WO2006027913A1 - 特徴パターン認識システムおよびその方法、並びにプログラム - Google Patents

特徴パターン認識システムおよびその方法、並びにプログラム Download PDF

Info

Publication number
WO2006027913A1
WO2006027913A1 PCT/JP2005/014130 JP2005014130W WO2006027913A1 WO 2006027913 A1 WO2006027913 A1 WO 2006027913A1 JP 2005014130 W JP2005014130 W JP 2005014130W WO 2006027913 A1 WO2006027913 A1 WO 2006027913A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature
pattern
data
matrix
sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2005/014130
Other languages
English (en)
French (fr)
Inventor
Yasuo Matsuyama
Ryo Kawamura
Keita Shimoda
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Waseda University
Original Assignee
Waseda University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Waseda University filed Critical Waseda University
Priority to JP2006535074A priority Critical patent/JP3976331B2/ja
Priority to US11/658,130 priority patent/US8244474B2/en
Publication of WO2006027913A1 publication Critical patent/WO2006027913A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • G16B30/10—Sequence alignment; Homology search

Definitions

  • the present invention is similar to each other that has already been discovered in an array composed of a finite number of discrete symbols, or a partial array fragment thereof, or an inspection sequence extracted from these array or array fragment forces.
  • TECHNICAL FIELD The present invention relates to a feature pattern recognition system, a method thereof, and a program for determining whether or not any one of a plurality of types of known feature patterns includes a feature pattern or a new feature pattern similar to the known feature pattern. For example, it can be used for recognizing promoters in DNA sequences, motifs in amino acid sequences, and the like.
  • a characteristic base sequence called a promoter is present around gene information.
  • the promoter is a gene control part having a special pattern in the DNA sequence. When RNA polymerase reads this part, transcription of the DNA sequence starts. Therefore, it is very important to determine whether or not a promoter is included in a DNA sequence fragment.
  • FIG. 41 shows, as an example, how RNA polymerase searches for an E. coli promoter in an E. coli base sequence. Only a part of the very long DNA sequence is copied into RNA (ribonucleic acid), and this RNA is translated into amino acids to synthesize proteins. At this time, when RNA polymerase collides with DNA, it binds weakly and moves while sliding along the DNA, and when it finds a promoter, it binds strongly and begins transcription of the DNA sequence.
  • RNA ribonucleic acid
  • DNA sequence fragments of four base symbols ⁇ A, T, G, C ⁇ are given as discrete value data in the computer.
  • Non-Patent Document 1 there is a method that uses a neural network method (see Non-Patent Document 1) and a method that combines an expected value maximization method (see Non-Patent Document 2), which are well-known literatures on bioinformatics ( Non-Patent Document 3) This is also recorded.
  • PCA Principal Component Analysis
  • ICA Independent component analysis
  • Non-Patent Document 4 a document related to the homology 'score used in the processing of the second embodiment of the present invention is given (see Non-Patent Document 4).
  • Patent Document 1 Japanese Patent Application Laid-Open No. 2003-141102 (Claim 1, Summary)
  • Non-Patent Document 1 1. I. Mahadevan, I. Ghosh, “Analysis of E. coli promoter structure using neural networks”, Nucleic Acids Res earch, 1994, vol. 22, p. 2158— 2165
  • Non-Patent Document 2 Q. Ma, TL Wang, D. Shasha, CH Wu, “Expectation maximization method and -Eural network method DNA sequence classification method: Case study (DNA sequence classification via an expectation m aximization algorithm and neural networks: A case study), IEEE Transactions on Systems, Man and Cybernetics, Part C: Applications and Reviews (Part- C: Applications and Reviews), 2001, vol. 31, p. 468—475
  • Non-Patent Document 3 DW Mount, “Bioinformatics: Sequence and Genome Analysis”, Cold Spring Harbor Laboratory Press (Cold Spring Harbor) Laboratory Press), 2001 (translated by Koji Okazaki, translated by Hidemasa Bono, “Bioinformatics”, Medical Science International, 2002)
  • Non-Patent Document 4 Martin E. Mulligan, Diane K. Hawley, Robert Entriken, William R. McClure, E. coli promoter sequences predict in vitro RNA polymerase selectivity ”, Nucleic Acids Research, 1984, vol. 12, p. 789- 800
  • the difficulty of computer-based promoter analysis is due to the diversity of promoter patterns in DNA sequences. This is not limited to the case of promoter analysis in DNA sequences. When extracting feature patterns in the configured array, if there are diversity in the feature patterns, this is the same problem. Therefore, it is not limited to promoters in DNA sequences, but is generally composed of a finite number of discrete symbols. It is convenient if the feature pattern existing in the arranged sequence can be recognized with high accuracy.
  • An object of the present invention is to provide a feature pattern recognition system, a method thereof, and a program capable of recognizing a feature pattern existing in an array with high accuracy.
  • the present invention is similar to each other that has already been discovered in an array composed of a finite number of discrete symbols, or a partial array fragment thereof, or an inspection sequence that has been extracted from these array or array fragment forces.
  • a feature pattern recognition system that performs processing to determine whether any one of a plurality of types of known feature patterns or a new feature pattern similar to a known feature pattern is included.
  • the frequency of appearance of each discrete symbol for each array position in these feature patterns is determined using the known feature patterns of each of the feature patterns, and the frequency of appearance of each array position and discrete symbol in the feature pattern is obtained.
  • Appearance frequency table storage means for storing an appearance frequency table formed in association with each type, a plurality of types of known feature patterns, and this These non-feature patterns different from the known feature patterns are numerically input according to the arrangement position and the type of discrete symbol using the appearance frequency table, and then combined to generate a learning data matrix.
  • a separation matrix that stores the separation matrix obtained as a matrix that performs inverse transformation of the base matrix including the feature elements indicating the features of the feature pattern
  • the storage means and the sequence to be judged or a part of the sequence fragment, or a test sequence cut out from these sequences or sequence fragments are used.
  • a test data generation process that generates test data by numerical values according to the array position and the type of discrete symbol. Is obtained by performing a matrix operation that multiplies the separation matrix stored in the separation matrix storage means and the inspection data generated by the inspection data generation processing means or the inspection data matrix obtained by combining a plurality of inspection data. Separation processing means for obtaining a data or a separated data matrix obtained by combining a plurality of separated data, and a separated data obtained by the separation processing means. Or a part of the array that is the target of the judgment process using the value of the feature judgment element determined according to the position in the matrix of the feature element included in the base matrix.
  • any one of a plurality of types of known feature patterns or a new feature pattern similar to the known feature pattern is present. It is characterized by comprising determination processing means for performing processing for determining whether or not it is included or not.
  • the “characteristic pattern” includes, for example, a promoter sequencer in a DNA sequence, a motif in a protein amino acid sequence, or a mixed sequence of a DNA sequence and an amino acid sequence.
  • various patterns in various sequences such as linguistic, acoustic, geological, astronomical, and physical Even if it is a feature pattern, it can be a feature pattern that exists in an array composed of a finite number of discrete symbols!
  • a "discrete symbol” is a character (alphabet character, Greek character, kanji, number, hiragana character, kana character, etc.), figure, symbol, or a combination thereof, for example, DN
  • the “discrete symbols” that make up the sequence are standard base symbols that have four powers: A (adenine), T (thymine), G (guanine), and C (cytosine).
  • the “discrete symbol” also includes a minus sign indicating a gap to be inserted when aligning the lengths of turns (length adjustment).
  • the “discrete symbols” that make up the amino acid sequence are standard abbreviations of standard amino acids that have 20 kinds of character power such as A (Alanin), R (Arginine), N (Asnogin) (of course, a standard symbol)
  • the V ⁇ symbol may be the target of processing ( ⁇ ⁇ ⁇ ) and the minus sign indicating a gap.
  • sequence or a partial sequence fragment thereof or the sequence or sequence fragment force-examined test sequence refers to each process performed by the separation processing means and the determination processing means.
  • ⁇ sequence or a partial sequence fragment thereof '' may be processed directly or ⁇ sequence or sequence fragment extracted test sequence '' may be processed! / The purpose.
  • the "feature determination element determined according to the position in the matrix of the feature element included in the base matrix” is, for example, the first column in the base matrix (actually, in the estimated base matrix If a feature element indicating the nature of the feature pattern appears in () (that is, if the first column is the position in the matrix of the feature element), separated data (vertical vector) or multiple separated data In the separated data matrix that is combined, each element in the first row that is strongly influenced by the element arranged in the first column of the base matrix in the matrix operation (the first element in the case of the vertical vector) (See Figure 39 and Figure 40 below).
  • the feature determination elements correspond to the first row, second column, and so on. Rows, 5th row, and so on become elements of multiple rows (see Fig. 44 and Fig. 49 described later).
  • a feature element indicating the property of the feature pattern is “appears” in the first column for the basis matrix (actually, the basis matrix estimated by the arithmetic processing). This includes the case where the system designer appears as a result of forcibly adding a learning mechanism in which the feature elements that best indicate the characteristics of the feature pattern appear in the first column.
  • the system designer also sets the first row (vertical vector).
  • the case of (1) the case of forcibly setting to a specific position such as 1st is included.
  • the determination process by the "determination processing means” determines a hard decision (hard limited decision) for determining whether or not a feature pattern includes a force, and a degree (probability) of the presence or absence of the feature pattern. For example, if the feature decision element is an element with only one line, the former hard decision is the value of the feature decision element with a predetermined threshold as a boundary. The latter soft decision is performed by determining the degree of the value of the feature determination element. In addition, when the feature determination element is an element of a plurality of lines, for example, the separated data obtained by the separation processing means.
  • a value indicating the degree of similarity with each column vector constituted by the values of the determination elements is calculated.
  • the value indicating the degree of similarity calculated is on either side with a predetermined threshold as a boundary.
  • the latter soft decision is made by judging the degree of the value indicating the calculated similarity.
  • Examples of the soft decision of the latter include, for example, “very likely to be a feature pattern”, “highly likely to be a feature pattern”, “possibly a feature pattern”, and “possibility of not being a feature pattern” , ”“ Is not a feature pattern, is very likely ”,“ is not a feature pattern, is possible ”,“ is unknown ”, etc.
  • the level of these determinations can be set to any level, and output such as “there is a possibility of a feature pattern is%” is also possible. The same applies to the correlation determination described later.
  • the appearance frequency obtained for each discrete symbol constituting an array to be determined for each array position and for each type of discrete symbol.
  • IC A independent component analysis the principal component force, force, in "(PCA: Principal component Analysis) Therefore, it is possible to determine whether or not there is a feature pattern in the sequence, so that the characteristics of the promoter, etc. can be compared to the case of computer-based promoter analysis using the conventional -Eural network method or the expectation maximization method. Pattern recognition accuracy can be improved, and temporally and economically superior feature patterns can be analyzed compared to biological experiments in test tubes and promoter analysis by X-ray analysis. It is possible to present, the object can be achieved thereby.
  • the feature pattern is a multiplexed feature pattern including a plurality of partial patterns located in different regions, and is included in the feature pattern.
  • the length of the entire pattern of known feature patterns is inserted into gaps or discrete symbols in regions other than partial patterns. After a uniform length is obtained by removal, multiple types of known feature patterns with the entire pattern length are used, and discrete symbols including gaps at each arrangement position within these feature patterns appear for each type.
  • Appearance frequency table for the entire pattern that stores the appearance frequency table for the entire pattern formed by associating these appearance frequencies with each of the arrangement positions in the feature pattern and the various types of discrete symbols including gaps
  • the separation matrix storage means is a learning for the whole pattern in which multiple types of known feature patterns with the same overall length of non-turns and multiple types of non-feature pattern forces with the same length are also generated.
  • Whole pattern separation that stores a separation matrix for the entire pattern obtained by performing independent component analysis or principal component analysis using the data matrix
  • a partial pattern separation matrix storage means for each partial pattern of each region that stores the partial pattern separation matrix obtained for each region, and a portion obtained together with the partial pattern separation matrix at the learning stage for each partial pattern of each region A partial pattern separated data matrix storage means for storing at least the elements corresponding to the true data in the pattern separated data matrix, and the partial pattern appearance frequency table storage means for each partial pattern in each area. For each of the partial patterns of each area included in the known feature pattern, and using a plurality of types of known partial patterns.
  • the partial pattern appearance frequency table for each partial pattern of each region is stored, and the partial pattern separation matrix storage means for each partial pattern of each region stores the partial pattern of each region included in the known feature pattern.
  • numerical values of multiple types of known partial patterns and multiple types of non-partial patterns different from these known partial patterns were used according to the array position and the type of discrete symbol using the partial pattern appearance frequency table.
  • the partial pattern learning data matrix is generated by combining them, and this partial pattern learning data matrix is used independently.
  • component analysis or principal component analysis include feature elements indicating the characteristics of the partial pattern.
  • the partial pattern separation matrix obtained as a matrix for performing the inverse transformation of the partial pattern base matrix is stored, and the partial pattern separated data matrix storage means stores the partial pattern by performing independent component analysis or principal component analysis. At least the elements corresponding to the true data in the partial pattern separated data matrix obtained as a result of multiplying the partial pattern separation matrix and the partial pattern learning data matrix when the separation matrix is obtained;
  • the inspection data generation processing means is provided for each partial pattern of each region in the sequence to be judged or a partial sequence fragment thereof or the inspection sequence extracted from these sequences or sequence fragment forces.
  • a plurality of partial pattern candidate sequences having the same length as the partial pattern and mutually shifted positions are defined, and the plurality of partial patterns are defined.
  • the process is performed in accordance with the array position and the type of discrete symbol to generate a plurality of partial pattern candidate data.
  • Each or a plurality of partial pattern candidate data generated by the partial pattern candidate data generation processing means, the partial pattern separation matrix stored in the partial pattern separation matrix storage means, and the partial pattern candidate data generation processing means A partial pattern combining multiple partial pattern candidate data or multiple partial pattern candidate data separated data by performing a matrix operation that multiplies the partial pattern candidate data by combining the partial pattern candidate data.
  • a partial pattern equivalent sequence determination processing means for performing a process of determining as a partial pattern equivalent sequence included in the feature pattern candidate sequence to be, and a partial pattern equivalent array of each area determined by the partial pattern equivalent sequence determination processing means.
  • Feature pattern candidate sequence determination processing means for performing processing for determining a feature pattern candidate sequence based on Partial pattern corresponding sequence of each region determined by the partial pattern corresponding sequence determination processing means Alignment processing that aligns the lengths of the feature pattern candidate sequences determined by the feature pattern candidate sequence determination processing means to a fixed length by inserting gaps or removing discrete symbols in regions other than partial patterns, while maintaining a single block.
  • the alignment processing means for performing the processing, and the feature pattern candidate sequences whose lengths are aligned by the alignment processing means are used to determine the arrangement position and gap using the appearance frequency table for the entire pattern stored in the appearance frequency table storage means for the entire pattern. It is desirable to include a feature pattern candidate array digitization processing unit that performs processing for generating inspection data by digitizing according to the type of the discrete symbol included.
  • each column vector of the true data corresponding part of the partial pattern separated data matrix means a true data corresponding part and a false data corresponding part constituting the separated data matrix for partial pattern.
  • the true data corresponding part is used to obtain the partial pattern separated data matrix together with the partial pattern separation matrix (see FIGS. 10 and 15 described later).
  • Fake data is the part corresponding to the part.
  • the meaning of obtaining "appearance frequency of each discrete symbol including a gap” means that when an alignment process is performed by inserting a gap, the inserted gap is also included in the discrete symbol. This means that the frequency is calculated (see Fig. 19 described later). When alignment processing is performed by removing discrete symbols in regions other than the partial pattern, no gap is inserted. There is no need to find the frequency.
  • a partial pattern appearance frequency table is created for each of a plurality of partial patterns included in the multiplexed feature pattern, and independent component analysis (ICA) or principal component analysis (PCA) is performed.
  • ICA independent component analysis
  • PCA principal component analysis
  • ICA independent component analysis
  • PCA principal component analysis
  • the whole pattern separation matrix stored in the whole noturn separation matrix storage means is obtained.
  • the random data can be used to generate the entire pattern learning data matrix used at the time. Does not need to use the partial pattern separation matrix and the partial pattern separated data matrix to find the partial pattern equivalent array, but the data that has undergone the same processing as the inspection stage processing data From the point of view, the partial pattern equivalent array is found using the partial pattern separation matrix and the partial data separation separated data matrix as follows. It is preferable to perform the treatment. In other words, at the inspection stage, it is unknown whether the target array for the determination process is a feature pattern or a non-feature pattern.
  • Inspection data is generated by performing uniform processing including partial pattern equivalent array determination processing using a data matrix (see Fig. 36, which will be described later). It is preferable to perform a partial pattern equivalent array determination process (see FIGS. 20 to 23 described later) using the partial pattern separation matrix and the partial pattern separated data matrix.
  • the whole pattern separation matrix stored in the whole pattern separation matrix storage means is obtained.
  • the non-feature pattern generation array prepared to generate these non-feature patterns is the multiple types of non-feature patterns that have the same overall pattern length.
  • a plurality of partial pattern candidate arrays having the same length as the partial pattern and shifted from each other are defined, and the plurality of partial pattern candidate arrays
  • the partial pattern appearance frequency table is used to generate a plurality of partial pattern candidate data according to the arrangement position and the type of discrete symbol, and to generate the partial pattern separation matrix and each of the partial pattern candidate data.
  • a plurality of partial pattern candidate data separated data or a plurality of partial pattern candidate data separated data is obtained.
  • a separated data matrix for the combined partial pattern candidate data is generated, and among the generated separated data for the partial pattern candidate data, the column data of the portion corresponding to the true data of the partial data separated partial data matrix is the most.
  • Find the separated partial pattern candidate data and obtain the partial pattern candidate data
  • the partial pattern candidate sequence corresponding to the completed data is determined as the partial pattern equivalent sequence included in the non-feature pattern, and then the non-characteristic pattern is determined based on the determined partial pattern equivalent sequence of each region.
  • the length of the determined non-feature pattern is kept constant by inserting gaps or removing discrete symbols in areas other than the partial pattern, while maintaining the partial pattern equivalent arrangement of each area in a lump. It is desirable to have been generated by performing alignment processing to align.
  • the plurality of types of non-feature patterns are the most in each column vector of the partial data corresponding portion of the partial pattern separated data matrix among the plurality of partial pattern candidate data separated data.
  • the similarity between the partial data for partial pattern candidate data and the sum of the column vectors of the true data corresponding part of the partial data matrix for partial pattern is maximized. It is desirable that the partial pattern is generated by performing a process for obtaining separated data for candidate data.
  • the partial pattern equivalent sequence determination processing means of the inspection data generation processing means is
  • the portion closest to each column vector of the true data corresponding portion of the partial pattern separated data matrix When obtaining separated data for pattern candidate data, separated data for partial pattern candidate data and partial pattern separation It is desirable that the processing for obtaining the separated data for the partial pattern candidate data that maximizes the similarity with the sum of the column vectors of the true data corresponding portion of the completed data matrix is desirable.
