一种优化的生物序列比对算法

序列比对是生物信息学中一种基本的信息处理方法,在序列比对所使用的算法中当前重点解决的问题是如何降低算法的时间和空间复杂度。在介绍基本动态规划原理的基础上,提出了一种基于动态规划思想的优化序列比对算法。对3种算法对比实验表明,该算法在保证其生物敏感性的基础上,有效地降低了时间和空间复杂度。     

基于动态规划的Needleman-Wunsch双序列比对算法的分析与研究

生物序列比对是生物信息学中最基础的研究课题之一.基于动态规划的Needleman-Wunsch双序列比对算法主要采用迭代算法及空位罚分规则对基因序列进行逐一比对,计算二者相似性得分,最后通过回溯分析得出序列之间的最佳比对.虽然该算法可以得到最佳比对结果,但是时间复杂度和空间复杂度较高.首先对原算法进行分析,对计算得分和...     

生物信息学中一个优化的全局双序列比对算法

最早的生物信息学中序列比对算法是基于动态规划思想的Needleman-Wunsch全局双序列比对算法,由于其时间和空间复杂度巨大,不适合实际的生物序列比对.提出了一种优化的基于动态规划思想的全局双序列比对算法.实验结果表明,该算法在保证其生物敏感性的基础上,有效地降低了时间和空间复杂度.     

一种多序列比对的局部优化算法

核苷酸序列簇和氨基酸序列簇的比对是分子生物学研究的一种基本工具。多序列比对问题是NP完全问题,任何研究快而完全算法的努力都将面临极大的困难。该文提出了一种多序列比对的局部优化算法,并对基因库中的序列做了测试。     

PHGA-COFFEE:多序列比对问题的并行混合遗传算法求解

设计了一个求解多序列比对问题的并行混合遗传算法（与之相应的软件称为PHGA-COFFEE）.该算法采用COFFEE函数作为个体的适应度函数,构造了六种遗传算子,特别是设计了两种新颖的变异算子,其中一种变异算子基于COFFEE的一致性信息设计,以改善算法的整体搜索能力.另一种变异算子基于动态规划方法设计,以增强其局部搜索能力.通过对BAliBASE中144个测试例的测试,证明该算法是有效的.与已有的算法相比,该算法对处于朦胧区和具有N/C末端延伸的序列比对问题有更强的问题求解能力.同时通过对算法并行化,其运行时间显著缩短.     

双序列比对的算法研究

双序列比对是生物信息学中最基本的问题之一,其研究方法是设计具有针对性的有效算法对两个DNA或蛋白质序列进行比较,找出两者之间的最大相似性匹配进而判断其是否具有同源性。详尽分析了双序列比对的实际意义,提出最佳比对不一定能反映进化的实际过程并给予分析,重点探讨了最重要的全局比对算法——Smith Waterman算法,同时提出了一种用数组记录比对过程中遍历路径的方法并对比对过程进行递归调用,使之能找出全部具有最大相似性的比对结果。     

基于双序列比对算法的立体图像匹配方法*

在分析现有立体匹配方法的基础上,提出一种基于双序列比对算法的立体图像匹配方法。将立体图像对中同名极线上的像素灰度值看做是一对字符序列,使用基于动态规划思想的双序列比对算法对这些对字符序列进行匹配,以获取立体图像视差。为验证该方法的可行性和适用性,采用人脸立体图像对进行实验。实验结果表明,使用该方法进行立体图像匹配能获得光滑的、稠密的视差图。基于动态规划思想的双序列比对算法能够有效地解决立体图像匹配问题,从而为图像的立体匹配提供了一个实用有效的方法。     

生物序列比对算法的实现与集成

为了使不同的比对算法产生的结果能够方便地横向比较进而评价最佳的比对模式,深入地研究了序列比对领域最经典和最常用的比对算法,其中包括经典的动态规划、半经验式的BLAST和FASTA、启发式的CLUSTALW以及相似组方法等,并对各种方法加以程序化的实现,研制成功了集成化的序列比对平台,为科研人员提供了有效的序列比对及其评价工具。     

GPU加速的生物序列比对

为了精确高效地进行生物序列比对,提出一种GPU加速的Smith-Waterman算法.该算法使用菱形数据布局以更充分地利用GPU的并行处理能力;使用查询串分批处理技术来支持上百兆规模的序列比对;同时引入树形算法,以优化最大匹配值的计算.将该算法在一块NVIDIA GeForce GTX285显卡上实现,并使用多组不同规模的生物序列进行了比对实验.实验结果表明,与CPU上的串行算法相比,采用文中算法最高可获得120倍以上的性能提升.     

基于渐进蚁群算法的DNA多序列比对

DNA多序列比对是生物信息学中的最重要的任务之一。本文针对多序列比对的特点,提出一种渐进蚁群算法,即将渐进比对算法和蚁群算法相结合。在渐进蚁群算法中,既能克服蚁群算法易于陷入局部最优解、收敛速度慢的特点,又能充分发挥渐进比对算法的优点。     

多重序列比对的蚁群算法

序列多重比对是生物信息学特别是生物序列分析中的一个重要的操作.提出了一种解决多重序列比对的蚁群算法,利用了人工蚂蚁逐个选择各个序列中的字符进行配对.在算法中,蚂蚁根据信息素、字符匹配得分以及位置偏差等信息决定选择各序列中的字符的概率,通过信息素的更新与调节相结合的策略,以及参数的动态自适应调节方法,较为有效地解决了局部收敛的问题,加强了算法寻求全局最优解的能力.实验显示,该算法可以有效解决多重序列比对问题.     

