| Abstrakt: | Zarovnávanie dvoch DNA sekvencií je jedným zo základných
bioinformatických problémov. V tejto práci sa zaoberáme možnosťami použitia prídavnej informácie o funkcii vstupných sekvencií na zlepšenie kvality takýchto zarovnaní.
Informácie sme zakomponovali pomocou dvoch klasifikátorov, jeden pre zarovnané časti sekvencií a druhý pre nezarovnané časti sekvencií.
Klasifikátor rozdeľuje pozície do dvoch tried: tie, ktoré majú byť zarovnané k sebe (trieda 1) a tie, ktoré nie (trieda 0). V prípade klasifikátora pre nezarovnané časti, tie, ktoré majú byť zarovnané k medzere (trieda 1) a tie ktoré nie (trieda 0). Výstupom klasifikátora je potom pravdepodobnosť, že dáta patria do triedy 1. Na klasifikáciu sme použili náhodné lesy (Random Forests). Venovali sme sa výberu atribútov a vhodnými atribútmi sa nám podarilo zlepšiť úspešnosť klasifikátorov. Ukázali sme, že klasifikátor sa dokáže naučiť, ktoré pozície majú byť zarovnané k sebe a ktoré nie.
Vyvinuli sme dva modely pre zarovnanie sekvencií s anotáciami za pomoci klasifikátora, ktoré sú založené na párových skrytých Markovovských modeloch.
V modeli A sme nahradili emisné tabuľky stavov výstupom z klasifikátora.
V modeli B modelujeme okrem báz aj pásku s výstupom z klasifikátora.
Naše modely dokázali prekonať referenčné modely na biologických dátach aj na simulovaných dátach s vyššou dôležitosťou anotácie. Na simulovaných dátach dosiahol model B podobné výsledky a model A mierne horšie.
|
|---|