  • the “similarity” is, for example, the sum of inner products of the separated data for partial pattern candidate data and each column vector of the true data corresponding portion of the separated data matrix for partial pattern. Can be mentioned.
  • the partial pattern candidate array powers are included in the non-feature pattern generation array. From partial pattern candidate sequences defined in (see Fig. 20 and Fig. 22 described later) or from partial pattern candidate sequences defined in the test sequence (see Fig. 36 described later) In performing the process of determining the sequence, it is possible to determine a more accurate partial pattern candidate sequence as a partial pattern equivalent sequence, so that it is possible to find a partial pattern with high accuracy and eventually to find a feature pattern with high accuracy. It becomes possible.
  • the determination processing means performs the determination process using only one (one row) feature determination element according to the appearance of the feature element in the base matrix.
  • the following configuration may be employed as a specific configuration in which determination processing is performed using a plurality of (multiple lines) feature determination elements.
  • the determination processing means when one column of feature elements appears in the base matrix, the determination processing means includes the separated data or the separated data matrix obtained by the separation processing means.
  • the array to be subjected to the determination process or a partial array thereof A test sequence in which fragments or their sequences or sequence fragment forces are also cut out includes any one of a plurality of types of known feature patterns or a new feature pattern similar to a known feature pattern It is possible to adopt a configuration for performing a process of determining whether or not the power is present or not.
  • the basis matrix has a plurality of features.
  • the judgment processing means Using the values of the feature determination elements in multiple rows of the separated data or separated data matrix obtained by the means, the sequence to be judged or a part of the sequence fragment, or the power of these sequences or sequence fragment Determine whether or not the inspection pattern contains a misaligned feature pattern or a new feature pattern similar to the known feature pattern from among multiple types of known feature patterns. It can be set as the structure which processes.
  • “using the values of the feature determination elements in a plurality of rows” means, for example, calculating an average value of a plurality of feature determination element values, calculating a sum, or the like by a separation processing unit.
  • Judgment processing may be performed using only the value of the feature judgment element in the obtained separated data or separated data matrix (that is, the value of the feature judgment element obtained in the process of the inspection stage).
  • the purpose is to perform the determination process using the value of the feature determination element. More specifically, when the value of the feature determination element of the true data corresponding part of the separated data matrix is used as in the latter case, the following configuration can be adopted.
  • the determination processing means includes values of feature determination elements in a plurality of rows of the separated data or the separated data matrix obtained by the separation processing means. And a value indicating the degree of similarity between each column vector composed of the feature decision element values of the true data corresponding part of the separated data matrix obtained together with the separation matrix at the learning stage.
  • the value indicating the calculated similarity or A feature pattern of any one of a plurality of known feature patterns or a known feature pattern in a partial sequence fragment or a test sequence cut out from these sequences or sequence fragments Configuration and be Rukoto performing processing for determining the extent of whether or presence includes novel features similar patterns leaves with.
  • the value indicating the similarity is calculated as described above, the value of the feature determination element of the true data corresponding portion of the separated data matrix obtained together with the separation matrix in the learning stage.
  • the determination processing means includes a column vector composed of the values of the feature determination elements in a plurality of rows of the separated data or the separated data matrix obtained by the separation processing means as values indicating the similarity, and in the learning stage.
  • the processing is performed to calculate the value indicating the similarity to the total of each column vector composed of the value of the feature judgment element of the true data corresponding part. It is desirable.
  • one of the separated data or the separated data matrix obtained by the separation processing means is used. Consists of the value of the feature decision element of the part corresponding to the true data in the separated data matrix obtained together with the column vector composed of the feature decision element values of multiple rows and the separation matrix in the learning stage For example, a process of calculating an inner product value of each column vector with the centroid vector or an equivalent value thereof.
  • the value of the inner product with the centroid vector and “the process of calculating an equivalent value” are the feature determination of multiple rows of the separated data or the separated data matrix obtained by the separation processing means.
  • calculation processing of the value indicating the similarity is not limited to the gravity center calculation as described above, and may be, for example, more generally processing for obtaining the Mahalanobis distance.
  • the inspection data generation processing means can determine whether or not the sequence to be subjected to the determination process or a partial sequence fragment thereof.
  • the feature pattern candidate sequence is determined by shifting by one discrete symbol, and a plurality of determined feature pattern candidate sequences are determined.
  • Alignment processing that aligns the length to a fixed length by inserting gaps or removing discrete symbols in regions other than partial patterns, and storing each of a plurality of feature pattern candidate arrays with the same length for the entire pattern appearance frequency table storage means Performs a process to generate multiple test data for any one test array by numerically entering the numbers according to the type of discrete symbols including array positions and gaps using the overall appearance frequency table stored in
  • the separation processing means performs a matrix operation that multiplies the whole pattern separation matrix and each of the plurality of inspection data generated by the inspection data generation processing means or an inspection data matrix obtained by combining the plurality of inspection data.
  • a process for obtaining a separated data matrix in which separated data is combined is performed for each inspection array, and the determination processing means includes a plurality of separated data for any one inspection array obtained by the separation processing means.
  • the value of each feature determination element determined according to the position in the matrix of the feature element included in the base matrix is set to which side with a predetermined threshold as a boundary.
  • the degree of force or the magnitude of the value is determined respectively, and among these, the characteristic determination is determined to be the value indicating the degree of the force or the characteristic pattern closer to the feature pattern.
  • the inspection data is obtained by determining the value of the feature determination element having the largest absolute value of the difference from the threshold or the highest degree of the feature pattern, and giving the calculated value of the feature determination element.
  • Feature pattern candidate arrangement power corresponding to the feature pattern is configured to perform a process of recognizing any one of a plurality of types of known feature patterns or a new feature pattern similar to the known feature pattern. I hope that.
  • the inspection data generation processing means is extracted from the sequence to be determined or a part of the sequence fragment.
  • the feature pattern candidate sequence is determined by shifting by one discrete symbol, and the length of the determined multiple feature pattern candidate sequences is fixed by inserting gaps or removing discrete symbols in regions other than partial patterns
  • the pattern stored in the appearance frequency table storage means for the entire pattern is stored in each of the plurality of feature pattern candidate arrays whose lengths are aligned.
  • the processing means performs an arbitrary matrix operation by multiplying each of the plurality of inspection data generated by the whole pattern separation matrix and the inspection data generation processing means or an inspection data matrix obtained by combining these plurality of inspection data.
  • a process for obtaining a plurality of separated data for one inspection array or a separated data matrix obtained by combining the plurality of separated data is performed for each inspection array, and the determination processing means is obtained by the separation processing means.
  • Each of a plurality of separated data for any one check array or elements constituting a separated data matrix For each column vector consisting of the values of multiple rows of feature determination elements determined according to the matrix positions of the multiple columns of feature elements included in the base matrix, each of the column vectors is obtained together with the separation matrix for the entire pattern at the learning stage.
  • a value indicating the degree of similarity with each column vector constituted by the value of the feature determination element corresponding to the true data is calculated, and the calculated value indicating the degree of similarity is determined in advance.
  • the degree of force or the magnitude of the value on either side is determined using the threshold value as a boundary, and the degree closer to the key or feature pattern, which is the value indicating that it is a feature pattern.
  • the value indicating the degree of similarity determined to be the value indicating the degree of similarity, and the value indicating the degree of similarity having the highest absolute value of the difference from the threshold value or the highest degree close to the feature pattern was obtained and obtained.
  • the feature pattern candidate array is determined by shifting the discrete pattern by one discrete symbol in the inspection array (see FIG. 36 described later), and is recognized as a feature pattern from the plurality of feature pattern candidate arrays. Processing to determine one sequence to be processed (However, it is not necessary to recognize that one of the feature patterns is a feature pattern. Here, two or more feature pattern candidate sequences will not be recognized as a feature pattern. If it is configured to perform this, the feature pattern can be recognized with higher accuracy on the premise that the inspection array is set to an appropriate length. [0042] Further, as described above, when the multiplexed feature pattern is recognized, the partial patterns of the respective areas included in the multiplexed feature pattern are arranged in the array.
  • Correlation obtained by learning in advance as information used to determine the correlation between the partial pattern of each region and the region near the specific point Correlated learning result storage means for storing information including learning results is provided, and the partial pattern candidate data generation processing means of the inspection data generation processing means is relative to a specific point for each partial pattern of each area.
  • multiple partial pattern candidate sequences are determined based on the relative positional relationship with the partial pattern candidate sequences of other regions determined by the relative positional relationship or the relative positional relationship with the specific point.
  • the feature pattern candidate sequence determination processing unit of the test data generation processing unit uses the information including the correlation learning result stored in the correlation learning result storage unit to execute the partial pattern equivalent sequence determination processing unit of the test data generation processing unit.
  • the determined partial pattern of each region is determined whether or not there is a correlation between the equivalent sequence and the sequence near the specific point, or the degree of correlation, and if it is determined that there is no or low correlation, It is desirable that the feature pattern candidate sequence determination process based on the specific pattern in the partial pattern equivalent sequence and the specific point neighboring region sequence of each region is not performed.
  • the "specific point” is a discrete symbol arranged at a place having some property or meaning existing in the sequence, for example, a transcription start point existing around gene information in the DNA sequence. Etc.
  • the correlation determination process between the partial pattern equivalent array of each area and the specific point vicinity area array is performed as described above, there is a correlation between the partial pattern equivalent array and the specific point vicinity area array.
  • sequences that are determined based on the partial pattern equivalent sequences and the specific points in the specific point vicinity region sequence can be excluded from the feature pattern candidate sequences. For this reason, the recognition accuracy of the feature pattern can be further improved.
  • the partial pattern equivalent sequence and the sequence determined based on the specific point in the specific point neighborhood region sequence are the feature pattern candidate sequences. Since it is not adopted, it is not necessary to generate inspection data for the array. Since it is not necessary to carry out the determination process according to, the processing time can be shortened in this respect.
  • the "information including the correlation learning result" stored in the “correlation learning result storage means” may be, for example, information obtained by prior learning using a neural network. From the viewpoint, it is particularly preferable to use information obtained by prior learning by independent component analysis (ICA) or principal component analysis (PCA) as follows.
  • ICA independent component analysis
  • PCA principal component analysis
  • the correlation learning result storage unit is included in the known feature pattern.
  • Each sequence within these correlation binding arrays using a plurality of types of correlation binding arrays formed by combining a known partial pattern of at least one of the plurality of areas and a known feature point neighborhood array.
  • the frequency of appearance for each type of discrete symbol is calculated for each position, and the frequency of occurrence table for correlation determination is formed by associating these frequencies of occurrence with each array position in the correlation array and each type of discrete symbol.
  • Correlation determination appearance frequency table storage means for storing correlation and separation for correlation determination used for correlation determination processing for determining the correlation between the partial pattern of each region and the specific point neighborhood region array
  • a correlation determination separation matrix storage means for storing a matrix
  • the correlation determination separation matrix storage means includes a known partial pattern of at least one region of the plurality of regions and a known specific point neighborhood region. Formed by combining a correlation-bonded array generated by combining sequences, a known partial pattern of at least one of a plurality of regions, and a non-specific point neighborhood region sequence different from a known specific point neighborhood region sequence The correlated non-correlated sequences are numerically input according to the sequence position and discrete symbol type using the correlation determination appearance frequency table, and then combined to generate a correlation determination learning data matrix.
  • Base line for correlation determination including feature elements indicating the characteristics of the correlation-coupled sequence by performing independent component analysis or principal component analysis using the learning data matrix for correlation determination.
  • the separation matrix for correlation determination obtained as a matrix for performing the inverse transformation of is stored, and the feature pattern candidate sequence determination processing means of the inspection data generation processing means When determining whether or not there is a correlation between the two and the degree of correlation, a partial parameter of at least one of the plurality of regions is used.
  • the turn equivalent sequence and the specific point vicinity region sequence are combined to generate a correlation determination sequence, and the correlation determination sequence is generated using the correlation determination appearance frequency table stored in the correlation determination appearance frequency table storage means.
  • the correlation determination separation matrix stored in the correlation determination separation matrix storage means and the correlation determination data or a plurality of correlation determination data are combined.
  • a correlation determination separation process is performed to obtain a correlation determination separated data matrix or a correlation determination separated data matrix in which a plurality of correlation determination separated data are combined.
  • a known partial pattern of at least one of a plurality of regions refers to a correlation determination separation when creating an appearance frequency table for correlation determination or at a learning stage (training step).
  • obtaining a matrix it is possible to combine a known partial pattern of all regions and a known feature point neighborhood region array to generate a correlation combination array, or to know a known partial pattern of some regions.
  • the correlation connection array may be generated by combining the feature point neighborhood region array.
  • partial pattern equivalent arrangement of at least one of a plurality of areas means that the partial pattern equivalent arrangement of all areas and the feature point neighboring area arrangement are combined at the inspection stage (test step).
  • the correlation determination sequence may be generated, or the partial pattern equivalent sequence of a part of the region and the feature point neighboring region sequence may be combined to generate the correlation determination sequence.
  • the "learning data matrix for correlation determination” is a correlation combination array generated by combining a known partial pattern of at least one of a plurality of areas and a known specific point neighborhood area array, And a known partial pattern of at least one of the plurality of regions and a non-specific point neighborhood region arrangement different from the known specific point neighborhood region arrangement are combined. It is assumed that the generated uncorrelated combined array is generated by combining numerical values according to the array position and the type of discrete symbol using the correlation determination appearance frequency table, and then combining them ( (See Fig. 30 below)) It is sufficient if at least a correlation binding array and a non-correlation binding array are included in the learning data matrix for correlation determination. In addition to the numerical values of the uncorrelated and combined sequences, and the numerical values of random sequences (sequences that do not include known partial patterns) are combined into a learning data matrix for correlation determination.
  • the correlation determination process using the correlation determination separation matrix obtained by the prior learning by independent component analysis (ICA) or principal component analysis (PCA) is performed.
  • the feature pattern candidate sequence determination processing means of the inspection data generation processing means has a value of a force or a value that is a value on the deviation side with a correlation determination threshold value as a boundary. By determining the degree, it can be configured to perform a process for determining a force force having a correlation or a degree of the correlation. Note that the correlation determination process may be performed using the values of the correlation determination elements in a plurality of rows.
  • the sequence is a DNA sequence
  • the symbol power A, T, G, C indicating the bases constituting the DNA sequence, or alternative symbols thereof. Yes, it can be used suitably when it is a promoter in the DNA sequence.
  • the sequence is a DNA sequence
  • the discrete symbol is a DNA sequence.
  • the partial pattern phase of each region The system configured to perform the correlation determination process between this sequence and the sequence near the specific point is a sequence force DNA sequence, and the symbols A, T, G, and C indicating the bases constituting the discrete symbol force DNA sequence or these It is an alternative symbol of the feature pattern force Promoter in DNA sequence, partial pattern is 35 box and 10 box included in promoter, specific point is transcription start point of DNA sequence, and near feature point It can be suitably used when the region array is a region array near the transfer start point.
  • the sequence is an amino acid sequence constituting a protein
  • the discrete symbol is a symbol indicating an amino acid constituting the amino acid sequence
  • the feature pattern power in the amino acid sequence Even if it is a motif, it can be suitably used.
  • the feature pattern when there are a plurality of types of lengths in the feature pattern, the feature pattern is not multiplexed but is recognized or multiplexed. However, the feature pattern is not multiplexed.
  • the system can be configured as follows.
  • the appearance frequency table storage means stores a plurality of types of known patterns. After the lengths of the feature patterns are aligned to a certain length by inserting gaps, a plurality of types of known feature patterns with the same length are used, and discrete elements including gaps are arranged for each arrangement position in these feature patterns. Appearance frequencies for each type of symbol are obtained, and an appearance frequency table formed by associating these appearance frequencies with each type of discrete symbol including each array position and gap in the feature pattern is stored and separated.
  • the matrix storage means In the matrix storage means, a plurality of types of known feature patterns with the same length and a plurality of types of non-feature pattern forces with the same length are also generated.
  • the separation matrix obtained by performing the independent component analysis or the principal component analysis using is stored, and the detection data generation processing means is the array to be subjected to the determination process or a part of the array fragment or these arrays.
  • the alignment process is performed to align the lengths of the determined candidate sequences to a certain length by inserting gaps. Frequently appearing candidate sequences with the same length
  • the appearance frequency table stored in the degree table storage means and digitizing according to the type of discrete symbol including the array position and the gap it is possible to perform a process for generating inspection data.
  • alignment processing for aligning the length of candidate sequences to a certain length by inserting a gap uses an existing standard tool, blast (BLAST), and uses an existing standard called clustered double (ClustalW). It may be performed by an algorithm or according to a newly created rule for the present invention. The same applies when the lengths of known feature patterns are made uniform by inserting gaps.
  • the feature pattern (the feature pattern that is not multiplexed or the force that is multiplexed or the feature that is handled by the same processing as when not multiplexed) Even if there are multiple types of length in (pattern), it is possible to recognize these characteristic patterns with high accuracy.
  • the inspection data generation processing means selects one candidate symbol as a candidate array from among the inspection arrays cut out from the array to be subjected to the determination process or a partial array fragment thereof. Alignment processing is performed to shift the length of each candidate and change the length at each location, and to align the lengths of the determined multiple candidate sequences to a certain length by inserting gaps! ⁇ , each of a plurality of candidate sequences having the same length is represented by a numerical value according to the type of the discrete symbol including the array position and the gap using the appearance frequency table stored in the storage means.
  • the separation processing means combines a plurality of inspection data generated by the separation matrix and the inspection data generation processing means, or a combination of these inspection data.
  • the determination processing means includes a plurality of separated data for any one test sequence obtained by the separation processing means. Value of the feature determination element determined according to the position of the feature element included in the base matrix among the elements constituting the data matrix or the separated data matrix.
  • the absolute value of the difference from the threshold is the largest for the force that is the value indicating the feature pattern or the value of the feature determination element that is determined to be the value that is close to the feature pattern, or
  • the value of the feature determination element having the highest degree of feature pattern deviation is obtained, and the candidate sequence corresponding to the inspection data to which the value of the obtained feature determination element is given is any one of a plurality of known feature patterns. It is desirable to have a configuration that recognizes a new feature pattern that is similar to a pattern or a known feature pattern.
  • the inspection data generation processing means shifts the candidate array by one discrete symbol in the inspection array cut out from the array to be subjected to the determination processing or a part of the array fragment, In addition, alignment is performed by changing the length at each location and aligning the lengths of the determined candidate sequences to a certain length by inserting gaps! ⁇ , each of a plurality of candidate sequences having the same length is represented by a numerical value according to the type of the discrete symbol including the array position and the gap using the appearance frequency table stored in the storage means.
  • the separation processing means combines a plurality of inspection data generated by the separation matrix and the inspection data generation processing means, or a combination of these inspection data.
  • the determination processing means includes a plurality of separated data for any one test sequence obtained by the separation processing means.
  • Each column vector consisting of the values of multiple rows of feature decision elements determined according to the positions in the matrix of the multiple columns of feature elements included in the base matrix.
