Вычислительные методы молекулярной биологии и их применение к анализу геномов

• Автор: Миронов, Андрей Александрович
• Шифр специальности: 03.00.03
• Научная степень: Докторская
• Год защиты: 2000
• Место защиты: Москва
• Количество страниц: 151 с. : ил.

Оглавление
Введение.

Глава 1. Поиск сигналов в геномах прокариот и архебактерий.

1.1. Методы распознавания сигналов в нуклеотидных последователь

1.1.1 Методы поиска сигналов

1.1.2. Статистические методы построения весовой матрицы.

1.1.3. Методы распознавания образов.

1.2. Распознавание промоторов прокариот.

1.2.1 Метод Обобщенный портрет

1.3. Поиск сигналов связывания с рибосомой в полных бактериальных

геномах
1.3.1 Материалы и методы
1.3.2 Результаты и обсуждение.
1.4. Распознавание сигналов регуляции транскрипции в прокариотах
1.4.1 Материалы и методы
1.4.2. Результаты и обсуждение. Эволюция регуляции генов
1.5. Исследование регуляции у архсбактернй
1.5.1. Материалы и методы.
1.5.2.Результаты и обсуждение.
1.6. Регуляция синтеза рибофлавина
1.7. Сайты связывания ЬехА и ОтК
Литература


При наложении такой комбинированной матрицы на последовательность оптимизируют расстояние между сегментами, и, если наилучший вес превышает порог, то принимают решение о наличии сигнала. Иногда вместо позиционной матрицы, отражающей веса отдельных нуклеотидов, применяют динуклеотидпую матрицу. Чтобы пользоваться этими методами, необходимо определить весовую матрицу. Для этого используют обучающую выборку и применяют к ней методы статистической механики статистические методы, методы распознавания образов и кластерного анализа. Использование конформаиионных характеристик ДНК. Делались попытки связать свойства сайтов узнавания на ДНК с физикохимическими и конформационными характеристиками молекулы ДНК Ропотаггпко е Ь, а, Ь. При этом строились гибридные схемы, использующие логические функции и весовую матрицу. В основе этой группы методов лежит следующее соображение. Р32ехрЭкТ, 1. Если выборка является представительной, то вероятности появления сигнала пропорциональны их частотам. Допустим, что энергия связывания 0 х специфическою белка с последовательностью . V может быть представлена в виде суммы энергий О взаимодействия с каждым нуклеотидом сигнала. Тогда выражение 1. ЕаЛЯ7 1. Пр, 1. Прологарифмировав выражение 1. Это соотношение будет выполнено для всех последовательное гей , только в том случае, если энергия Сца с точностью до несущественной аддитивной константы пропорциональна логарифму частот нуклеотидов в соответствующих позициях Поэтому определение весовой матрицы заключается в вычислении логарифмов позиционных частот. Аналогичный прием можно использовать и при вычислении весов для расстояний между сегментами в двух и более сегментных сигналах. размер обучающей выборки. Применение статистических методов построения профиля сигнала требует определенной осторожности, поскольку в его основе лежит предположение о том, что обучающая выборка является представительной. Появление в выборке гомологов например, мутантных вариантов может исказить картину. Такой подход очень распространен и применяется для распознавания самых разных сигналов i, X4, , X4. Часто в качестве обучающей выборки удается использовать не только позитивные образы сигналов, но и негативную информацию типа в этом месте сигнала заведомо пег. В этих случаях применяют методы распознавания образов и дискриминантный анализ. Результатом применения этих методов, как правило, является также получение весовой матрицы, обученной нейронной сети или логического правила. Представим себе пространство образов в нашем случае последовательностей, рис. Здесь х означает положительные образы, а о отрицательные образы. В отличие от статистических методов распознавания, когда участвуют все примеры сайтов из обучающей выборки, здесь ключевую роль играют крайние представители самые плохие сигналы и самые похожие на сигнал несайты. Поэтому при применении таких методов совсем не обязательна прочистка выборки для исключения гомологов и максимального приближения структуры выборки к генеральной совокупности. Рис. Пространство образов и разделяющая поверхность. Здесь также действует правило чем сложнее разделяющая поверхность, тем менее устойчивым является распознавание Применение классической весовой матрицы означает, что разделяющая поверхность плоская. Можно себе представить и в некоторых случаях такой подход применяется, что разделяющая поверхность является совокупностью плоскостей. В этом случае значительно увеличивается количество параметров настройки, и, соответственно, снижается устойчивость распознавания. В принципе существует множество способов отображения последователь Каждый способ построения пространства признаков будем называть моделью сайта. Промоторы являются одними из наиболее значимых сигналов. Их распознавание и предсказание их эффективности является весьма важной задачей вычислотельной молекулярной биологии. Типичный промотор К. И состоит из двух слабо консервативных блоков, расположенных примерно в области и относительно старта транскрипции, также имеется весьма слабый сигнал в области старта транскрипции и в области .