(参见Vinga,S.Almeida,J.S.Alignment-freesequencecomparisonareareview[J].Bioinformatics.513-523.2003)。此方法的特点是对按滑动窗口方式求长度k的短DNA序列出现在待测DNA序列中频率，对DNA的4个碱基{A,T,G,C}，取k长度为2，则对应k词有42＝16种，若k＝3则对应k词43＝64种；如待测DNA序列片段的DNA序列A＝ATAACTA，其k词W2＝{AT,TA,AA,TT,AG,GA,AC,CA,CT….}，其频率向量值为{1,2,1,0,0,0,1,0,1,0…}；待测DNA序列片段B＝ACAACTTA，其k词频率向量为{0,1,1,1,0,0,2,1,1,0…}；3)对应N条DNA序列，可以求出N个k词频率向量，将其两两组合，得到组合，每个组合频率向量记为X,Y4)通过下式计算获取kendall相关系数，其中tx是{xi,yi}与其他k词频率之间拥有一致性对数，ty是{xi,yi}本文档来自技高网...

【技术保护点】
基于kendall相关系数的DNA序列相似性比对方法，其特征在于：其包括如下步骤：1)获取N条待比对的DNA序列；2)选取长度k，按滑动窗口的方式获取每对组合DNA序列的相应的k词，并组合成相应的向量；3)以步骤2)所获取的k词，计算每个k词在DNA序列中出现的次数，即计算k词在DNA序列中出现的频率向量，将其记为x

【技术特征摘要】
1.基于kendall相关系数的DNA序列相似性比对方法，其特征在于：其包括如下步骤：1)获取N条待比对的DNA序列；2)选取长度k，按滑动窗口的方式获取每对组合DNA序列的相应的k词，并组合成相应的向量；3)以步骤2)所获取的k词，计算每个k词在DNA序列中出现的次数，即计算k词在DNA序列中出现的频率向量，将其记为xi；4)对N条DNA序列k词向量进行两两组合，即得到组合，每个组合向量记为X＝{xi},Y＝{yi}；5)每种组合的k词频率向量即xi，yi，计算其对应的kendall相关系数；6)建立N条DNA序列的N×N阶相关系数矩阵，以获取DNA序列的相似信息以及进化关系图。2.根据权利要求1所述基于kendall相关系数的DNA序列相似性比对方法，其特征在于：所述步骤2)中，对DNA序列取其长度为k的词频向量。3.根据权利要求1所述基于kendall相关系数的DNA序列相似性比对方法，其特征在于：所述步骤5)中，通过如下步骤获得DNA序列的k词的kendall相关系数：a)通过下式，获取待比对DNA序列A的k词，其中DNA序列A长度设为n：b...

【专利技术属性】
技术研发人员：林劼，林丽玉，江育娥，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：福建,35