  • the calculated value indicating the degree of similarity is determined on the basis of a predetermined threshold value, which is the value on either side, or the magnitude of the magnitude of each value.
  • a predetermined threshold value which is the value on either side, or the magnitude of the magnitude of each value.
  • a value indicating the degree of similarity having the largest absolute value of the difference from the threshold or the highest degree of feature pattern is obtained, and the candidate arrangement power corresponding to the inspection data given the value indicating the obtained degree of similarity. It may be configured to perform processing for recognizing any one of the known feature patterns or a new feature pattern similar to the known feature pattern.
  • the candidate sequence is determined by shifting the discrete sequence by one discrete symbol in the test sequence and changing the length at each location, and is recognized as a feature pattern from the plurality of candidate sequences. (However, it does not have to be recognized as a feature pattern. Here, it is intended that two or more candidate sequences are not recognized as a feature pattern.) )), It is possible to recognize feature patterns with higher accuracy on the premise that the inspection array is set to an appropriate length.
  • the present invention relates to each other that has already been discovered in an array composed of a finite number of discrete symbols, a partial array fragment thereof, or a test array cut out from these arrays or array fragments.
  • Feature pattern recognition for determining whether a feature pattern of a deviation force or a new feature pattern similar to the known feature pattern is included among multiple similar types of known feature patterns
  • a method of preparing a plurality of types of known feature patterns, generating or preparing a plurality of types of non-feature patterns different from these known feature patterns, and using a plurality of types of known feature patterns For each arrangement position in the feature pattern, the appearance frequency for each type of discrete symbol is obtained, and the appearance frequency and each arrangement position in the feature pattern are determined.
  • the appearance frequency table is created in correspondence with each type of discrete symbol, and this appearance frequency table is stored in the appearance frequency table storage means, and a plurality of types of known feature patterns and a plurality of types of non-discrete symbols are stored.
  • the feature patterns are numerically input according to the arrangement position and the type of discrete symbol using the appearance frequency table, they are combined to generate a learning data matrix, and independent component analysis is performed using this learning data matrix. Or, by performing principal component analysis, the base matrix including the feature elements indicating the features of the feature pattern is inverted.
  • the separation matrix obtained as a matrix is stored in the separation matrix storage means, and the inspection data generation processing means extracts the sequence to be subjected to the judgment processing or a part of the sequence fragment or the power of these sequences or sequence fragment.
  • the separation processing means performs processing for generating inspection data by digitizing the inspection array using the appearance frequency table stored in the appearance frequency table storage means according to the array position and the type of discrete symbol. By performing a matrix operation that multiplies the separation matrix stored in the separation matrix storage means and the inspection data generated by the inspection data generation processing means or the inspection data matrix obtained by combining a plurality of inspection data, the separated data or A process for obtaining a separated data matrix in which a plurality of separated data is combined is performed.
  • a feature pattern of any one of a plurality of known feature patterns or a new feature pattern similar to the known feature pattern is included. It is characterized by performing a process of determining whether or not it is included or not.
  • the feature pattern is a multiplexed feature pattern configured to include a plurality of partial patterns located in different regions. There are a plurality of types of region positions and a plurality of types of lengths due to differences in the types of feature patterns in the region positions of the partial patterns and the total length of the feature patterns.
  • Multiple types of known feature patterns in which the entire length of the pattern of the known feature pattern is aligned to a certain length by inserting gaps or removing discrete symbols in areas other than partial patterns, and then aligning the entire pattern length Is used to determine the frequency of appearance of discrete symbols including gaps for each array position within each feature pattern, and The pattern is formed by associating each array position and each type of discrete symbol including gaps.
  • Whole pattern separation matrix for storing the whole pattern separation matrix obtained by performing independent component analysis or principal component analysis using the whole pattern learning data matrix in which multiple types of non-feature pattern forces are also generated
  • the partial pattern appearance frequency table formed for each partial pattern of each region is stored in the partial pattern appearance frequency table storage means for each partial pattern of each region, and for each partial pattern of each region.
  • the partial pattern separation matrix obtained in the above is stored in the partial pattern separation matrix storage means for each partial pattern in each region, Furthermore, at least the elements corresponding to the true data in the partial pattern separated data matrix obtained together with the partial pattern separation matrix at the learning stage for each partial pattern in each region are stored in the partial pattern separated data matrix storage means.
  • the partial pattern appearance frequency table storage means for each partial pattern of each region stores a plurality of types of known portions for each partial pattern of each region included in the known feature pattern. The pattern is used to determine the appearance frequency of each discrete symbol for each arrangement position in each partial pattern, and the appearance frequency, each arrangement position in the partial pattern, and each separated symbol type.
  • the separation matrix storage means for each of the regions includes a plurality of types of known partial patterns and a plurality of types of non-different types different from these known partial patterns for each partial pattern of each region included in the known feature pattern.
  • the separated data for partial patterns is stored in the matrix storage means by performing independent component analysis or principal component analysis. Partial pattern separation matrix and the partial pattern training data matrix in obtaining a turn separation matrix Of the partial pattern separated data matrix obtained as a result of multiplying and storing at least the elements corresponding to the true data, and when generating inspection data by the inspection data generation processing means,
  • the pattern candidate data generation processing means applies a partial pattern to each partial pattern in each region in the sequence to be determined or a part of the sequence fragment or the sequence or sequence fragment force extracted from the test sequence.
  • a plurality of partial pattern candidate sequences having the same length as the pattern and shifted from each other are defined, and the partial pattern appearance frequency table stored in the storage means is stored in the partial pattern appearance frequency table by the plurality of partial pattern candidate sequences.
  • the separated data generation processing means for the partial pattern candidate data is generated by the partial pattern separation matrix and the partial pattern candidate data generation processing means stored in the partial pattern separation matrix storage means.
  • a plurality of partial pattern candidate data separated data or a plurality of partial patterns are obtained by performing a matrix operation by multiplying each partial pattern candidate data or a partial pattern candidate data matrix obtained by combining a plurality of partial pattern candidate data.
  • partial pattern separation data The partial pattern candidate data separated data closest to each column vector of the true data corresponding portion of the data matrix is obtained, and the partial pattern candidate array corresponding to the obtained partial pattern candidate data separated data is obtained as the feature pattern.
  • Processing is performed to determine the partial pattern equivalent sequence included in the candidate feature pattern candidate sequence, and the feature pattern candidate sequence determination processing unit corresponds to the partial pattern of each area determined by the partial pattern equivalent sequence determination processing unit.
  • the process of determining the feature pattern candidate sequence based on the sequence is performed, and the alignment processing unit keeps the partial pattern equivalent sequence of each area determined by the partial pattern equivalent sequence determination processing unit in a lump state.
  • Feature pattern candidate sequence The length of the feature pattern candidate sequence determined by the determination processing means is inserted into the gap.
  • the feature pattern candidate sequence digitization processing means converts the feature pattern candidate sequences whose lengths are aligned by the alignment processing means into the pattern overall appearance frequency table stored in the pattern overall appearance frequency table storage means. It is desirable to perform a process for generating inspection data by using numerical values according to the types of discrete symbols including array positions and gaps.
  • the multiplexed feature pattern when it can be recognized, it is used to obtain the whole pattern separation matrix to be stored in the whole pattern separation matrix storage means.
  • the non-feature patterns prepared to generate these non-feature patterns In the generation sequence, for each partial pattern in each region, a plurality of partial pattern candidate sequences having the same length as the partial pattern and shifted from each other are defined, and these partial pattern candidate sequences are defined.
  • the partial pattern appearance frequency table uses the partial pattern appearance frequency table to generate multiple partial pattern candidate data by entering numerical values according to the array position and the type of discrete symbol.
  • Multiple partial pattern candidate data by performing a matrix operation that multiplies the partial pattern separation matrix and each partial pattern candidate data or a partial pattern candidate data matrix obtained by combining a plurality of partial pattern candidate data.
  • Separated data or multiple partial patterns Separated data for partial pattern candidate data combined with separated data for candidate data Generate a matrix and generate partial patterns from among the generated separated data for multiple partial pattern candidates
  • the separated data for partial pattern candidate data that is closest to each column vector of the true data corresponding portion of the separated data matrix is obtained, and the partial pattern candidate array corresponding to the obtained separated data for the partial pattern candidate data is determined as a non-feature pattern. Is determined as a partial pattern equivalent sequence, and the partial pattern of each determined region is determined.
  • the length of the determined non-feature pattern is inserted into the gap or the partial pattern while keeping the partial pattern equivalent sequence of each determined region in a lump. It is desirable to perform an alignment process that aligns to a certain length by removing discrete symbols in regions other than.
  • the partial pattern candidate data When the separated data for partial pattern candidate data that is closest to each column vector of the true data corresponding part of the separated data matrix for partial pattern among the separated data for partial pattern candidate data, the partial pattern candidate data It is desirable to obtain separated data for partial pattern candidate data that maximizes the similarity between the column-separated data and the sum of each column vector of the portion corresponding to the true data of the partial pattern separated data matrix.
  • the “similarity” for example, the sum of inner products of the separated data for partial pattern candidate data and each column vector of the true data corresponding portion of the separated data matrix for partial pattern can be cited.
  • the partial pattern equivalent sequence determination processing means of the inspection data generation processing means is
  • the portion closest to each column vector of the true data corresponding portion of the partial pattern separated data matrix is maximized. It is desirable to perform processing for obtaining separated data for pattern candidate data.
  • examples of the “similarity” include the sum of inner products of the separated data for partial pattern candidate data and each column vector of the true data corresponding portion of the separated data matrix for partial pattern.
  • the determination processing means uses a predetermined threshold value of the feature determination element of the separated data or the separated data matrix obtained by the separation processing means. By determining the force or the magnitude of the value on either side as a boundary, the sequence to be subjected to the determination process or a part of the sequence fragment or the force of these sequences or sequence fragment Process to determine whether or not any feature pattern of a plurality of types of known feature patterns or a new feature pattern similar to the known feature pattern is included or not can do.
  • the separation processing means is the separated data obtained by the separation processing means or the values of the multiple rows of feature determination elements in the separated data matrix
  • the determination processing means is the separated data obtained by the separation processing means or the values of the multiple rows of feature determination elements in the separated data matrix
  • the determination processing means is the separated data or the separated data matrix obtained by the separation processing means. Consisting of a column vector composed of the values of feature decision elements in multiple rows and the value of the feature decision element of the part corresponding to the true data in the separated data matrix obtained together with the separation matrix at the learning stage A value indicating the degree of similarity with each column vector is calculated, and the degree of force or the magnitude of the value on which side the value indicating the calculated degree of similarity is a value with a predetermined threshold as a boundary.
  • any one of a plurality of types of known feature patterns in the sequence to be judged or a part of the sequence fragment or a test sequence cut out from these sequences or sequence fragments can be used. Or a process for determining the degree of force or presence or absence of a new feature pattern similar to a known feature pattern.
  • the determination processing unit uses the separated data or the separated data matrix obtained by the separation processing unit as the value indicating the similarity.
  • the determination processing means for example, as a value indicating the degree of similarity, is, for example, a column constituted by the values of the feature determination elements in a plurality of rows of the separated data or the separated data matrix obtained by the separation processing means.
  • the inner product value of the vector and the centroid vector of each column vector composed of the values of the feature decision elements of the true data corresponding portion of the separated data matrix obtained together with the separation matrix at the learning stage, or equivalent A value can be calculated.
  • the inspection data generation processing means can determine whether or not the sequence to be subjected to the determination process or a partial sequence fragment thereof.
  • the feature pattern candidate sequence is determined by shifting by one discrete symbol, and the length of the determined multiple feature pattern candidate sequences is inserted or gaps of regions other than partial patterns are removed.
  • Alignment processing for aligning to a certain length by using the pattern appearance frequency table stored in the pattern appearance frequency table storage means for each of a plurality of feature pattern candidate arrays having the same length is used to arrange the positions and gaps.
  • the separation processing unit By adding a numerical value according to the type of discrete symbol including A process for generating a plurality of inspection data is performed, and the separation processing unit combines each of the plurality of inspection data generated by the separation matrix for the entire pattern and the inspection data generation processing unit, or a plurality of these inspection data. By performing a matrix operation that multiplies the check data matrix, a process for obtaining a plurality of separated data or a separated data matrix obtained by combining these separated data for any one check array is performed.
  • the row for each check array !, the determination processing means is a base matrix among elements constituting each of a plurality of separated data or a separated data matrix for any one check array obtained by the separation processing means.
  • the value force of each feature determination element determined according to the position of the feature element included in the matrix is determined by the degree of force or the magnitude of the value on the shift side, with a predetermined threshold as a boundary.
  • the threshold value is determined based on the force that is a value indicating the feature pattern or the value of the feature determination element that is determined to be a value closer to the feature pattern. Find the value of the feature determination element with the largest absolute value of the difference or the highest degree of proximity to the feature pattern, and feature pattern candidates corresponding to the inspection data that gave the value of the calculated feature determination element. It is desirable to perform processing for recognizing any one of the feature patterns or a new feature pattern similar to a known feature pattern.
  • the inspection data generation processing means is configured to determine the array to be subjected to the determination process or the array to be determined.
  • the feature pattern candidate sequence is determined by shifting by one separated symbol, and the length of the plurality of determined feature pattern candidate sequences is determined by inserting gaps or partial patterns.
  • Alignment processing is performed to make a uniform length by removing discrete symbols in areas other than the above, and each of the multiple feature pattern candidate sequences with the same length is displayed for the entire pattern stored in the appearance frequency table storage means for the entire pattern.
  • a process for generating a plurality of test data for any one test array is performed. Separation matrix and inspection data Each of the plurality of inspection data generated by the generation processing means or a plurality of these By performing a matrix operation that multiplies the test data matrix combined with the test data, a plurality of separated data or separated data obtained by combining these separated data for any one test array
  • the process for obtaining the matrix is performed for each check array !, and the determination processing means is an element constituting each of the plurality of separated data or the separated data matrix for any one check array obtained by the separation processing means.
  • the feature pattern candidate sequence corresponding to the inspection data to which the value indicating the degree is given is one of a plurality of types of known feature patterns or a new feature pattern similar to the known feature pattern A recognition process may be performed.
  • the partial pattern of each region included in the multiplexed feature pattern is arranged. Obtained by learning in advance as information used to determine the correlation between the partial pattern of each area and the specific point vicinity area array when there is a correlation with the specific point vicinity area array including the specific point in the sequence.
  • the information including the correlation learning result is stored in the correlation learning result storage means, and the partial pattern candidate data generation processing means of the inspection data generation processing means determines the specific point and each of the partial patterns of each area.
  • the feature pattern candidate sequence determination processing means of the data generation processing means corresponds to the partial pattern of the inspection data generation processing means using information including the correlation learning result stored in the correlation learning result storage means. It is determined whether there is a correlation between the partial pattern equivalent sequence of each area determined by the sequence determination processing means and the area near the specific point, or the degree of correlation, and it is determined that there is no correlation or low In such a case, it is desirable that the process for determining the feature pattern candidate sequence based on the partial pattern equivalent sequence of each region and the specific point in the region near the specific point is not performed.
  • the correlation learning result storage means stores a plurality of areas included in the known feature pattern. Using a plurality of types of correlation binding arrays formed by combining a known partial pattern of at least one of the regions and a known feature point neighborhood region sequence, for each sequence position within these correlation binding sequences. The frequency of appearance of each discrete symbol is obtained, and a correlation determination appearance frequency table formed by associating the appearance frequency with each array position in the correlation-coupled array and each separated symbol is stored.
  • Correlation determination separation matrix storage means includes a known partial pattern of at least one of a plurality of regions and a known specific point neighborhood region arrangement. It is formed by combining a correlation-binding array generated by combining, a known partial pattern of at least one of a plurality of regions, and a non-specific point neighborhood region sequence different from the known specific point neighborhood region sequence.
  • Uncorrelated binding array Are calculated using the correlation determination appearance frequency table according to the array position and the type of discrete symbol, and then combined to generate a correlation determination learning data matrix.
  • the correlation determination separation matrix obtained as a matrix for performing the inverse transformation of the correlation determination base matrix including the feature elements indicating the characteristics of the correlation coupled array is stored.
  • the feature pattern candidate sequence determination processing unit of the inspection data generation processing unit determines whether or not there is a correlation between the determined partial pattern equivalent sequence of each region and the region near the specific point or the degree of correlation.
  • the correlation judgment sequence is generated by combining the partial pattern equivalent sequence and the specific point neighborhood sequence of at least one of the plurality of regions.
  • the correlation determination data is generated by generating a numerical value according to the array position and the type of discrete symbol using the correlation determination appearance frequency table stored in the correlation determination appearance frequency table storage means, and then generating the correlation determination data.
  • the correlation determination separated data or multiple correlation determination data Obtaining the correlation determination separated data matrix combined with the correlation determination separated data Performing the correlation determination separation process, the correlation determination separated data or the correlation determination separated data matrix obtained in this correlation determination separation process Among the elements that constitute the correlation, the correlation is determined using the value of the correlation determination element determined according to the position in the matrix of the feature element included in the correlation determination base matrix. That forces not force, or it is desirable to perform the process of determining the degree of correlation.
  • the test data generation process determines the degree of the force or the magnitude of the value which is the value on the deviation side, with the correlation determination element value as a boundary at a predetermined correlation determination threshold value.
  • correlation determination processing may be performed using values of correlation determination elements in a plurality of rows.
  • the sequence is a DNA sequence
  • the discrete symbol is a symbol of A, T, G, C indicating the base constituting the DNA sequence, or a substitution thereof. It is an alternative symbol and can be used suitably when it is a promoter in the characteristic pattern force DNA sequence.
  • a method that can recognize multiplexed feature patterns is that the sequence is a DNA sequence, and the discrete symbol power DNA sequence is used. Symbols of A, T, G, and C that indicate the constituent bases, or alternative symbols thereof. Characteristic pattern force Promoter in DNA sequence and included in partial pattern force promoter—35 boxes and —10 boxes In some cases, it can be suitably used.
  • the array is a DNA array.
  • Discrete symbol force A, T, G, C symbols indicating bases constituting a DNA sequence or alternative symbols thereof, a promoter in a characteristic pattern force DNA sequence, and included in a partial pattern force promoter—35 It can be suitably used in the case where the specific point is a transcription start point of the DNA sequence and the region near the feature point is a region sequence near the transcription start point.
  • the sequence is an amino acid sequence constituting a protein, and is a symbol indicating an amino acid constituting a discrete symbol power amino acid sequence. Even if it is a motif, it can be suitably used.
  • the feature pattern is multiplexed and V ⁇ is recognized, or is or is a feature pattern that is multiplexed.
  • the following method can be used.
  • the appearance frequency table storage means includes a plurality of types. After aligning the lengths of known feature patterns to a certain length by inserting gaps, a plurality of types of known feature patterns having the same length are used, and gaps are included for each arrangement position in these feature patterns. The frequency of appearance of each type of discrete symbol is obtained, and the discrete frequency including the frequency of occurrence and each array position and gap in the feature pattern is obtained. In addition to storing the appearance frequency table formed corresponding to each type of symbol, the separation matrix storage means stores a plurality of known feature patterns with the same length and the same length as these.
