[论文解读] A complexity measure for symbolic sequences and applications to DNA

A. P. Majtey, Ramón Román-Roldán+1 more|ArXiv.org|Jun 13, 2006

Fractal and DNA sequence analysis被引用 3

一句话总结

本文提出一种基于将符号序列分段为组成相对均匀的区域，并以段长分布的熵来量化复杂性的复杂性度量。该度量满足关键性质，如单峰曲线、超可加性和对分析分辨率的敏感性，并成功揭示了DNA序列中的结构差异，特别是编码区与非编码区之间的差异，具有长程相关性的序列复杂性更高，且与内含子含量相关。

ABSTRACT

We introduce a complexity measure for symbolic sequences. Starting from a segmentation procedure of the sequence, we define its complexity as the entropy of the distribution of lengths of the domains of relatively uniform composition in which the sequence is decomposed. We show that this quantity verifies the properties usually required for a ``good'' complexity measure. In particular it satisfies the one hump property, is super-additive and has the important property of being dependent of the level of detail in which the sequence is analyzed. Finally we apply it to the evaluation of the complexity profile of some genetic sequences.

研究动机与目标

• 开发一种符号序列复杂性度量，能够同时捕捉有序与无序特征，满足单峰曲线、超可加性等基本性质。
• 研究复杂性如何依赖于序列分析的细节层次，特别是通过可调的分段阈值实现。
• 评估该度量检测基因组序列中结构与进化特征的能力，如编码区与非编码区的区分以及长程相关性。
• 将所提度量与现有方法进行比较，尤其评估其在区分DNA序列中生物学上有意义模式方面的表现。

提出的方法

• 使用基于阈值的分段过程，将符号序列分割为组成相对均匀的连续区域。
• 将复杂性定义为从分段中获得的段长概率分布的香农熵。
• 通过调整分段阈值 $ D_u $ 控制分析的细节层次，实现多尺度复杂性评估。
• 将该度量应用于真实DNA序列（如人类和细菌基因组）并对比计算机生成的随机序列。
• 通过比较串联序列的复杂性与各部分复杂性的加权和，使用加权平均法检验超可加性性质。
• 分析不同基因组区域（如外显子与内含子）以及不同物种的同源序列的复杂性谱，以评估其生物学相关性。

实验结果

研究问题

• RQ1 所提出的复杂性度量是否表现出单峰特性，即在有序与无序的中间水平达到最大复杂性？
• RQ2 复杂性值如何依赖于分段阈值 $ D_u $，这是否反映了对序列结构有意义的多尺度分析？
• RQ3 该复杂性度量是否满足超可加性，以确保其作为复合系统复杂性的稳健度量？
• RQ4 该复杂性度量能否有效区分DNA序列中的编码区与非编码区，特别是具有长程相关性的序列？
• RQ5 复杂性在多大程度上与不同物种同源序列中的生物复杂性及进化特征相关？

主要发现

• 该复杂性度量表现出单峰特性，在序列规则性的中间水平达到最大值，证实其能够有效检测复杂结构。
• 对于与细菌ECO110k具有相同碱基组成的随机序列，当 $ D_u $ 落在20–50范围内时，复杂性降至零，表明该方法能有效识别随机性。
• 在相同 $ D_u $ 范围内，人类DNA序列（如HUMTCRADCV）的复杂性高于细菌序列，反映出其潜在的长程相关性。
• 复杂性谱不会随 $ D_u $ 增大而衰减至零，与以往度量不同，表明其具有鲁棒性并能敏感反映结构特征。
• 该度量满足超可加性条件：串联序列的复杂性大于或等于各部分复杂性的加权和。
• 非编码区域（内含子和基因间序列）的复杂性值高于编码区域，与长程相关性和进化动态相关。