[发明专利]基于序列依赖频率矩阵的生物序列进化信息提取方法

摘要

本发明提供了一种基于序列依赖频率矩阵的生物序列进化信息提取方法，其采用序列依赖频率矩阵SDFM进行生物序列进化信息提取，所述SDFM采用以下步骤获得：对于任意的生物序列，首先利用序列比对工具搜索对应的生物序列数据库，生成对应的多序列比对MSA；然后统计在多序列比对MSA中每个位点生物序列子串出现的频率，得到如式（1）所示的序列依赖频率矩阵SDFM。本发明的技术方案考虑到了生物序列中相邻位点的依赖关系，能够从多序列比对中提取出更多、更准确的功能、结构等生物序列进化特征，使得统计的概率分布信息包含了序列位点依赖关系信息。

主权项

1.一种基于序列依赖频率矩阵的生物序列进化信息提取方法，其特征在于：其采用序列依赖频率矩阵SDFM进行生物序列进化信息提取，所述SDFM采用以下步骤获得：步骤S1：对于任意的生物序列，首先利用序列比对工具搜索对应的生物序列数据库，生成对应的多序列比对MSA；步骤S2：统计在多序列比对MSA中每个位点生物序列子串出现的频率，得到该生物序列的序列依赖频率矩阵SDFM，所述SDFM为如式(1)所示的Sk×(L‑k+1)维的矩阵：其中，S是生物序列字母表的大小，k表示生物序列子串的长度，Sk表示长度为k的生物序列子串种类的数量；L表示生物序列的长度，mi，j代表第i个生物序列子串在多序列比对MSA的第j列上出现的打分，mi，j的计算公式如下：其中，ni，j是多序列比对MSA中第i个生物序列子串在第j列上出现的频率，Nj是多序列比对MSA中第j列上所有生物序列子串出现的总频率，bi，j是生物序列子串的背景概率，即该生物序列子串在大规模生物序列数据库中出现的概率，Bj为第j列上所有bi,j的总和。