  • the separation matrix obtained by performing independent component analysis or principal component analysis using the learning data matrix generated from multiple types of non-feature pattern data aligned to the test data generation processing means Is determined after determining candidate sequences that are candidates for feature patterns among the sequences subject to judgment processing, partial sequence fragments thereof, or test sequences extracted from these sequences or sequence fragment forces.
  • An appearance frequency table in which the candidate sequences with the same length are aligned in a certain length by inserting gaps and the candidate sequences with the same length are stored in the appearance frequency table storage means. Used by numerically spoon according to a type of discrete symbols including sequence position and gap, Shi desirable to perform the process of generating the inspection data ⁇ .
  • the test data generation process means that the candidate sequence is selected from the test sequences extracted from the sequence to be subjected to the determination process or a part of the sequence fragment force.
  • Alignment processing is performed by shifting the discrete symbols and changing the length at each location, and aligning the determined lengths of the candidate sequences to a certain length by inserting gaps.
  • the appearance frequency table stored in the appearance frequency table storage means for each of a plurality of candidate sequences, numerical values are input according to the type of discrete symbols including the array position and gap, so that a plurality of candidate arrays can be obtained.
  • the separation processing means includes a plurality of inspection data generated by the separation matrix and the inspection data generation processing means, or these By performing a matrix operation that multiplies the test data matrix that combines multiple test data, multiple separated data or separated data that is a combination of these multiple separated data for any one test array
  • the process for obtaining the matrix is performed for each check array !, and the determination process means each of a plurality of separated data for any one check array obtained by the separation processing means or an element constituting the separated data matrix Among them, the value power of the feature determination element determined according to the position of the feature element included in the base matrix is determined based on a predetermined threshold value as a boundary, and the degree of force or the magnitude of the value on the shift side Of these, the force that is the value indicating the feature pattern or the degree of the feature pattern is shown.
  • the value of the feature determination element determined to be a threshold value Based on the value of the feature determination element determined to be a threshold value, the value of the feature determination element having the greatest absolute value of the difference from the threshold value or the highest degree close to the feature pattern is obtained and obtained.
  • the candidate sequence corresponding to the inspection data given the value of the feature determination element is one of a plurality of types of known feature patterns or a new feature pattern similar to a known feature pattern It is desirable to perform recognition processing.
  • the test data generation processing means sets the candidate sequence as one discrete symbol in the test sequence extracted from the sequence to be determined or a part of the sequence fragment force.
  • Alignment processing is performed to shift the length of each candidate sequence while changing the length at each location and align the lengths of the determined candidate sequences to a certain length by inserting gaps.
  • the separation processing means includes a plurality of inspection data generated by the separation matrix and the inspection data generation processing means or the inspection data By performing a matrix operation that multiplies a plurality of test data with a test data matrix obtained by combining the plurality of test data, a plurality of separated data or a plurality of separated data obtained by combining these plurality of separated data for any one test array.
  • the process for obtaining the matrix is performed for each check array !, and the determination processing means includes a plurality of pieces of separated data for any one check array obtained by the separation processing means or elements of the separated data matrix.
  • each column vector composed of the values of multiple rows of feature decision elements determined according to the position of the multiple columns of feature elements contained in the base matrix is obtained along with the separation matrix at the learning stage.
  • a value indicating the degree of similarity with each of the column outer parts constituted by the value of the feature determination element of the portion corresponding to the true data is calculated, and each calculated degree of similarity is indicated.
  • the value is determined based on the threshold value determined in advance as to which side, or the magnitude of the value, and the value of the side indicating that the value is a feature pattern or
  • the value indicating the degree of similarity determined to be a value indicating the degree of feature pattern the value indicating the degree of similarity having the largest absolute value of the difference from the threshold or the highest degree of feature pattern is obtained.
  • the candidate sequence corresponding to the test data given the value indicating the obtained similarity is duplicated. You may make it perform the process recognized as a new feature pattern similar to any one of several types of known feature patterns or a known feature pattern.
  • the present invention provides a plurality of similar sequences that have already been found in an array composed of a finite number of discrete symbols, a partial array fragment thereof, or a test array that has been extracted from these array or array fragment forces. Allow the computer to function as a feature pattern recognition system that performs processing to determine whether any one of the known feature patterns of a type or a new feature pattern similar to the known feature pattern is included.
  • the memory means, multiple types of known feature patterns, and multiple types of non-feature patterns different from these known feature patterns were numerically input according to the array position and the type of discrete symbol using the appearance frequency table.
  • a learning data matrix is generated by combining them, and an independent component analysis or principal component analysis is performed using the learning data matrix, thereby performing inverse transformation of a base matrix including feature elements indicating features of the feature pattern.
  • a separation matrix storage means for storing a separation matrix obtained as a matrix, an array to be subjected to determination processing, or a partial sequence fragment thereof, or a test sequence cut out from these sequences or sequence fragments,
  • Inspection data generation processing means for performing processing for generating inspection data
  • a separation matrix stored in the separation matrix storage means and inspection data generated by the inspection data generation processing means or a test data matrix obtained by combining a plurality of inspection data
  • a separation processing means for performing a process of obtaining a separated data matrix obtained by combining separated data or a plurality of separated data by performing a matrix operation multiplied by the separated data or separation data obtained by the separation processing means.
  • the extracted test sequence includes any one of a plurality of known feature patterns or a new feature pattern similar to a known feature pattern. This is for causing a computer to function as a feature pattern recognition system including a determination processing means for performing a process for determining the degree of force or the presence or absence of existence.
  • the above program or a part of the above program includes, for example, a magneto-optical disk (MO), a read-only memory (CD-ROM) using a compact disk (CD), a CD recordable (CD-R), CD rewritable (CD—RW), read-only memory (DVD—ROM) using digital “versatile” disc (DVD), random “access” memory (D VD-RAM) using DVD, flexible disc (FD), Recording and storage and distribution on magnetic tape, hard disk, read-only memory (ROM), electrically erasable and rewritable read-only memory (EEPROM), flash 'memory, random' access' memory (RAM), etc.
  • MO magneto-optical disk
  • CD-ROM read-only memory
  • CD-R compact disk
  • CD—R CD recordable
  • CD—RW CD rewritable
  • DVD—ROM read-only memory
  • D VD-RAM random “access” memory
  • FD flexible disc
  • local area network LAN
  • metropolitan 'area' network MAN
  • wide area network WAN
  • interface It can be transmitted using a wired network such as the Internet, Intranet, Extranet, etc., or a wireless communication network, or a transmission medium such as a combination of these strings, and also carried on a carrier wave.
  • a wired network such as the Internet, Intranet, Extranet, etc.
  • a wireless communication network or a transmission medium such as a combination of these strings, and also carried on a carrier wave.
  • the above program may be a part of another program or may be recorded on a recording medium together with a separate program.
  • the frequency of appearance of each discrete symbol constituting the array to be determined is determined for each array position and for each type of discrete symbol.
  • ICA independent component analysis
  • PCA principal component analysis
  • FIG. 1 shows an overall configuration of a promoter recognition system 10 of the first embodiment which is a feature pattern recognition system of the present invention.
  • FIG. 2 shows a detailed configuration of the learning processing means 20 that is a part of the promoter recognition system 10.
  • Fig. 3 shows a flowchart of the entire learning phase (training step)
  • Fig. 4 shows a flowchart of -35 bots learning
  • Fig. 5 shows the DNA sequencing capability. Examples of sequences containing known promoters are shown.
  • Fig. 6 to Fig. 10 are explanatory diagrams of the processing accompanying 35-box learning.
  • FIG. 12 to FIG. 15 are explanatory diagrams of processing associated with ⁇ 10 box learning.
  • FIGS. 16 to 18 show the flow of promoter learning in flowcharts.
  • FIG. 19 to FIG. 26 are explanatory diagrams of processing accompanying promoter learning.
  • FIG. 27 the flow of correlation learning is shown in a flow chart.
  • 28 to 31 are explanatory diagrams of processing associated with correlation learning.
  • FIG. 32 is a flowchart showing the entire flow of the inspection stage (test step)
  • FIGS. 33 to 35 are flowcharts showing the flow of detailed processing in the inspection stage.
  • 36 to 38 are explanatory diagrams of processing in the inspection stage.
  • the promoter recognition system 10 includes a learning processing means 20 that performs various processes in the learning stage (training step) and a test processing means 30 that performs various processes in the inspection stage (test step). Yes.
  • This promoter recognition system 10 determines whether or not a promoter that is a characteristic pattern exists in a DNA sequence (for example, E. coli base sequence) having four base symbols of A, T, G, and C as shown in FIG. This is a system for determining whether or not.
  • This promoter (for example, E. coli promoter) is located in the vicinity of gene information, the transcription start point (+1), which is a specific point where transcription of nucleotide sequence information from DNA to RNA is initiated, and the base one upstream from it.
  • the transcription start point forms a characteristic pattern with the preceding and succeeding bases
  • the transcription starting point (+1) and the preceding and succeeding bases (1 and +2) are used.
  • the region in the vicinity of the transcription start point is not limited to 3 bases.
  • a region containing a transcription start point (+1) and showing a characteristic pattern may be used. If it is.
  • the promoter recognition system 10 stores the first partial pattern appearance frequency storing the 35 box appearance frequency table T which is the first partial pattern appearance frequency table.
  • Appearance frequency table storage means 41 for 35 boxes which is a table storage means, and a first partial pattern storing a separation matrix W for 35 boxes which is a first partial pattern separation matrix W
  • 35-box separation matrix storage means 42 which is a separation matrix storage means for turns, and a separated data matrix Y for 35 boxes, which is a separated data matrix for the first partial pattern.
  • -35 is a first partial pattern separated data matrix storage means that includes a 35-box separated data matrix storage means 43.
  • the promoter recognition system 10 stores the second partial pattern appearance frequency table T that stores the 10-box appearance frequency table T that is the second partial pattern appearance frequency table.
  • Appearance frequency table storage means 51 for 10 boxes which is a degree table storage means
  • second partial pattern separation matrix W which is a second partial pattern separation matrix W
  • the 10-box separation matrix storage means 52 which is the pattern separation matrix storage means, and the 10-box separation data matrix Y, which is the second partial pattern separation data matrix, are recorded.
  • 10-box separated data matrix storage means 53 which is a second partial pattern separated data matrix storage means for storing.
  • the promoter recognition system 10 is a process that is an appearance frequency table for the entire pattern. Appearance frequency table for whole pattern that stores mouth motor appearance frequency table T
  • the appearance frequency table storage means 61 for the promoter which is the memory, and the separation matrix storage for the whole pattern, which stores the separation matrix W for the promoter, which is the separation matrix for the entire pattern
  • a separated data matrix storage means 63 for promoters (see FIG. 26), which is a matrix storage means.
  • the promoter recognition system 10 further includes correlation learning result storage means 70 that stores information including correlation learning results.
  • the correlation learning result storage means 70 includes a correlation determination appearance frequency table storage means 71 for storing a correlation determination appearance frequency table T, and a correlation determination appearance frequency table T.
  • Correlation determination separation matrix storage means 72 for storing the function determination separation matrix W, and correlation determination
  • Correlation judgment separated data matrix storage means 73 for storing the separated data matrix Y (Fig.
  • the learning processing means 20 includes a 35-box learning processing means 21 that is a first partial pattern learning processing means, a 10-box learning processing means 22 that is a second partial pattern learning processing means, and a feature pattern learning.
  • a promoter learning processing means 23 and a correlation learning processing means 24 which are processing means are included.
  • the —35 box learning processing means 21 includes a 35-box appearance frequency table creation processing means 21 A which is a first partial pattern appearance frequency table creation processing means, and a first non-partial pattern generation.
  • Random box generation processing means 21B which is a processing means
  • first partial pattern numerical value processing means 35 box numerical value processing means 21C
  • first partial pattern learning data matrix generation processing means Yes 35 box learning data matrix generation processing means 21D and 35 box analysis processing means 21E which is a first partial pattern analysis processing means.
  • the appearance frequency table creation processing means 21A for 35 boxes uses a plurality of types of known 35 box base information, and for each sequence position in these 35 boxes, A, T, G
  • the appearance frequency (frequency) for each symbol of C and C is obtained, and the appearance frequency table T for 35 boxes is determined by associating these appearance frequencies with each array position and each symbol in the 35 boxes. (See FIG. 6) is performed (see step S302 in FIG. 4). Also,
  • Random box generation processing means 21B uses the learning data (column vector) constituting the 35-box learning data matrix X (see FIG. 8), which is the first partial pattern learning data matrix.
  • the 35-box numerical value processing means 21C stores the 35-box appearance frequency table ⁇ (see FIG. 6) stored in the -35-box appearance frequency table storage means 41 (see FIG. 1).
  • the random boxes generated by the known — 35 box and random box generation processing means 21B are quantified according to the arrangement position in the box and the symbol types of A, T, G, and C, respectively. (See Fig. 7) and the process of generating C (
  • the -35 box learning data matrix generation processing means 21D transposes B (see Fig. 7) and C obtained by the numerical value input by the -35 box numerical data processing means 21C, respectively.
  • the -35-box analysis processing means 21E uses the -35-box learning data matrix generation processing means 21D for the -35-box learning data matrix X (see Fig. 8).
  • ICA independent component analysis
  • the analysis processing means 21E for -35 box uses the obtained W for the separation matrix description for 35 box.
  • the memory means 42 (see Fig. 1) is memorized, and the calculated ⁇
  • -10-box learning processing means 22 creates second partial pattern appearance frequency table 10 box appearance frequency table creation processing means 22A as processing means, random box generation processing means 22B as second non-partial pattern generation processing means, and second partial pattern digitization processing means 10 Box digitization processing means 22C, second partial pattern learning data matrix generation processing means 10-box learning data matrix generation processing means 22D, and second partial pattern analysis processing means—10 boxes Analysis processing means 22E.
  • the 10-box appearance frequency table creation processing means 22A uses a plurality of types of known 10-box base information, and for each sequence position within these 10-boxes, A, T, G, C Appearance frequency (frequency) for each symbol is calculated, and the appearance frequency table T for 10 boxes (see Fig. 12) is created by associating these appearance frequencies with each array position and each symbol within 10 boxes. Processing is performed (see step S402 in FIG. 11). Also,
  • Storage frequency table storage means 51 (see FIG. 1).
  • the random box generation processing means 22B is a learning data matrix for the second partial pattern—the learning data (column beta) that forms the learning data matrix X for 10 boxes (see Fig. 14).
  • a process for generating a box is performed (see step S404 in FIG. 11).
  • —10-box numeric value processing means 22C is a 10-box appearance frequency table storage means 51 (see FIG. 1) and 10-box appearance frequency table ⁇ (see FIG. 12).
  • the 10-box analysis processing means 22E is associated with the 10-box learning data matrix X (see Fig. 14) generated by the -10-box learning data matrix generation processing means 22D.
  • a process for obtaining a single matrix Y (see step S407 in FIGS. 15 and 11).
  • the promoter learning processing means 23 includes a promoter alignment processing means 23A that is a feature pattern alignment processing means, a promoter appearance frequency table creation processing means 23B that is an entire pattern appearance frequency table creation processing means, Non-promoter generation processing means 23C that is non-characteristic pattern generation processing means, non-promoter alignment processing means 23D that is alignment processing means for non-characteristic patterns, and digitization processing means for promoter that is digitization processing means for the entire pattern 23E, a promoter learning data matrix generation processing means 23F that is a whole pattern learning data matrix generation processing means, and a promoter analysis processing means 23G that is an entire pattern analysis processing means.
  • a promoter alignment processing means 23A that is a feature pattern alignment processing means
  • a promoter appearance frequency table creation processing means 23B that is an entire pattern appearance frequency table creation processing means
  • Non-promoter generation processing means 23C that is non-characteristic pattern generation processing means
  • non-promoter alignment processing means 23D that is alignment processing means for non-characteristic patterns
  • the promoter alignment processing means 23A performs an alignment process for aligning the lengths of a plurality of types of known promoters to a certain length by inserting a gap (for example, indicated by a "-" symbol) ( (See step S501 in Figure 16.) This alignment process is performed according to the same rules as the previous alignment process using the promoter candidate sequences determined in the test sequence in the force test stage (test step) performed according to the predetermined rules. Details of the processing will be described later (see FIG. 38). If the length force of the known promoter is already set to a certain length according to the rule shown in FIG. 38, it is not necessary to perform processing by this promoter alignment processing means 23A.
  • the known 10 boxes and 35 boxes may be employed as they are for alignment processing.
  • the appearance frequency table creation processing means 23B for the promoter uses a plurality of types of known promoters aligned to a fixed length by the alignment processing means 23A for the promoter, and each sequence position within the entire pattern.
  • the frequency of appearance for each symbol of A, T, G, C, and gap (for example, “-”) is calculated, and the frequency of occurrence corresponds to each sequence position and each symbol in the entire pattern.
  • a process for creating a promoter appearance frequency table T (see FIG. 19 prom) is performed (see step S502 in FIG. 16).
  • the appearance frequency table creation processing means 23B for the promoter uses the created T as the occurrence frequency prom for the promoter.
  • the non-promoter generation processing means 23C performs a process of generating a non-promoter which is a plurality of types of non-characteristic patterns having the same overall length (see step S503 in FIG. 16).
  • the non-promoter generation processing means 23C includes a partial pattern separation matrix (a separation matrix W for 10 boxes and a separation matrix W for 35 boxes) and a plurality of partial pattern candidates.
  • the separated data matrix for partial pattern candidate data (separated data matrix Y for 10-box candidate data in FIG. 21 and the separated data matrix Y in FIG. — Separated data matrix Y for 35 box candidate data)
  • the non-promoter generation processing means 23C generates a plurality of generated partial pattern candidate data separated data (10 box candidate data separated data Y (j), and 35 boxes).
  • each column vector (Y of the data corresponding to the truth data) is supposed to perform the process of obtaining the separated data for the partial pattern candidate data that maximizes the sum of the inner products.
  • each column vector (Y (k) and Y (k) is a column vector (Y (k) and Y (k)
  • the non-promoter alignment processing means 23D keeps the non-promoter length in the gap while keeping the 10-box equivalent sequence and the 35-box equivalent sequence determined by the non-promoter generation processing means 23C in a lump. Alignment processing is performed so as to align to a fixed length (here, the sequence length: 65) by insertion (see step S503 in FIG. 16, step S50312 in FIG. 18, and FIG. 24).
  • the numerical value processing means 23E for promoter uses the appearance frequency table T for promoter stored in the appearance frequency table storage means 6 1 for promoter (see FIG. 1) to
  • Non-promoters which are multiple types of non-characteristic patterns with a fixed length (here, sequence length: 65), are arranged according to the sequence position and the symbol type of A, T, G, C, and gap (eg “one”). Each of them performs a numerical process (see step S504 in FIG. 16 and FIG. 25).
  • the learning data matrix generation processing means 23F for the promoter transposes B and C obtained by quantification by the numerical processing means 23E for the promoter, respectively.
