序列模式识别必威体育精装版完整版本.pdfVIP

生物信息学

第六章：序列模式识别

生物信息学：预测

生物信息学核心目标之一：预测

生物信息学工具的最常见作用：预测

基本假设(贝叶斯的哲学理念)：我们能够通过对

已知世界的观察，总结经验，并以此来预测未知

世界已经存在或者即将发生的事物/事件。

在生物信息学中的应用：对现有的数据，使用合

适的算法，进行训练，构建计算模型和计算工具，

预测未知的现象。

功能结构域

具有完整的、独立的三级结构

具有特定的生物学功能

一般长度，几十到几百个氨基酸

允许插入/缺失，即允许存在gap

模块、模体、模式

模块，BLOCK

模体，motif

模式，pattern/profile

模块/BLOCK

几个到几十个氨基酸

无gap，从全局多序列比对的结果直接处理得到

描述蛋白质家族或者一类蛋白质的序列保守性

BLOCK

模体/Motif

不具有独立的三级结构

具有特定的生物学功能：结合，修饰，细胞亚定位，

维持结构等

长度一般几个到几十个氨基酸或者碱基；

例如，SUMO化的序列模体：Ψ-K-X-E(Ψ:A,I,L,V,

M,F,P;X:任意氨基酸)

模式/Pattern/Profile

在算法上用来描述一类功能结构域、模体或者

模块的表示方式

根据序列数据构建的预测模型

数据形式：概率表示,正则表达式

[AC]−D−[IVL]−X2−3−[PG]−[FY]1−2

用来预测新的可能符合特定模式的序列

例如，直接将Ψ-K-X-E视为SUMO化位点的，普

适的“模式”，则可以预测所有包含该模式的蛋

白质序列

本章内容提要

1，预测性能检验

2，位点特异性打分矩阵/权重矩阵模型，

PositionSpecificScoringMatrix(PSSM)

/WeightMatrixModel(WMM)

3，模体发现：GibbsSampler算法

4，贝叶斯统计预测

5，马尔可夫及隐马尔可夫模型

6,序列模式识别应用及序列特征分析举例

1，预测性能的计算和检验

样本/检验数据：阳性数据(P)，阴性数据(N)

阳性数据(P)：有功能，满足条件的数据

阴性数据(N)：无功能，不满足条件的数据

对于预测结果的评测，定义：

a.真阳性(TP):实际阳性数据中被预测为阳性的数据

b.假阳性(FP):实际阴性数据中被预测为阳性的数据

c.真阴性(TN):实际阴性数据中被预测为阴性的数据

d.假阴性(FN):实际阳性数据中被预测为阴性的数据

常用的检验指标

1.敏感性(Sensitivity,Sn)

alsocalled‘recallrate’or‘truepositiverate’(TPR)

实际阳性数据中，能够准确预测的比例是多少

2.特异性(Specificity,Sp)

实际阴性数据中，能够准确预测的比例是多少

常用的检验指标计算公式

3.准确性(Accuracy,Ac)

对于整个数据集(包括阳性和阴性数据)，总共的准确

预测比例是多少

4.马修相关系数(Mathewcorrelation

coefficient,MCC)

当阳性数据的数量与阴性数据的数量差别较大时，能

够更为公平的反映预测能力，值域[-1,1]

选择性-Selectivity

alsocalledprecisionorpositive

predictivevalue(PPV)

预测为‘真’的数据中，实际阳性数据所

占的比例。

相对阳性数据(P)，当阴性数据(N)很大或难

以准确定义时，可由‘选择性’代替‘特异

性’指标。

TP

Se

TP+FP