[发明专利]基于kendall相关系数的DNA序列相似性比对方法

说明书

本发明公开基于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_i，DNA序列所有的k词频率记为X＝{x_i}；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k词频率向量记为x，y；5)每种组合的k词频率向量即x，y，计算其对应的kendall相关系数；6)建立N条DNA序列的N*N阶相似系数矩阵，以获取DNA序列的相似性以及进化关系图。本发明提高DNA序列相似性比对的效果，简化计算复杂性并缩短运算时间。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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。

本发明采用的技术方案是：

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x_i；

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＝{x_i},Y＝{y_i}。

5)每种组合的k词频率向量即x_i，y_i，计算其对应的kendall相关系数；

6)建立N条DNA序列的N×N阶kendall相关系数矩阵，以获取DNA序列的相似信息以及进化关系图。