  • This process is performed (see step S505 in FIG. 16). Note that the order of combination and digitization may be reversed.
  • the promoter analysis processing means 23G performs the preprocessing on the learning data matrix X for promoter (see FIG. 25) generated by the learning data matrix generation processing means 23 3F for promoter.
  • ICA independent component analysis
  • the promoter analysis processing means 23G converts the obtained W into the promoter separation matrix storage means 62 (
  • Mean 63 is stored (see FIG. 26). Y is used later in the inspection process.
  • the separated data matrix Y (see Fig. 38) ) To determine whether the value of the feature determination element (each element in the first row) is positive or negative and is determined to be a promoter when there is a deviation.
  • Correlation learning processing means 24 includes correlation coupled array generation processing means 24A, correlation determination appearance frequency table creation processing means 24B, non-correlated combined sequence generation processing means 24C, and correlation coupled array numerical value processing. Means 24D, correlation determination learning data matrix generation processing means 24E, and correlation determination analysis processing means 24F are included.
  • Correlation binding sequence generation processing means 24A is a known partial pattern of 35 boxes (6 bases) and 10 boxes (6 bases), and a transcription start point neighborhood region sequence which is a known specific point neighborhood region sequence (an example)
  • a base binding sequence of 15 bases is generated (see step S601 in FIG. 27).
  • a 15-base correlated binding sequence is used. If a characteristic part that can find a correlation is found in this part, a correlation combination sequence may be generated including that part. In this case, the found portion can also be regarded as a partial pattern in the present invention. Accordingly, a non-correlated binding sequence (see FIG. 30) and a correlation determination sequence (see FIG. 37), which will be described later, are not limited to 15 bases, and may be generated including other parts.
  • the appearance frequency table creation processing means 24B for correlation determination uses a plurality of types of correlation binding arrays generated by the correlation binding array generation processing unit 24A, and uses each of the array positions in these correlation binding arrays. , A, T, G, and C for each symbol, and correlate these occurrence frequencies with each sequence position and each symbol in the correlation array.
  • the process of creating the appearance frequency table T is performed (Fig. 2).
  • the correlation determination appearance frequency table creation processing means 24B stores the created T in the correlation determination appearance frequency table storage means 71 (see FIG. 1).
  • the non-correlated binding sequence generation processing means 24C is a known partial pattern—35 boxes (6 bases) and 10 boxes (6 bases), and a transcription start point vicinity region sequence that is a known specific point vicinity region sequence.
  • To generate a non-correlated binding sequence of 15 bases for example (see step S603 in FIG. 27 and FIG. 30).
  • the numerical value processing means 24D for correlation-coupled arrays uses the occurrence frequency table T for correlation determination (see Fig. 29) stored in the occurrence frequency table storage means 71 for correlation determination (see Fig. 1).
  • the correlation binding sequence and the non-correlation binding sequence are processed according to the sequence position and the symbol types of A, T, G, and C, respectively (step in Fig. 27). See S604 and Figure 30).
  • the correlation determination analysis processing means 24F performs pre-processing on the correlation determination learning data matrix X (see FIG. 30) generated by the correlation determination learning data matrix generation processing means 24E.
  • the separation matrix W for correlation determination and the separated data matrix Y for correlation determination are obtained.
  • the correlation determination analysis processing means 24F uses the correlation determination separation matrix storage means 72 (see FIG. 1).
  • the BBS is not the data that will be used later in the inspection stage process, but the separated data matrix Y for correlation determination obtained in the inspection stage process (see Fig. 37).
  • the inspection processing unit 30 includes an inspection data generation processing unit 31, a separation processing unit 32, and a determination processing unit 33.
  • the inspection data generation processing means 31 includes a 35 box candidate data generation processing means 31 A which is a first partial pattern candidate data generation processing means, and a second partial pattern candidate data.
  • 10 box candidate data generation processing means 3 IB which is a generation processing means
  • 35 box candidate data separated data generation processing means 31C which is a first partial pattern candidate data separated data generation processing means 31C
  • 10-box candidate data separated data generation processing means 31D which is the second partial pattern candidate data separated data generation processing means
  • 35-box equivalent sequence determination processing means 31E which is the first partial pattern equivalent sequence determination processing means.
  • a second partial pattern equivalent sequence determination processing means a 10-box equivalent sequence determination processing means 31F, a promoter candidate sequence determination processing means 31G as a feature pattern candidate sequence determination processing means, and an alignment processing means 31H.
  • a candidate promoter sequence digitizing processing means 31J which is a feature pattern candidate sequence digitizing processing means.
  • —35 box candidate data generation processing means 31 A is a sequence of DNA sequences or DNA sequence fragments that have been extracted from each other, and has the same length (6 bases) as the 35 box.
  • a plurality of 35-box candidate sequences whose positions are shifted by one base are determined (see step S1306 in Fig. 33. Similar to Fig. 22), and the -35-box appearance frequency table is stored for these multiple -35-box candidate sequences.
  • the appearance frequency table T for 35 boxes stored in means 41 see Fig. 1
  • each is digitized to generate a plurality of 35 box candidate data (see step S1307 in FIG. 33. Similar to FIG. 22, in the case of 10 box candidate data generation in FIG. The same).
  • This 35-box candidate data generation processing means 31A uses the position of the 10-box equivalent sequence determined by the 10-box equivalent sequence determination processing means 31F as a reference, between the 10-box equivalent sequence and each -35-box candidate sequence. Define multiple 3-5 box candidate sequences so that the gap (gap equivalent to spacer 35) is 15 to 21 bases.
  • the 10-box candidate data generation processing means 31B when the 10-box candidate data generation processing means 31B is configured to set a plurality of transcription start points while shifting by one base as will be described later, the 10-box equivalent sequence determination processing means 31F accordingly Since multiple box-corresponding arrays are determined, the —35 box candidate data generation processing means 31 A uses each of the plurality of ⁇ 10 box-corresponding arrays as a reference. Define multiple -35 box candidate sequences for each. [0128] —10 box candidate data generation processing means 3 The IB sets a transcription start point in the test sequence from which the DNA sequence or DNA sequence fragment force to be subjected to the determination process is also cut out (see step S1301 in FIG. 33).
  • This 10-box candidate data generation processing means 31B may be configured to set one transcription start point in one inspection sequence, but from the viewpoint of improving recognition accuracy, as shown in FIG. It is preferable to set multiple 10-box candidate sequences for each transcription start point by setting a plurality of transcription start points while shifting one base at a time in one test sequence (step in Fig. 34). S 1311, S1312).
  • the separated data generation processing means 31C for the 35-box candidate data is stored in the separation matrix storage means 42 for the 35-box (see Fig. 1);
  • a process for generating a separated data matrix Y for 35 box candidate data in which a plurality of separated data for 35 box candidate data is combined (step S1 in FIG. 34).
  • the separated data generation processing means 31D for the 10-box candidate data is stored in the —10-box separation matrix storage means 52 (see FIG. 1) —the 10-box separation matrix W;
  • a process for generating a 10-box candidate data separated data matrix Y in which a plurality of 10-box candidate data separated data is combined (step S1 in FIG. 33). See 304. Same as Figure 21).
  • the -35-box equivalent sequence determination processing means 31E is used for the -35-box candidate data separated data generation processing means 31. Construct the separated data matrix Y
  • the 10-box equivalent sequence determination processing means 31F generates a plurality of 10-box candidate data separated data (ie, for 10-box candidate data) generated by the 10-box candidate data separated data generation processing means 31D.
  • the separated data for candidate data can be obtained.
  • the promoter candidate sequence determination processing means 31G is determined by the 35-box equivalent sequence determination processing means 31E—the 35-box equivalent sequence and the —10-box equivalent sequence determination processing means 31F—the 35-box equivalent sequence, In addition, a promoter candidate sequence is determined based on the transcription start point corresponding to these (see step S1310 in FIG. 34 and FIG. 37).
  • the promoter candidate sequence determination processing means 31G correlates between the determined sequence corresponding to the 35 box and the sequence corresponding to the 10 box and the transcription start point vicinity region sequence including the corresponding transcription start point. If there is no correlation, determine the promoter candidate sequence based on the transcription start point in the -35 box equivalent sequence and the -10 box equivalent sequence, and the region near the transcription start point. Do not do. That is, the sequences corresponding to the 35-box equivalent sequence and the 10-box equivalent sequence and the transcription start point in the region near the transcription start site are not adopted as promoter candidate sequences.
  • the promoter candidate sequence determination processing means 31G includes the determined-35-bottom-corresponding sequence and 10-box-corresponding sequence, and the transcription start point vicinity region sequence including the corresponding transcription start point.
  • the correlation determination sequence is generated by combining the correlation determination sequence, the correlation determination occurrence frequency table T stored in the correlation determination appearance frequency table storage means 71 (see FIG. 1) is used, and the array position and A, According to T, G, C symbol types
  • a correlation determination separation process is performed to obtain a correlation determination separated data matrix Y in which the correlation determination separated data or a plurality of correlation determination separated data are combined. Perform this phase Of the elements constituting the correlation determination separation already data or correlation determining separation already de Ichita matrix Y calculated in function determination separation process, including the estimated correlation determination basis matrix w 1
  • BBS, test BBS Correlation determination element that is determined according to the position in the matrix of each feature element (for example, each element in the first column) (for example, the first row in the case of each element or vector in the first row)
  • a process for determining whether or not there is a correlation by determining whether the value of (element) is a value on the deviation side with a predetermined threshold value for correlation determination (for example, zero) as a boundary. (See steps S13101 to S13104 in FIG. 35 and FIG. 37).
  • the alignment processing means 31H inserts a gap (for example, "one") according to a predetermined rule (details will be described later) for the promoter candidate sequence determined by the promoter candidate sequence determination processing means 31G. Alignment processing is performed to align the length to a fixed length (here, the array length is 65 as an example) (see step S 14 in FIG. 32 and FIG. 38).
  • Promoter candidate sequence digitization processing means 31J uses prom appearance frequency table T (see Fig. 19) stored in promoter appearance frequency table storage means 61 (see Fig. 1).
  • the candidate promoter sequence aligned by the alignment processing means 31H (see Fig. 38) is digitized according to the sequence position and the symbol type of A, T, G, C, and gap (eg “-”), and the test data (See step S15 in FIG. 32 and FIG. 38).
  • the separation processing unit 32 performs preprocessing on the test data (vertical vector) generated by the test data generation processing unit 31 or the test data matrix X obtained by combining a plurality of test data.
  • the separation matrix W for promoter stored in the separation matrix storage means 62 for promoter (see Fig. 1) and the preprocessed inspection data (vertical vector) or a plurality of inspection data are prom
  • the separation processing means 32 determines each test obtained from each of these promoter candidate sequences. ⁇ Perform the above separation process for each piece of data, and duplicate for one test array. The number of separated data or a separated data matrix Y obtained by combining these separated data is obtained.
  • the judgment processing means 33 is a feature element included in the estimated base matrix W 1 among the elements constituting the separated data or the separated data matrix Y obtained by the separation processing means 32.
  • the value of the feature determination element (for example, each element in the first row, or the first element in the case of a vector) determined according to the position in the matrix of each element (for example, each element in the first column) is predetermined.
  • the threshold value for example, zero
  • the test sequence extracted from the DNA sequence or DNA sequence fragment subject to the determination process A process of determining whether or not any one of the plurality of known promoters or a new promoter similar to the known promoter is included (see step S17 in FIG. 32).
  • the determination processing unit 33 determines one test sequence obtained by the separation processing unit 32. ! Each of the plurality of separated data or the elements constituting the separated data matrix Y obtained by combining the plurality of separated data are included in the estimated base matrix W 1 .
  • Each feature judgment element determined by the position in the matrix of the feature element (for example, each element in the first column) to be tested for example, each element in the first row, or the first element in the case of a vector)
  • Each value is determined to be a value on the deviation side with a predetermined threshold value (for example, zero) as a boundary, and a value indicating that it is a promoter (for example, a positive value)
  • the feature determination element value determined to be the absolute value of the difference from the threshold is the largest, the value of the feature determination element is obtained, and the value of the calculated feature determination element corresponds to the inspection data.
  • a process for recognizing that the promoter candidate sequence is a promoter of any one of a plurality of types of known promoters or a new promoter similar to the known promoter is performed.
  • the learning processing means 20 and the inspection processing means 30 are provided inside a computer (including not only a personal computer but also a higher model or a lower model) constituting the promoter recognition system 10.
  • the learning processing means 20 and the inspection processing means 30 are realized by the same physical computer. It may be realized by another computer.
  • each processing means 21 (21 to 21), 22 (22A to 22E), 23 (23A to 23G), 24 (24A to 24F) included in the learning processing means 20 is a single computer or It is not limited to the one realized by one CPU, but distributed processing by multiple computers etc. (each processing means 21 (21A-21E), 22 (22A-22E), 23 (23A-23G), 24 (24A To 24F), and a distributed process for improving the processing speed by performing a parallel process. The same applies to the processing means 31 (31A to 31J), 32, 33 included in the inspection processing means 30.
  • each storage means 41-43, 51-53, 61-63, 70 for example, hard disk, ROM, EEPROM, flash memory, RAM, MO, CD-ROM, CD-R, CD-RW, DVD-ROM, DVD-RAM, FD, magnetic tape, or a combination of these can be used.
  • a promoter in a DNA sequence is recognized by the promoter recognition system 10 as follows.
  • step Sl the computer constituting the promoter recognition system 10 is turned on, and a program for various processes in the learning stage is started (step Sl).
  • step Sl prepare Np known promoters for learning.
  • Np analyzed E. coli promoters for example, 106) as shown in FIG. 5 described in Non-Patent Document 1 are used (step S2).
  • step S 3 the process proceeds to -35 box learning processing (step S 3).
  • the appearance frequency table creation processing means 21A for -35 boxes uses Np (106) -35 boxes of base information for each sequence position in these -35 boxes, The frequency of occurrence of each symbol of A, T, G, C is obtained, and the frequency of occurrence, each sequence position (1-6) and each symbol (A, T, G in the 3-5 box) , C) to create an appearance frequency table T for 35 boxes as shown in Fig. 6 (step S302 in Fig. 4).
  • 1000 may be used.
  • fake data in FIG. 8 of the learning data (column vector) constituting the learning data matrix X for 35 boxes as shown in FIG.
  • the random box generation processing means 21B generates a random box in which the match at each sequence position in the box is 2 bases or less. Random boxes are generated so that the appearance frequencies of A, T, G, and C are not biased, that is, the appearance frequencies of A, T, G, and C are each 0.25. . Book In the embodiment, it is prepared to form a learning data matrix X for 35 boxes.
  • the appearance frequency table T for 35 boxes (see FIG. 1) stored in the appearance frequency table storage means 41 for 35 boxes (see FIG. 1) by the numerical value processing means 21C for 35 boxes.
  • the random boxes generated by the known -35 box and random box generation processing means 21B are numerically converted according to the arrangement position in the box and the symbol types of A, T, G, and C, respectively. And generate B (see Fig. 7) and C (see Fig. 4).
  • a learning data matrix X is generated (step S306 in FIG. 4).
  • a part of 35 boxes, and C ⁇ is a part of random boxes that are fake data.
  • pre-processing zero-mean processing and whitening processing are performed as pre-processing. As shown in Fig. 9, first, for each row of the 35-box training data matrix X, the average value of the numerical values of each element in the row is set to zero.
  • the process of repositioning -35 may be performed.
  • independent component analysis is performed by using the 35-box analysis processing means 21E using the pre-processed 35-box learning data matrix X.
  • independent component analysis is such that each column vector Y (j) that constitutes Y is independent—35 box separation rows
  • any kind of independent component analysis may be performed. Furthermore, as in the case of obtaining the separation matrix W for the promoter and the separated data matrix Y for the promoter, which will be described later, the principal component analysis (PCA) is performed as the analysis process for the -35 box, and the dimension reduction is performed. May be. Then, the input of the nonlinear transformation of X described above
  • ICA Independent component analysis
  • ICA Independent component analysis
  • ICA Independent component analysis
  • ICA Independent component analysis
  • an object similar to that of the present invention can be achieved, and processing for approximating this and linearizing it is also included in the present invention.
  • the created T is recorded in the appearance frequency table storage means 51 for 10 boxes (see Fig. 1).
  • the random box generation processing means 22B generates a random box such that the match at each sequence position in the box is 2 bases or less. Random boxes are generated so that the appearance frequencies of A, T, G, and C are not biased, that is, the appearance frequencies of A, T, G, and C are each 0.25.
  • the random box generated by the known 10 box and random box generation processing means 22B is numerically converted according to the arrangement position in the box and the symbol type of A, T, G, C respectively. And generate B (see Figure 13) and C (see Figure 11).
  • a learning data matrix X is generated (step S406 in FIG. 11).
  • Fig. 14, -10 A learning data matrix X is generated (step S406 in FIG. 11).
  • the data obtained by digitizing the box and random box with T is for 10 boxes.
  • ICA independent component analysis
  • independent component analysis is a 10-box separation row in which each column vector Y (j) constituting Y is independent.
  • any kind of independent component analysis may be performed.
  • the principal component analysis (PCA) is performed as an analysis process for 10 boxes, and dimension reduction is performed in the same way as when obtaining the separation matrix W for the promoter and the separated data matrix Y for the promoter described later. Also good.
  • the input of the nonlinear transformation of X -m mentioned above Independent component analysis (ICA) for finding a solution to a shape problem can be called nonlinear ICA, but the present invention includes such nonlinear independent component analysis (ICA).
  • ICA Independent component analysis
  • ICA Independent component analysis
  • an object similar to that of the present invention can be achieved, and processing for approximating this and linearizing it is also included in the present invention.
  • the promoter alignment processing means 23A reduces the length of known Np (106) promoters to a fixed length (here, array length: 65) by inserting a gap (eg, “one”).
  • Alignment processing for aligning that is, processing for changing from the top to the bottom in FIG. 5 is performed (step S501). This alignment process is performed according to the same rules as the alignment process for the candidate promoter sequence determined in the test sequence in the force test stage (test step) performed according to a predetermined rule. (See Fig. 38). Since Np (106) promoters are all different types, there is no one that is the same as in the case of 35 boxes and -10 boxes. /.
  • Np (106) known promoters that have been aligned to a certain length by the promoter alignment processing means 23A by the promoter appearance frequency table creation processing means 23B For each sequence position in, the frequency of occurrence of each symbol of A, T, G, C, and gap (“one”) is obtained, and the frequency of occurrence and each sequence position in the entire pattern and Appearance frequency table T for promoters corresponding to each symbol T
  • the non-promoter generation processing means 23C generates a plurality of types of non-promoters whose entire length is set to a fixed length (here, the sequence length: 65) (step S503 in Fig. 16). That is, as shown in FIG. 20, the non-promoter generation processing means 23C first prepares a non-promoter generation sequence (for example, 50 bases) for generating the non-promoter (step S50301 in FIG. 17). In this case, for example, each occurrence frequency of A and T is set to 0.3. , G and C appear at 0.2 each, and multiple non-promoter sequences are automatically generated at random.
