文档介绍：: .
#
基因识别问题及其算法实现
一、背景介绍
DNA是生物遗传信息的载体，其化学名称为脱氧核糖核酸（ Deoxyribo nucleic acid，缩
写为DNA ）°DNA分子是一种长链聚合物， DNA序列由腺嘌呤（Ade nine, A），鸟嘌呤（Gua nine,
G），胞嘧啶（Cytosine, C），胸腺嘧啶（Thymine, T）这四种核苷酸（nucleotide）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）。其他的
DNA序列片段，有些直接以自身构造发挥作用，有些则参与调控遗传讯息的表现。
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 Sequenee）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（Splicing）后仍然会被保存下来，并可在
#
#
图1真核生物DNA序列（基因序列）结构示意图
蛋白质合成过程中被转录（
transcription ）、复制（replication ）而合成为蛋白质（见图 2）。
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（protein）上去并实现各种生命功能。
DNA序列
蛋白质序列
图2蛋白质结构示意图
对大量、复杂的基因序列的分析，传统生物学解决问题的方式是基于分子实验的方法，
其代价高昂。诺贝尔奖获得者 （Walter Gilbert，1932 ―;【美】，第一个制备
出混合脱氧核糖核酸的科学家） 1991年曾经指出： 现在，基于全部基因序列都将知晓，并
以电子可操作的方式驻留在数据库中， 新的生物学研究模式的出发点应是理论的。 一个科学
家将从理论推测出发， 然后再回到实验中去， 追踪或验证这些理论假设。”随着世界人类基
因组工程计划的顺利完成，通过物理或数学的方法从大量的 DNA序列中获取丰富的生物信
息，对生物学、医学、药学等诸多方面都具有重要的理论意义和实际价值，也是目前生物信
息学领域的一个研究热点 。
二、数字序列映射与频谱 3-周期性：
对给定的DNA序列，怎么去识别出其中的编码序列 （即外显子），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 ⑴。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://ge 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