两序列比对算法与软件研究进展

两序列比对是一种基本序列分析方法,广泛用于序列之间的相似性分析和数据库同源性搜索。现今,用于两序列的软件有上百种,它们应用不同的算法或针对不同的序列类型,在比对速度和比对质量等方面也有很大的差异。根据要比对的序列情况以及要达到的目的选择合适的比对软件是非常有必要的。对现有两序列比对的算法和常用软件进行归类和比较,为研究人员了解现今序列比对情况,筛选合适的比对算法和软件提供参考。     

DNA双序列比对问题的算法

随着生物序列数据库中序列数据的激增, 开发兼有高度生物敏感性和高效率的算法显得极为迫切. 通过对生物序列比对问题中Needleman-Wunsch算法和Smith-Waterman算法深入分析, 提出了Smith-Waterman算法的改进算法, 并通过实验验证该算法, 对改进前后的运行性能进行比较分析. 实验证明, 改进后的算法实现了双序列局部最优解个数的优化, 有效降低了生物序列比对算法时间与空间的复杂性, 提高序列比对的得分率和准确率.     

基于迭代渐进多序列比对算法研究

提出一种新的迭代渐进多序列比对算法IPMSA。采用公共多序列比对数据库BAIiBASE中142组蛋白质序列作为比对测试数据,并与ClustalW进行比较。比对结果的统计分析表明,IPMSA算法的比对准确率高于ClustalW。     

一种基于蚁群算法的生物序列并行比对方法

生物序列比对是生物信息领域的重要课题,比对结果的合理性和正确性关系到基于比对结果研究的正确性。在保证正确性的前提下利用并行计算充分挖掘计算潜力对提高比对效率有重要意义。针对双序列的全局比对问题,提出了基于蚁群算法的双序列比对并行化方案。对耗时最多的搜索比对路径和信息素更新两个步骤给出了基于共享内存模型的并行化方法。"天河二号"上OpenMP实验结果表明,8线程并行情况下,加速比可达5.03,且序列越长性能越高。     

基于动态规划的双序列比对算法构件设计与实现

双序列比对算法是生物信息学中的一个关键算法,广泛应用于序列相似性分析以及基因组序列数据库搜索.现有研究主要针对特定应用问题优化和使用相对应比对算法,缺乏高抽象层算法框架的细致研究,在一定程度上导致了序列比对算法的冗余性以及人为选择算法可能造成的误差等问题,也使得人们难以有效地了解算法结构.通过深入分析基于动态规划的双序列比对算法(dynamic programming-based pairwise sequence alignment algorithm, DPPSAA)领域,在建立该算法领域的特征模型以及对应算法构件交互模型基础上,利用PAR平台形式化实现双序列比对算法构件库,并装配生成具体算法,保证了形式化装配算法的可靠性,为序列相似性分析算法应用提供了一条有价值的参考途径.最后,利用PAR平台C++程序生成系统将组装的比对算法转换为C++程序,运行结果表明DPPSAA算法构件库具有一定的实用性.     

基于遗传算法的多序列比对算法研究

本文使用遗传算法解决多序列比对问题,并进一步研究了各种遗传算子在比对过程中所起的作用,对算法进行了改进。最后实现了一个多序列比对程序,对实验结果进行分析。     

基于改进的蚁群算法的多序列比对

该文将蚁群算法进行了改进,将其应用于多序列比对,只根据信息素的强度对序列比对进行信息素强度的局部和全局动态更新,在避免了多序列比对容易陷入局部最优解的前提下,提高了收敛速度。同时,本算法应用在多序列比对中的最大优势是减少了传统算法在多序列比对问题中的生成系统树的步骤,减少了多序列比对过程的复杂度,在没有降低比对结果精确度的同时,提高了比对效率。     

自适应蚁群算法在DNA序列比对中应用研究

研究基因DNA序列比对校准问题。由于DNA序列数据量较大,给序列比对造成了很大的复杂性,而传统的聚类算法在分析DNA序列比对数据时的低效性和分类精度低问题缺陷,提出了一种基于改进的自适应蚁群算法的DNA序列比对算法。首先给出一个计分函数和一个得分策略,再任意给出一对DNA序列,建立一个序列比对矩阵。根据蚂蚁所走过的方向和得分比例来计算序列,同时信息素的变化量采用矩阵来存储,经过有限次迭代,蚂蚁找到一条最优路径,最终一条就是与原来DNA最相似的DNA链。实验结果表明,改进的算法具有一定的时间和精度的优越性,更适于解决大规模DNA序列数据比对问题。     

基于区域过滤的测序序列比对算法研究

随着二代测序平台的发展,二代测序技术可短时间产生数以千万计长度在100位点左右的测序片段数据(read),如何快速、准确地将这些read比对到参考基因组上成为测序序列比对算法的严峻挑战。传统测序比对算法大多是使用种子进行细粒度过滤的方法,种子候选位置较多,造成算法验证时间过大。提出一种基于区域的粗粒度过滤方法,与细粒度过滤方法相结合来提高过滤效果,以提升测序序列比对算法处理速度,并将此过滤方法应用到找全比对Bit Mapper算法中。在线虫基因组和人类基因组上的实验结果表明,融合了区域过滤方法后的算法时间和过滤效果均有明显提升。