  • a non-promoter generation sequence for example, 50 bases
  • each occurrence frequency of A and T is set to 0.3.
  • G and C appear at 0.2 each, and multiple non-promoter sequences are automatically generated at random.
  • the non-promoter generation processing means 23C sets a transcription start point in the non-promoter generation sequence (step S50302 in Fig. 17).
  • the non-promoter generation processing means 23C regards, for example, the first A or G viewed from the downstream side (right side in FIG. 20) as the transcription start point in the non-promoter generation sequence.
  • the transfer start point is indicated by small letters.
  • the non-promoter generation processing means 23C is shifted by 1 base from each other having the same length (6 bases) as the ⁇ 10 box with reference to the set transcription start point.
  • the non-promoter generation processing means 23C uses the 10-box appearance frequency table storage means 51 (see Fig. 1) to store multiple (9) 10-box candidate sequences.
  • table T array position and symbol type of A, T, G, C
  • the data is digitized according to the above, and multiple (9) 10-box candidate data are generated (step S50304 in Fig. 17). These multiple (9) 10-box candidate data do not need to be pre-processed (average zeroing or white-jung processing)! /.
  • the non-promoter generation processing means 23C is a 10-box candidate obtained by combining the 10-box separation matrix W and multiple (9) 10-box candidate data as shown in FIG.
  • a 10-box candidate data separated data matrix Y is generated by combining a plurality (9) of separated data for 10-box candidate data (step S50305 in FIG. 17).
  • the non-promoter generation processing means 23C generates a plurality (9) of generated 10 box candidate data separated data Y ((j) and 10 boxes in FIG.
  • K l to 58
  • ⁇ means the inner product.
  • the non-promoter generation processing means 23C has one base each other having the same length (6 bases) as the 35 boxes with reference to the determined position of the 10-box equivalent sequence.
  • the non-promoter generation processing means 23C stores a plurality (seven) of 35 box candidate sequences stored in the 35-box appearance frequency table storage means 41 (see Fig. 1). Using frequency table T, array position and symbol type of A, T, G, C
  • the data is digitized according to the above, and multiple (7) 35-box candidate data are generated (step S50308 in Fig. 17). For these multiple (seven) 35 box candidate data, pre-processing (average zeroing or white-jung processing) may not be performed!
  • the non-promoter generation processing means 23C combines a 35-box separation matrix W and a plurality of (seven) 35-box candidate data.
  • a plurality of (seven) pieces of separated data for 35-box candidate data are combined—a separated data matrix Y for 35-box candidate data is generated (step S50309 in FIG. 18).
  • K l to 72
  • ⁇ denotes the inner product.
  • the starting point of the 35-box equivalent sequence (see Fig. 22) is such that the gap between the box equivalent sequence is 21 bases.
  • the non-promoter generation processing means 23C determines a non-promoter based on the determined 10-box equivalent sequence and the -35-box equivalent sequence and the set transcription start point (step S50311 in FIG. 18). .
  • the non-promoter alignment processing means 23D keeps the 10-box equivalent array and the 35-box equivalent array determined by the non-promoter generation processing means 23C in a lump state as shown in FIG. Then, alignment processing is performed to align the length of the non-promoter to a fixed length (here, array length: 65) by inserting a gap (step S50312 in FIG. 18). In other words, the 10-box equivalent array and the 35-box equivalent array have the same length, and the array lengths of the spacers 10 and 35 are set to 11 and 21 respectively. This alignment process is performed at the inspection stage (test step). The details are described later.
  • Np (106) non-promoters it is determined whether or not Np (106) non-promoters have been used (step S50314 in FIG. 18). If Np (106) is not prepared, Returning to the process of step S50301 in FIG.
  • Np (10 6) non-promoters aligned to a fixed length (here, sequence length: 65) are numerical values according to the sequence position and the symbol type of A, T, G, C, and gap (eg “-”). (Step S504 in FIG. 16).
  • the learning data matrix generation processing means 23F for the promoter as shown in Fig. 25, Np (106) and Np (106) non-promoters are numerically converted by the numerical processing means 23E for the promoter.
  • B and C obtained by conversion into B
  • the promoter learning data matrix X (see Fig. 25) generated by the promoter analysis data processing unit 23F is generated by the promoter analysis processing unit 23G.
  • the separated data matrix Y for the data is obtained, and the obtained W and Y are separated for the promoter.
  • Matrix storage means 62 see Fig. 1
  • promoter separated data matrix storage means 63 Fig. 26
  • step S506 in FIG. 16 the prom by the covariance matrix using the nonlinear transformation of X is used in the preprocessing.
  • ICA Independent component analysis
  • ICA Independent component analysis
  • ICA Independent component analysis
  • ICA Independent component analysis
  • ICA uses the training data obtained by linear transformation or nonlinear transformation as an input to find the solution of the nonlinear problem, of course, can also be called nonlinear ICA.
  • the object similar to that of the invention can be achieved, and the process of approximating this and linearizing it is included in the present invention.
  • ICA independent component analysis
  • PCA principal component analysis
  • the diagonal matrix D of 65 rows x 65 columns is composed of ⁇ rows ⁇ ⁇ columns with the eigenvalues ⁇ ⁇ of the covariance matrix R arranged diagonally in descending order.
  • ICA independent component analysis
  • test separation matrix V for the promoter of n rows x 65 columns and the 65-row x r (arbitrary number) columns of test data matrix that combines 65-dimensional test data (vertical vector) or multiple test data.
  • a separated data matrix Y of n rows X r (arbitrary number) columns obtained by combining separated data (vertical vector) or a plurality of separated data is obtained.
  • n-dimensional separated data vertical vertical
  • Feature judgment element first element
  • n-row x r arbitrary number
  • V X (X force S65-dimensional vertical vector is reduced to n dimension if V n prom prom n
  • X is a matrix with n rows and X r (arbitrary number) columns. ), New learning data (vertical vector) or prom
  • a separation matrix W for promoters of Xn columns may be obtained.
  • Matrix n test to multiply data (vertical vector) or test data matrix X of n rows X r (arbitrary number) columns
  • N dimensional separated data (vertical vector) or n, test n, prom n, test
  • Whether or not it is a promoter can be determined by determining whether the value of the n, test feature determination element (each element in the first row) is a value on the shift side of the threshold value.
  • n rows x n columns promoter separation matrix W and n rows x 65 columns n, prom
  • ICA independent component analysis
  • the feature judgment element (each element in the first row) can be obtained by inverting the value, so the value of the feature judgment element of the separated data matrix Y for promoter is either positive or negative To make sure prom
  • This confirmation process may be performed by a human or a human. It corresponds to the column vector of the part of B ⁇ that is the true data in the training data matrix X for prom prom prom prom
  • the value of the feature judgment element of the column vector of Y to be positive is a positive value (for example, a value near 1)
  • a positive value for example, a value near 1
  • the feature determination element (each element in the first row) of the separated data matrix Y (see Fig. 38) obtained by the processing in the inspection stage Negative test value
  • a value for example, a value in the vicinity of ⁇ 1
  • a positive value for example, a value in the vicinity of 1
  • This setting process may be performed mechanically or by a human.
  • the correlated binding sequence generation processing means 24A as shown in FIG. 28, 35 boxes (6 bases) of known Np pieces (106 bases) and 10 boxes of known Np pieces (106 pieces). (6 bases) and a known transcription start site vicinity region sequence (in this embodiment, 3 bases are taken as an example), for example, Np (106) correlation binding sequences of 15 bases are generated. (Step S601 in FIG. 27). Note that the length of the region near the transcription start site may be 4 bases or 5 bases, for example.
  • the Np (106) correlation coupling sequences generated by the correlation coupling sequence generation processing unit 24A are used by the correlation determination appearance frequency table creation processing unit 24B, and the correlation coupling sequence is generated.
  • the frequency of occurrence (freq uency) for each symbol of A, T, G, and C is obtained, and the frequency of occurrence corresponds to each sequence position and each symbol in the correlation binding array Create an appearance frequency table T for correlation judgment as shown in Fig. 29 and create
  • Np (106) correlated binding sequences are, for example, 10 times as large as 10
  • the uncorrelated binding sequence generation processing means 24C as shown in Fig. 30, known 10 X Np (1060) 35 boxes (6 bases) and known 10 X Np (1060) ) 10 boxes (6 bases) and 10 X Np (1 060) random sequences (3 bases as an example) that differ from the known region near the transcription start site, eg 15 bases 10 ⁇ Np (1060) non-correlated binding sequences are generated (step S603 in FIG. 27).
  • 1 OX Np (1060) 3-base random sequence is a permutation of 4 symbols A, T, G, C.
  • 4 3 64 patterns out of 35 patterns and 10 known It is generated by randomly selecting from a set of 3 character sets excluding the known region around the transcription start point for the box (that is, one pattern that is true data) and a pattern that is not symbolic. As shown in FIG. 30, the 15-base non-correlated binding sequence only needs to be replaced with a 3-base random sequence in the region near the known 3-base transcription start region in the correlation binding sequence, so that the remaining The 6-base 35-box and 6-base 10-box portions of the base may be the same as the correlation binding sequence.
  • the correlation determination appearance frequency table T stored in the correlation determination appearance frequency table storage means 71 (see FIG. 1) is used by the correlation coupled array numerical value processing means 24D. (See Figure 29), 10 X Np (1060) correlated binding sequences and 1
  • the correlation determination learning data matrix generation processing means 24E converts the values B and C obtained by the numerical value processing by the correlation coupled array numerical value processing means 24D.
  • a column X is generated (step S605 in FIG. 27).
  • DT formed by, for example, ⁇ ⁇ ⁇ (1060) random sequences (sequences different from the known 35 boxes and the known 10 boxes) with a sequence length of 15 are combined. May be.
  • the correlation determination analysis processing means 24F generates a correlation determination learning data matrix generation process.
  • the learning data matrix X for correlation determination generated by the processing means 24E see Fig. 30
  • Correlation determination separation matrix storage means 72 (see FIG. 1) and correlation determination separated data rows
  • Independent component analysis is a separate row for correlation determination that makes each column vector Y (j) that constitutes Y independent.
  • ICA Independent component analysis
  • any kind of independent component analysis may be performed.
  • the principal component analysis (PCA) is performed as the correlation determination analysis process, and the dimension reduction is performed. Also good. Then, nonlinear independent component analysis (ICA) and principal component analysis (PCA) may be performed.
  • ICA nonlinear independent component analysis
  • PCA principal component analysis
  • ICA independent component analysis
  • PCA principal component analysis
  • the value of the correlation determination element (each element in the first row) is a positive value (for example, t near 1
  • each element in the first row becomes a negative value (for example, a value near 1), it can be determined that there is a correlation, and a positive value (for example, near ⁇ 1) Value), it can be determined that there is no correlation. Therefore, the information necessary for the correlation determination is set in the promoter candidate sequence determination processing means 31G. This setting process may be performed mechanically or by a human.
  • step S11 the computer constituting the promoter recognition system 10 is turned on, and a necessary program is started to start the promoter recognition process (step S11). From the DNA sequence or DNA sequence fragment to be judged, Then cut out the test sequence (step S12). If a test sequence that has already been cut out is given, such as the DNA sequence or DNA sequence fragment to be determined, the cutting process does not have to be performed.
  • the length of the test sequence to be cut out is not less than the length of the longest promoter among a plurality of types of similar known promoters, and as shown in FIG.
  • the test sequence is cut out from the DNA sequence or DNA sequence fragment while sequentially shifting the positions so that they overlap each other.
  • similar new promoters promoter that may be newly discovered
  • 1S can be longer than the longest known promoter, so the length of the test sequence to be excised is longer than the longest promoter.
  • the length of the test sequence may be less than twice the length of the shortest known promoter or less than twice the length of the expected new shortest promoter. preferable.
  • the known promoter The length of the test sequence is 31 to 45 bases, so the length of the test sequence can be 45 or more and less than 62 (31 X 2), that is, 45 to 61, and the correlation determination is considered.
  • the length of the promoter required for the process is required.
  • the length of the promoter is 32 to 46 bases, so the length of the test sequence can be 46 or more and less than 64 (32 X 2), ie 46 to 63, and further assumed. If the new longest promoter is considered, the lower limit of the length of the test sequence will be large, while if the new shortest possible promoter is considered, the test sequence length will be The upper limit value becomes smaller. In the present embodiment, as an example, it is assumed that the length of the test sequence is 50 bases.
  • a promoter candidate sequence is determined in the test sequence (50 bases) (step S13).
  • the transcription start point may be set to be shifted by one base, and a plurality of promoter candidate sequences may be determined within one test sequence as indicated by the two-dot chain line in FIG. 36! /. Specifically, it is as follows.
  • the ⁇ 10 box candidate data generation processing means 31B sets a transfer start point in the inspection array (step S1301).
  • a transfer start point may be set for each test sequence by setting it to the first A or G as viewed from the downstream side (right side in Fig. 36). From the point of view, it is preferable to set a plurality of inspection sequences by repeating the processes of steps S1302 to S1312, which will be described below, and this case will be described.
  • the transfer start point vicinity region array becomes a rare ⁇ array. If it is determined whether or not the transfer is successful and the result is an unfavorable arrangement, it may be possible to perform processing that does not adopt the transfer start point. When this processing is performed, all the possible arrangements of the transfer start point vicinity region arrangement may be stored in a memory (not shown).
  • the -10 box candidate data generation processing means 31B uses one base as a base having the same length (6 bases) as the -10 box with reference to the set transcription start point.
  • Multiple (9) 10 box candidate sequences, each shifted in position, and each transcription start point—
  • the gap between the box candidate sequences (the gap corresponding to spacer 10) is determined to be 3 to: L 1 base (step S1302 in FIG. 33).
  • the 10-box candidate data generation processing means 31B performs a ⁇ 10-box appearance frequency table storage means 51 according to multiple (9) ⁇ 10-box candidate arrays.
  • the appearance frequency table T for 10 boxes stored in see Fig. 1
  • each is digitized to generate a plurality (9) of ⁇ 10 box candidate data (step S1303 in FIG. 33).
  • the 10-box candidate data-separated data generation processing means 31D stores the 10-box separation matrix storage means 52 (see FIG. 1) in the same manner as in FIG. 21. Separation matrix W and -10 box candidate data generation processing means 31B
  • a separated data matrix Y for 10-box candidate data combined with the separated data for 10-box candidate data is generated (step S1304 in FIG. 33).
  • the -35 box candidate data generation processing unit 31A uses the 10-box equivalent sequence determination unit 31F determined by the 10-box equivalent sequence determination processing unit 31F. Based on the position, multiple (7) 35-box candidate sequences that have the same length (6 bases) as the 35-box and are shifted by 1 base each from each other, and a 10-box equivalent sequence and each 35-box candidate The gap between the sequences (the gap corresponding to the spacer 35) is determined to be 15 to 21 bases (step S1306 in FIG. 33).
  • -35 is used to generate multiple (seven) -35-box candidate data according to the sequence position and the symbol types of A, T, G, and C (step S1307 in FIG. 33).
  • 35 box candidate data are combined —
  • a number (seven) of separated data for 35-box candidate data are combined—a separated data matrix Y for 35-box candidate data is generated (step S 1308 in FIG. 34).
  • the 35-box equivalent sequence determination processing means 31E performs the 35-box candidate data separated data generation processing means 31C.
  • K l to 72
  • ⁇ denotes the inner product.
  • the promoter candidate sequence determination processing means 31G is determined by the 35 box equivalent sequence determination processing means 31E and the -10 box equivalent sequence determination processing means 31F. Furthermore, a promoter candidate sequence is determined based on the sequence corresponding to 35 boxes and the corresponding transcription start site (step S1310 in FIG. 34). At this time, the promoter candidate sequence determination processing means 31G determines whether or not there is a correlation between the sequence corresponding to the -35 box and the sequence corresponding to the 10 box and the transcription start point neighboring region sequence including the corresponding transcription start point.
  • the determination of the promoter candidate sequence based on the transcription start point in the sequence corresponding to the ⁇ 35 box and the sequence corresponding to the ⁇ 10 box and the region near the transcription start point is not performed. That is, the 35-box equivalent sequence and the 10-box equivalent sequence, and the sequence determined by the transcription start point in the region near the transcription start site are not adopted as promoter candidate sequences. More specifically, it is as follows.
  • the promoter candidate sequence determination processing means 31G causes a ⁇ 35 box equivalent sequence, a ⁇ 10 box equivalent sequence, and a transfer corresponding to these.
  • a sequence for determining the correlation is generated by combining the regions near the transfer start point including the copy start point (step S 13101 in FIG. 35).
  • the promoter candidate sequence determination processing means 31G uses the correlation determination appearance frequency table T stored in the correlation determination appearance frequency table storage means 71 (see FIG. 1).
  • the correlation determination data is generated by entering a numerical value according to (Step S 13102 in FIG. 35).
  • BBS test BBS BBS, test
  • Correlation-separated data matrix Y for correlation determination separated data or multiple correlation determination separated data combined
  • a separation process for correlation determination to obtain BBS, test is performed (step S13103 in FIG. 35).
  • the promoter candidate sequence determination processing means 31G among the elements constituting the correlation determination separated data or the correlation determination separated data matrix Y obtained by the correlation determination separation process, the estimated correlation determination Feature elements contained in the basis matrix W 1 (for example,
  • the value of the correlation determination element (for example, each element in the first row or the first element in the case of a vector) determined according to the position in the matrix of each element in the first column) is predetermined.
  • the threshold value for correlation determination eg, zero
  • the promoter candidate sequence determination processing means 31G applies the 35-box equivalent sequence, the 10-box equivalent sequence, and the transcription start point in the region near the transcription start point. Based on this, a promoter candidate sequence is determined (step S13104 in FIG. 35).
  • step S1311 in Fig. 34 it is determined whether or not the transcription start point is shifted by one base.
  • step S1312 in FIG. 34 After the transfer start point is set by shifting one base by the data generation processing means 31B (step S1312 in FIG. 34), the process returns to the process in step S1302 in FIG. Steps S1302 to S1312 of FIG. 34 are repeated.
  • step S1311 that the shift is not made, all of the determination processes for a plurality of promoter candidate sequences in one test sequence are completed.
  • the alignment processing unit 31H inserts a gap “one” for each of the plurality of promoter candidate sequences determined by the promoter candidate sequence determination processing unit 31G according to a predetermined rule. Then, alignment processing is performed to align the length to a certain length (here, the sequence length: 65) (step S14 in FIG. 32).
  • this alignment process is performed according to the following rules. If the memory storing the aligned promoter candidate sequences (sequence length: 65) is M (1) to M (65) from the upstream side, first, from the upstream side, M (1) to M (14) Store 14 bases upstream of the sequence corresponding to 35 boxes (left side in the figure). At this time, if there are not 14 bases, store the remaining gap “one” in order from M (l), and then store the remaining bases.
  • M (41) store (the number of bases of spacer 35 before alignment 21) gaps “one”, and then store the remaining spacer 35 excluding the 5 bases described above.
  • M (48) to M (50) store the 3 bases downstream of the 10-box equivalent sequence. These three bases are part of spacer 10.
  • the transcription start point is stored in M (59), and further, 6 bases downstream from the transcription start point are stored in M (60) to M (65). At this time, if there are not six bases, the missing gap “” is stored last.
  • the alignment rules as described above are the alignment rules described in Non-Patent Document 1 described above.
  • the force that is the same rule as the alignment is not limited to this, but in short, a certain rule is created and the arrangement power corresponding to the 35 boxes, 10 boxes, etc. that are partial patterns is the same or nearly the same Just come to the position. Therefore, the sequence length after alignment is not limited to 65, but may be 70, 75, 80, etc., for example.
  • the promoter appearance frequency table T (see FIG. 19) stored in the promoter appearance frequency table storage means 61 (see FIG. 1) by the promoter candidate sequence numerical value processing means 31J.
  • the alignment processing means 31H Using the alignment processing means 31H.
  • the entered promoter candidate sequences are numerically entered according to the sequence position and the symbol type of A, T, G, C, and gap “-” to generate inspection data (step S15 in FIG. 32).
  • VX (j) is newly set to X (j), so that the preprocessed test data (vertical vector) test test
  • the separation matrix W for promoter stored in the separation matrix storage means 62 for promoter (see Fig. 1) and the preprocessed inspection data (vertical vector) or a plurality of inspection data are stored.
  • test test prom test Performs a column operation to perform a separation process to obtain a separated data matrix Y obtained by combining separated data or a plurality of separated data (step S16 in FIG. 32).
  • the separation processing means 32 determines each test data obtained from each of the promoter candidate sequences. For each of the above, the above separation processing is performed, and for each check array, a plurality of separated data or a separated data matrix Y obtained by combining these separated data is obtained. [0233] Then, the determination processing unit 33 uses the separated data matrix Y obtained by combining the separated data obtained by the separation processing unit 32 or a plurality of separated data.
  • Predetermined threshold value for example, zero
  • Feature value determined according to the position for example, each element in the first row as shown in FIG. 38, or the first element in the case of a vector
  • Predetermined threshold value for example, zero
  • the candidate promoter sequence corresponding to the column vector Y (j) is a positive value (actually, for example, a value near 1)
  • a negative value (actually, for example, a value close to 1)
  • ICA independent component analysis
  • PCA principal component analysis
  • the determination processing unit 33 determines one test sequence obtained by the separation processing unit 32. ! Each of the plurality of separated data or the elements constituting the separated data matrix Y obtained by combining the plurality of separated data are included in the estimated base matrix W 1 .
  • Each value is determined to be a deviation value with a predetermined threshold (for example, zero) as a boundary, and a value indicating a promoter (for example, a positive value)
  • the feature determination element value determined to be the absolute value of the difference from the threshold value is the largest, the value of the feature determination element is obtained, and the value of the obtained feature determination element corresponds to the inspection data.
  • a process for recognizing that the promoter candidate sequence is a promoter of any one of a plurality of types of known promoters or a new promoter similar to the known promoter is performed.
  • the value power 0.9 of the first element of each column vector Y (j) that composes the separated data matrix Y 3, 1 1. 07, 1. 03, 0.96 ... is the value of ⁇ J (positive value) indicating that it is a promoter out of 1. 03, 0. 96 It is recognized as a promoter candidate sequence power promoter corresponding to the test data with the largest! /, 1. 03 and!
  • the processing in the inspection stage is completed (step S18 in Fig. 32).
  • the learning processing means 20 performs re-learning processing using the promoter as learning data.
  • the promoter recognition system 10 uses each base symbol A, T, G, C, and the gap “one” inserted in the alignment constituting the DNA sequence to be determined for each sequence position, and It is calculated for each symbol type and stored in the promoter appearance frequency table T.
  • T and T which are partial pattern appearance frequency tables, are created for each of the 35 boxes and 10 boxes that are partial patterns included in the promoter.
  • W (or dimension-reduced W) which is the separation matrix for partial patterns obtained by performing numerical analysis of sequences using, and performing independent component analysis (ICA) or principal component analysis (PC A)
  • ICA independent component analysis
  • PC A principal component analysis
  • test step a plurality of candidate promoter sequences are determined while shifting one base at a time in one test sequence (see Fig. 36). Therefore, the process of determining one sequence that is recognized as a promoter is performed, so that it is possible to recognize the promoter with higher accuracy on the assumption that the test sequence is set to an appropriate length.
  • a correlation determination process is performed between the 35-box equivalent sequence and the 10-box equivalent sequence and the transcription start point vicinity region sequence.
  • sequences corresponding to the 35-box equivalent sequence and the 10-box equivalent sequence and the transcription start site in the region near the transcription start site can be excluded from the promoter candidate sequences. For this reason, the recognition accuracy of the promoter can be further improved.
  • the sequence determined based on the transcription start point in the sequence corresponding to the ⁇ 35 box and the sequence corresponding to the ⁇ 10 box and the region near the transcription start point is the promoter. Since it is not adopted as a candidate sequence, it is not necessary to generate inspection data for that sequence, and it is not necessary to perform separation processing by the separation processing means 32 and judgment processing by the determination processing means 33. In this respect, the processing time can be shortened.
  • the correlation determination processing is performed using the correlation determination separation matrix W obtained by the pre-learning based on independent component analysis (ICA) or principal component analysis (PCA), the accuracy of correlation determination is as follows.
  • ICA independent component analysis
  • PCA principal component analysis
  • Fig. 39 shows the separation matrix W for the 65-row x 65-column promoter obtained as a learning result. Indicates the value of each element in the first column of W of 65 rows by 65 columns, which is the inverse matrix of (see Figure 26). om prom
  • Fig. 40 shows the separated data matrix Y (65
  • the horizontal axis corresponds to the column number (however, in the range from 1 to 212, 0 to 211!).
  • the first column of the estimated matrix A is obtained using independent component analysis (ICA).
  • ICA independent component analysis
  • S be a matrix that is a collection of unknown independent information source data (vertical vectors).
  • the separation matrix for restoring them to the original data before mixing is W and obtained by separation.
  • Y WX, where Y is the matrix that collects the separated data (vertical vectors).
  • independent component analysis a process of finding a separation matrix W such that each component of ⁇ (each column vector constituting ⁇ ) is independent.
  • the separation matrix W is a basis matrix.
  • the inverse matrix W- 1 of the separation matrix W corresponds to the matrix that estimated the base matrix A. Therefore, it is considered that a plurality of types of known promoters are inherently noise sequences on the characteristics of the promoters, and a learning data matrix for the promoters generated by a plurality of types of known promoters is observed.
  • mixed data column vectors
  • ICA independent component analysis
  • W _1 Y x, which is multiplied by each element of the first column of w 1 for matrix operation
  • each element is the value of the feature determination element in the present invention.
  • each element of the first row of Y is the same as the learning data matrix X for the promoter.
  • each value on the vertical axis in Fig. 40 is a force in the vicinity of +1 or -1; it is not limited to values in the vicinity of these.
  • the threshold need not necessarily be zero.
  • the vertical axis value is divided into several sections (for example, 1, 0. 6, 0. 2, 0. 2, 0. 6, 1 or more), for example, 1 or more is “very likely to be a promoter”, 0.6 to 1 is “highly likely to be a promoter”, 0.2 to 0.6 is “Possible to be a promoter”, -0.2 to 0.2 can output different judgment results in each section, such as “Unknown”.
  • test step 126 known Escherichia coli promoters described in Non-Patent Document 1 described above were used as test data. These 126 E. coli promoters are different from the known 106 E. coli promoters used in the learning phase. For these 126 promoters, gaps were already inserted in Non-Patent Document 1, so these gaps were removed and returned to a promoter with a sequence length of 40-50 without gaps. It was. [0248] As test data (test sequence), 1000 random sequences with a sequence length of 50 were generated and prepared. At this time, the filing frequency of A and T was increased by 0.3 each, and the filing frequency of G and C was increased by 0.2 each. Therefore, a total of 1126 unaligned test data (test sequence) forces were prepared.
  • the transcription start point is the first A or G when viewed from the downstream side, and only one transcription start point is set based on one test data (inspection sequence).
  • the slide setting of the transcription start point as shown in Fig. 36 was not possible.
  • the correlation determination process between the sequence corresponding to the ⁇ 10 box and the sequence corresponding to the ⁇ 35 box and the sequence near the transfer start point was powerful.
  • the aligned 1126 promoter candidate sequences were digitized using the promoter appearance frequency table T, and 1126 test data were generated.
  • a separated data matrix Y was obtained.
  • the threshold value was set to zero and positive / negative was determined (that is, hard determination was performed).
  • the value of the partial feature determination element was almost negative, and a high recognition rate of 93.7% was obtained, which showed the effect of the present invention remarkably.
  • the recognition rate of 93.7% can be further improved by performing a slide setting process and a correlation determination process at the transfer start point.
  • FIG. 42 is an explanatory diagram showing an alignment method according to the second embodiment of the present invention.
  • FIG. 43 is a diagram showing a promoter appearance frequency table T according to the second embodiment.
  • Figure 44 shows prom
  • 45 and 46 show the basis estimated by obtaining the inverse matrix of the promoter separation matrix W obtained by the processing in the learning stage of the second embodiment.
  • 47 and 48 show the values of each element in the 27th column of W 1 and the elements in the 27th row of Y.
  • FIG. 49 is an explanatory diagram of processing in the inspection stage of the second embodiment.
  • the gap is not inserted, but a part of the array constituting the spacer 35 and the spacer 10 is removed, and the determination process is performed.
  • it is different from the first embodiment in that it uses multiple (multiple lines) feature determination elements rather than using only one (one line) feature determination element. Since the system configuration is substantially the same as that of the first embodiment, detailed description of the same parts will be omitted, and the following description will focus on the different parts.
  • the overall flow of the learning stage (training step) is the same as that of the first embodiment shown in FIG. 3, and Np known promoters for learning (similar to the case of the first embodiment, for example, 106 E. coli promoters) are prepared, and -35 box learning, -10 box learning, promoter learning, and correlation learning are performed.
  • the frequency of occurrence of each of A and T is 0.3, Each appearance frequency may be 0.2.
  • the appearance frequency table for promoter T does not include the appearance frequency of gaps.
  • the alignment process is performed by removing a part of the sequence constituting the spacer 35 and the spacer 10, the separation matrix W for the promoter and the separation for the promoter are performed.
  • the number of dimensions of the completed data matrix Y is smaller than that in the first embodiment.
  • the first embodiment The number of dimensions of the completed data matrix Y is smaller than that in the first embodiment.
  • the promoter alignment processing means 23A of the first embodiment performs alignment processing for aligning the lengths of a plurality of types of known promoters to a certain length (for example, array length: 65) by inserting a gap.
  • the alignment processing means for the promoter according to the second embodiment of the present invention can be applied to a plurality of known types by removing a part of the array constituting the spacers 35 and 10 according to the rules shown in FIG. Alignment processing is performed so that the length of the promoter is aligned to a certain length (for example, sequence length: 31).
  • Fig. 42 in the known promoter, the positions of the 35 box and the 10 box are known, so out of the base sequences constituting the spacer 35, 6 bases near the -35 box (downstream of the 35 box 6 bases connected to the side) and 9 bases closer to the 10 box (9 bases connected to the upstream side of the 10 box), and the sequence between them is removed. Therefore, since the sequence length of the spacer 35 of 106 known E. coli promoters is 15 to 21 bases, the length of the sequence removed from the spacer 35 is 0 to 6 bases.
  • the sequence length is aligned with 15 bases, which is the shortest spacer 35 sequence length.
  • the force of adopting 6 bases near -35 boxes and 9 bases near -10 boxes is not limited to this.
  • 7 bases near -35 boxes and 8 bases near -10 boxes are adopted.
  • the total sequence length adopted is 15 bases.
  • the sequence lengths of 14 bases or less may be used.
  • the appearance frequency table creation processing means 23B for the promoter according to the first embodiment is a combination of a plurality of types of known promoters that are aligned to a fixed length (for example, array length: 65) by the alignment processing means 23A for the promoter. Because gaps are included, gears were added to A, T, G, and C, and the appearance frequency for each symbol was calculated. However, the appearance frequency table for the promoter of the second embodiment was created.
  • the processing means includes a plurality of types of known promoters arranged in a certain length (for example, sequence length: 31), so that gaps are included. Therefore, each symbol for A, T, G, and C without gaps. Find the appearance frequency for each. Therefore, in the first embodiment, the appearance frequency table T for promoter stored in the appearance frequency table storage means 61 for promoter (see FIG. 1) includes the appearance frequency of gaps (see FIG. 19).
  • the appearance frequency table T for promoter stored in the appearance frequency table storage means for promoter includes the appearance frequency of gaps as shown in FIG.
  • the amount of data to be stored has decreased.
  • the sequence length is also reduced from 65 to 31, the amount of data to be stored is also reduced at that point.
  • the non-promoter generation processing means 23C of the first embodiment automatically generates a plurality of non-promoter generation sequences at random, and among these non-promoter generation sequences, a partial pattern separation matrix ( -10-box separation matrix W and-35-box separation matrix
  • the non-promoter generation processing means of the second embodiment includes a partial pattern separation matrix (a separation matrix W for 10 boxes and a separation matrix W for 35 boxes) and a partial pattern.
  • Partial pattern equivalent array (one 10 box equivalent arrangement) using the separated data matrix for task
  • a non-promoter is generated without performing a process of determining a column and a sequence corresponding to a 35-box).
  • homology ⁇ By calculating the score (homology score) and eliminating the sequences close to the promoter based on the magnitude of the obtained homology score, the homology score is higher than the specified threshold value.
  • the homology score is higher than the specified threshold value.
  • homology ⁇ ⁇ ⁇ Scores can be obtained by the following steps 1 to 3 by defining an extended 35 box (extended -35 region) and an extended —10 box (extended -10 region). wear.
  • the 35 box is a sequence of 16 bases in length, with 9 bases connected upstream of the 35 box and 1 base connected downstream of the 35 box added to the 35 box (6 bases).
  • the expanded 10 box is a sequence of 14 bases in total, with 5 bases connected upstream of the 10 box and 3 bases connected downstream of the 10 box added to the 10 box (6 bases). It is.
  • step 2 for the sequence length of spacer 35, for example 101 known promoters, excluding 5 promoters with gaps in the expansion—35 box and expansion—10 boxes, 15-21 Appearance frequency is determined for each sequence length of bases (that is, the frequency with which the sequence length of spacer 35 is 15 bases, the frequency with 16 bases, ..., the frequency with 21 bases).
  • the score obtained by dividing the appearance frequency of each by the standard deviation (for example, (101Z7) 1/2 ) is obtained.
  • the denominator “7” in the standard deviation route means that the sequence length type is 7 types of 15 to 21 bases.
  • the sum of the base 'pair' scores is the score obtained in step 1 for each base of the expansion—35 box and expansion—10 boxes in a random sequence (A, The score is obtained by dividing the frequency of occurrence of T, G, and C by the standard deviation), and the sum of these values.
  • Spacing 'score is the sequence length of spacer 35 in a random sequence divided by the score obtained in step 2 (frequency of occurrence of each sequence length of 15 to 21 bases divided by standard deviation). The score is a numerical value.
  • Maximum 'score is the best score (maximum score) among the scores for each sequence position in the expanded 35 box and the best score (maximum score) among the scores for each sequence position in the expanded-10 box The sum of the score) and the score of the spacer 35 sequence length.
  • the baseline score is the score at each sequence position in the expanded 35 box. Is the sum of the average value of the array length, the average score of each array position in the expanded 10 boxes, and the score of the array length of the spacer 35.
  • Step 3 the positions of the 35-base, -10-box, and the portion corresponding to the transcription start point in the 65-base-long random sequence are positioned at the 7th base by placing 6 bases on the downstream end. As the transcription start point, this force is directed upstream, taking 10 bases of 11 bases, 10 bases of 6 bases, 21 bases of spacer 35, and 35 bases of 6 bases. The end force is also determined by leaving 14 bases. That is, in the first embodiment, in the non-promoter (see FIG. 24) aligned to a fixed length (sequence length: 65) by inserting a gap—35 boxes, 10 boxes, and portions corresponding to the transcription start point. The same position as the position. However, as in the case of the first embodiment, the partial pattern separation matrix (the separation matrix W for 10 bots and the separation matrix W for -35 boxes) or the separation for the partial patterns is completed.
  • the separation matrix W for 10 bots and the separation matrix W for -35 boxes the separation for the partial patterns is completed.
  • the position may be determined using a matrix Y).
  • the homology 1 score is calculated as 6
  • the length of the random sequence to be prepared is not limited to 65 bases.
  • the process of removing sequences close to the promoter by calculating the homology 'score may be omitted.
  • Data learning matrix X (see Fig. 25) was generated.
  • the promoter learning data matrix generation processing means performs similar processing. However, in the first embodiment, as shown in FIG. 25, B ⁇ and C ⁇ are 65 rows ⁇ 106 columns, respectively.
  • T is 31 rows x 106 columns
  • X force is 31 rows x 212 columns (see Figure 44). prom prom
  • the promoter analysis processing unit 23G performs zero processing of the average value as preprocessing for the learning data matrix X for the promoter (see FIG. 25).
  • ICA independent component analysis
  • the promoter analysis processing means of the second embodiment also performs the same processing.
  • W 1S is 65 rows by 65 columns, and Y force
  • W force that was 65 rows x 212 columns
  • W force is 31 rows.
  • Y is data used later in the process of the inspection stage.
  • Promoter's separated data matrix storage means 63 (Fig. 26) is used to check whether the value of the feature judgment element (each element in the first row) is positive or negative. In this second embodiment, Y is later stored in the inspection stage.
  • the base appears showing the characteristics of the promoter in a row of the base matrix, when only the one column is characteristic element (e.g., as shown in FIG. 39, the first W 1
  • the prom column is a characteristic element
  • the case where the only base that best represents the characteristic of the promoter is selected and used as the characteristic element has been described, but in the second embodiment, As shown in FIG. 44, a case will be described in which bases indicating the characteristics of the promoter appear in a plurality of columns of the base matrix, and these columns serve as feature elements.
  • the inverse matrix of the promoter separation matrix W is used.
  • the basis matrix estimate seeking W 1, by try to chart the value of the element in each column of W 1 is the estimated basis matrix (each prom prom basis), as judged by visual observation, the promoter JP It can be determined by selecting the column (base) that shows the sign. Also, the feature element determination work may be performed by visual judgment by graphing each column (each basis) of w 1 as described above.
  • the value of the element in the prom line is the portion corresponding to B T that combines the promoter (the true data corresponding portion) and the non-promoter.
  • the element values of each row of prom are organized into a true data corresponding part and a false data corresponding part, and analyzed.

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Complex Calculations (AREA)

Abstract

　配列中に存在する特徴パターンを高い精度で認識することができる特徴パターン認識システムおよびその方法、並びにプログラムを提供する。 　判定対象の配列（ＤＮＡ配列等）を構成する各離散シンボル（塩基記号等）を、各配列位置毎でかつ離散シンボルの各種別毎に求められた出現頻度を用いて数値化して検査データまたは検査データ行列Ｘtestを生成し、独立成分分析または主成分分析により得られた分離行列（Ｗprom等）と検査データまたは検査データ行列Ｘtestとを乗じる行列演算（Ｙtest＝ＷpromＸtest等）を行い、分離済データまたは分離済データ行列Ｙtestを求め、Ｙtestの特徴判定要素（第１行の要素等）が閾値に対し、いずれの側の値であるかを判定する等、特徴判定要素（複数行の要素でもよい。）を用いて、配列中に特徴パターン（プロモータ等）が存在するか否かを判定する。                                                                                 

Description

明 細 書
特徴パターン認識システムおよびその方法、並びにプログラム
技術分野
[0001] 本発明は、有限個の離散シンボルにより構成された配列若しくはその一部の配列 断片またはこれらの配列若しくは配列断片力 切り出された検査配列の中に、既に 発見されて ヽる互いに類似する複数種類の既知の特徴パターンのうちの ヽずれかの 特徴パターンまたは前記既知の特徴パターンに類似する新規な特徴パターンが含ま れるか否かを判定する特徴パターン認識システムおよびその方法、並びにプログラム に係り、例えば、 DNA配列中のプロモータ、アミノ酸配列中のモチーフ等を認識する 場合に利用できる。
背景技術
[0002] 一般に、 DNA配列の断片（以下、 DNA配列断片と呼ぶ。 )中には、プロモータ（pr omoter)と称される特徴的な塩基配列が遺伝子情報の周辺に存在している。このプロ モータとは、 DNA配列にぉ 、て特別なパターンを有して 、る遺伝子制御部分であり 、 RNAポリメラーゼがこの部分を読み取ると、 DNA配列の転写が始まる。従って、 D NA配列断片にプロモータが含まれるか否かを判定することは非常に重要である。
[0003] 図 41には、一例として、大腸菌塩基配列中で RNAポリメラーゼが大腸菌プロモー タを探す様子が示されている。非常に長い DNA配列のうち、ある一部の塩基配列だ けが RNA (リボ核酸: ribonucleic acid)に写し取られ、この RNAがアミノ酸に翻訳され てタンパク質が合成される。この際、 RNAポリメラーゼという酵素は、 DNAに衝突す ると、弱く結合して DNAに沿って滑りながら動き、プロモータを見つけると強く結合し 、 DNA配列の転写を始める。
[0004] DNA配列断片にプロモータが含まれているかどうかを調べることは、もちろん試験 管中の生物実験や X線解析を用いることにより可能である。し力しながら、これらの方 法は、時間がかかる、高いコストがかかる、さらに X線使用の場合には安全面での配 慮が必要になる等の不都合がある。従って、これらの方法に代えて、 {A、 T、 G、 C} の 4つの塩基記号力 なる DNA配列断片がコンピュータ内の離散値データとして与 えられたときに、その中にプロモータが存在する力否かを演算処理で判定することは 、大量の DNA配列断片を高速かつ安価に取り扱うために、非常に重要な事項となつ ている。
[0005] このように、 {A、 T、 G、 C}の塩基記号列として与えられた DNA配列断片における プロモータの存否をコンピュータにより判定することは、すべて良いことずくめと思える 力 実際には簡単なことではない。これは、ひとえにプロモータのパターンにかなりの 多様性があり、例えば、プロモータを構成する一部分の塩基が異なっていたり、ある いはプロモータ全体の長さが異なっていることがしばしばあるからである。このため、 従来より、 {A、 T、 G、 C}による離散的な記号配列を連続量としての配列に変えてそ のパターンを調べると ヽぅ方法が採られ、これまでにも幾つかの提案がなされて ヽる。
[0006] 例えば、ニューラルネットワーク法を用いた方法 (非特許文献 1参照）と、さらに期待 値最大化法を組み合わせた方法 (非特許文献 2参照）があり、これらはバイオインフォ マテイクスに関する著名文献 (非特許文献 3参照）〖こも収録されて ヽる。
[0007] なお、複数の種類の化学物質 (遺伝子および遺伝子産物を含む。 )の量の変化を 表す情報を精度よく分類する化学物質分類装置として、主成分分析 (PCA: Principal Component Analysisノ若し 虫立成分分析 (IC A: Independent component Analysi s)を行う装置があるが（特許文献 1参照）、本発明のようなプロモータ等の特徴パター ンの認識処理を行う装置ではな 、。
[0008] また、参考文献として、本発明の第 2実施形態の処理で用いるホモロジ'スコアに関 する文献を挙げておく（非特許文献 4参照)。
[0009] 特許文献 1 :特開 2003— 141102号公報 (請求項 1、要約）
非特許文献 1 : 1.マハデバン（I. Mahadevan) , I.ゴーシュ（I. Ghosh)、「ニューラルネ ットワーク法を用いた大腸菌プロモータ構造解析（Analysis of E.coli promoter struct ures using neural networks)」、ニュ. ~~クレイック · 7ンッド ·リサ ~~チ (Nucleic Acids Res earch) , 1994年、 vol. 22、 p. 2158— 2165
非特許文献 2 : Q.マー（Q. Ma)、T. L.ワン（T. L. Wang)、 D.シャシャ（D. Shasha ) , C. H.ウー（C. H. Wu)、「期待値最大化法および-ユーラルネットワーク法を用 いた DNA配列分類法：事例研究（DNA sequence classification via an expectation m aximization algorithm and neural networks： A case study)」、 IEEEトランザクションズ 'オン'システムズ（IEEE Transactions on Systems)、マン 'アンド'サイバネティクス（M an and Cybernetics)、パート C :アプリケーションズ'アンド'レビューズ（Part- C :Applic ations and Reviews) , 2001年、 vol. 31、 p. 468— 475
非特許文献 3 : D. W.マウント（D. W. Mount)、 「バイオインフォマティクス：配列およ びゲノム解析 (Bioinformatics : Sequence and Genome Analysis)」、コ ~~ルド 'スプリン グ.ノヽーバー.ラボラトリ.プレス（Cold Spring Harbor Laboratory Press)、 2001年（岡 崎康司 '坊農秀雅監訳、「バイオインフォマティクス」、メディカルサイエンスインターナ ショナル、 2002年）
非特許文献 4 :マーチン ·Ε ·ムリガン（Martin E. Mulligan)、ダイアン ·Κ·ノヽーレー（Di ane K. Hawley)、ロバート 'エントリケン（Robert Entriken)、ウィリアム マックルーア (William R. McClure)、「RNAポリメラーゼの選択で予測される大腸菌プロモータ配 列 (Eschricnia coli promoter sequences predict in vitro RNA polymerase selectivity) 」、ニュークレイック'アシッド'リサーチ（Nucleic Acids Research)、 1984年、 vol. 12、 p. 789 - 800
発明の開示
発明が解決しょうとする課題
[0010] ところで、前述したように、試験管中の生物実験や X線解析によるプロモータ解析で は、時間的 ·経済的要因等から大量のデータを処理することは困難であるため、これ らの方法に代えて、ニューラルネットワーク法や期待値最大化法を用いたコンビユー タによるプロモータ解析が行われている。しかし、これらの従来のコンピュータによる 解析方法では、必ずしも高い認識率を得ることができないため、より優れた性能を発 揮することができるコンピュータによる解析方法が望まれている。
[0011] また、コンピュータによるプロモータ解析の困難性は、 DNA配列中のプロモータの パターンの多様性に起因する力 このことは、 DNA配列中のプロモータ解析の場合 に限らず、有限個の離散シンボルにより構成された配列中カゝら特徴パターンを抽出 する際に、その特徴パターンに多様性があれば、同様に生じる問題である。従って、 DNA配列中のプロモータに限らず、広く一般に、有限個の離散シンボルにより構成 された配列中に存在する特徴パターンを高!ヽ精度で認識することができれば便利で ある。
[0012] 本発明の目的は、配列中に存在する特徴パターンを高い精度で認識することがで きる特徴パターン認識システムおよびその方法、並びにプログラムを提供するところ にある。
課題を解決するための手段
[0013] 本発明は、有限個の離散シンボルにより構成された配列若しくはその一部の配列 断片またはこれらの配列若しくは配列断片力 切り出された検査配列の中に、既に 発見されて ヽる互いに類似する複数種類の既知の特徴パターンのうちの ヽずれかの 特徴パターンまたは既知の特徴パターンに類似する新規な特徴パターンが含まれる か否かを判定する処理を行う特徴パターン認識システムであって、複数種類の既知 の特徴パターンを用いてこれらの特徴パターン内での各配列位置毎に離散シンボル の各種別毎の出現頻度を求め、これらの出現頻度と特徴パターン内での各配列位 置および離散シンボルの各種別とを対応させて形成された出現頻度テーブルを記憶 する出現頻度テーブル記憶手段と、複数種類の既知の特徴パターンおよびこれらの 既知の特徴パターンとは異なる複数種類の非特徴パターンを、出現頻度テーブルを 用いて配列位置および離散シンボルの種別に従ってそれぞれ数値ィ匕した後、これら を結合して学習データ行列を生成し、この学習データ行列を用いて独立成分分析ま たは主成分分析を行うことにより、特徴パターンの特徴を示す特徴要素を含む基底 行列の逆変換を行う行列として得られた分離行列を記憶する分離行列記憶手段と、 判定処理の対象となる配列若しくはその一部の配列断片またはこれらの配列若しく は配列断片から切り出された検査配列を、出現頻度テーブル記憶手段に記憶された 出現頻度テーブルを用いて配列位置および離散シンボルの種別に従って数値ィ匕す ることにより、検査データを生成する処理を行う検査データ生成処理手段と、分離行 列記憶手段に記憶された分離行列と検査データ生成処理手段により生成された検 查データまたは複数の検査データを結合した検査データ行列とを乗じる行列演算を 行うことにより、分離済データまたは複数の分離済データが結合された分離済データ 行列を求める処理を行う分離処理手段と、この分離処理手段により求めた分離済デ ータまたは分離済データ行列を構成する要素のうち、基底行列に含まれる特徴要素 の行列内位置に応じて定まる特徴判定要素の値を用いて、判定処理の対象となる配 列若しくはその一部の配列断片またはこれらの配列若しくは配列断片から切り出され た検査配列の中に、複数種類の既知の特徴パターンのうちのいずれかの特徴パタ ーンまたは既知の特徴パターンに類似する新規な特徴パターンが含まれるか否かま たは存否の程度を判定する処理を行う判定処理手段とを備えたことを特徴とするもの である。
[0014] ここで、「特徴パターン」としては、例えば、 DNA配列中のプロモータゃェンハンサ 、タンパク質を構成するアミノ酸配列中のモチーフ（motif)、あるいは DNA配列とアミ ノ酸配列との混在型配列中のパターン等が挙げられる力 これらの生物学的な配列 中の特徴パターンの他、例えば、言語学的、音響学的、地質学的、天文学的、物理 学的等の様々な配列中の各種の特徴パターンであってもよぐ要するに、有限個の 離散シンボルにより構成された配列中に存在する特徴パターンであればよ!、。そして 、この特徴パターン力 ^類似する」という意味は、生物学的な配列の場合には、例え ば、ホモ口ジャスな (相同の、同類の）範囲内という意味であり、逆に、類似性があると 判定されて新たに発見された特徴パターンについては、ホモ口ジャスな (相同の、同 類の）範囲にカ卩えることができる。
[0015] また、「離散シンボル」は、文字 (アルファベット文字、ギリシャ文字、漢字、数字、ひ らがな文字、力 かな文字等）、図形、記号、またはこれらの結合であり、例えば、 DN A配列を構成する「離散シンボル」は、 A (アデニン）、 T (チミン）、 G (グァニン）、 C (シ トシン)の 4つの文字力もなる標準的な塩基記号 (勿論、標準的でな 、記号を処理対 象としてもよい。）であり、ノ《ターンの長さを揃えるアラインメント（レングスアジャストメン ト）時に挿入されるギャップを示すマイナス記号等も「離散シンボル」に含まれる。また 、アミノ酸配列を構成する「離散シンボル」は、 A (ァラニン）、 R (アルギニン）、 N (ァス ノ ギン)等の 20種類の文字力もなる標準的なアミノ酸の略記号 (勿論、標準的でな Vヽ記号を処理対象としてもよ ヽ。 )およびギャップを示すマイナス記号等である。
[0016] さらに、「配列若しくはその一部の配列断片またはこれらの配列若しくは配列断片 力 切り出された検査配列」とは、分離処理手段および判定処理手段による各処理 を行うための検査データを生成するにあたり、「配列若しくはその一部の配列断片」を 直接に処理してもよぐあるいは「配列若しくは配列断片力 切り出された検査配列」 を処理してもよ!/、趣旨である。
[0017] そして、「基底行列に含まれる特徴要素の行列内位置に応じて定まる特徴判定要 素」とは、基底行列において例えば第 1列（実際には、推定された基底行列において 検証することができる。 )に特徴パターンの性質を示す特徴要素が現れる場合 (つまり 、第 1列が特徴要素の行列内位置となる場合）には、分離済データ (縦ベクトル)また は複数の分離済データが結合された分離済データ行列において、行列演算上、基 底行列における第 1列に配置された要素の影響を強く受ける第 1行の各要素 (縦べク トルの場合には、第 1番目の要素）をいう（後述する図 39、図 40参照)。また、基底行 列に例えば第 1例、第 2列、第 5列…という具合に、複数列の特徴要素が現れる場合 には、特徴判定要素は、これに対応して第 1行、第 2行、第 5行…という具合に、複数 行の要素となる（後述する図 44、図 49参照)。なお、本願明細書において、基底行 列 (実際には、演算処理で推定された基底行列となる。）について第 1列に特徴バタ ーンの性質を示す特徴要素が「現れる」という場合には、システム設計者が、特徴パ ターンの性質を最も良く示す特徴要素が第 1列に現れるような学習機構を強制的に 付加した結果、現れる場合も含まれる。他の列に現れる場合も同様であり、その列に 強制的に現れるようにする場合が含まれる。従って、これに伴って、基底行列内の特 徴要素に対応する分離済データ (縦ベクトル)または分離済データ行列内の特徴判 定要素についても、システム設計者が、第 1行目（縦ベクトルの場合には、第 1番目） 等の特定位置に強制的に設定する場合が含まれる。
[0018] また、「判定処理手段」による判定処理には、特徴パターンが含まれる力否かを判 定する硬判定 (hard limited decision)と、特徴パターンの存否の程度（確からしさ）を 判定する軟判定 (soft decision)とがあり、例えば、特徴判定要素が 1行だけの要素で ある場合には、前者の硬判定は、特徴判定要素の値が、予め定められた閾値を境界 としていずれの側の値であるかを判定することにより行われ、後者の軟判定は、特徴 判定要素の値の大きさの程度を判定することにより行われる。また、特徴判定要素が 複数行の要素である場合には、例えば、分離処理手段により求めた分離済データま たは分離済データ行列のうちの複数行の特徴判定要素の値により構成される列べク トルと、学習段階で分離行列とともに得られた分離済データ行列のうちの真データ対 応部分の特徴判定要素の値により構成される各列ベクトルとの類似度を示す値を算 出し、前者の硬判定は、算出された類似度を示す値が、予め定められた閾値を境界 としていずれの側の値であるかを判定することにより行われ、後者の軟判定は、算出 された類似度を示す値の大きさの程度を判定することにより行われる。後者の軟判定 としては、例えば、「特徴パターンである可能性が極めて高い」、「特徴パターンであ る可能性が高い」、「特徴パターンである可能性がある」、「特徴パターンでない可能 性が極めて高!、」、「特徴パターンでな 、可能性が高 、」、「特徴パターンでな 、可能 性がある」、「どちらか不明である」等の判定結果を出力することができ、これらの判定 の程度を何段階に設定するかは任意であり、また、「特徴パターンである可能性が〜 %である」等の出力でもよ 、。後述する相関判定の場合も同様である。
[0019] このような本発明の特徴パターン認識システムにおいては、判定対象となる配列を 構成する各離散シンボルを、各配列位置毎で、かつ、離散シンボルの各種別毎に求 められた出現頻度を用いて数値ィ匕するとともに、独立成分分析 (IC A independent C omponent Analysisノま 7こは主成力、力、 in" (PCA: Principal component Analysis)を行つ て得られた分離行列を用いて配列中に特徴パターンが存在するか否かまたは存否 の程度を判定するので、従来の-ユーラルネットワーク法や期待値最大化法を用い たコンピュータによるプロモータ解析の場合に比べ、プロモータ等の特徴パターンの 認識精度を向上させることが可能となる。また、試験管中の生物実験や X線解析によ るプロモータ解析の場合と比べても、時間的'経済的に優位な特徴パターンの解析 を実現することが可能となり、これらにより前記目的が達成される。
[0020] また、前述した特徴パターン認識システムにお!/、て、特徴パターンは、異なる領域 に位置する複数の部分パターンを含んで構成される多重化された特徴パターンであ り、特徴パターン内での各部分パターンの領域位置および特徴パターンの全体の長 さには、特徴パターンの種類の相違により複数種類の領域位置および複数種類の長 さが存在し、出現頻度テーブル記憶手段は、複数種類の既知の特徴パターンのバタ ーン全体の長さをギャップの挿入または部分パターン以外の領域の離散シンボルの 除去により一定長に揃えた後、パターン全体の長さを揃えた複数種類の既知の特徴 パターンを用いてこれらの特徴パターン内での各配列位置毎にギャップを含む離散 シンボルの各種別毎の出現頻度を求め、これらの出現頻度と特徴パターン内での各 配列位置およびギャップを含む離散シンボルの各種別とを対応させて形成されたパ ターン全体用出現頻度テーブルを記憶するパターン全体用出現頻度テーブル記憶 手段であり、分離行列記憶手段は、ノターン全体の長さを揃えた複数種類の既知の 特徴パターンおよびこれらと同じ長さに揃えた複数種類の非特徴パターン力も生成さ れたパターン全体用学習データ行列を用いて独立成分分析または主成分分析を行 うことにより得られたパターン全体用分離行列を記憶するパターン全体用分離行列 記憶手段であり、各領域の部分パターン毎に形成された部分パターン用出現頻度テ 一ブルを記憶する各領域の部分パターン毎の部分パターン用出現頻度テーブル記 憶手段と、各領域の部分パターン毎に得られた部分パターン用分離行列を記憶する 各領域の部分パターン毎の部分パターン用分離行列記憶手段と、各領域の部分パ ターン毎に学習段階で部分パターン用分離行列とともに得られた部分パターン用分 離済データ行列のうちの少なくとも真データ対応部分の要素を記憶する部分パター ン用分離済データ行列記憶手段とを備え、各領域の部分パターン毎の部分パターン 用出現頻度テーブル記憶手段には、既知の特徴パターンに含まれる各領域の部分 パターンのそれぞれにつ 、て、複数種類の既知の部分パターンを用いてこれらの部 分パターン内での各配列位置毎に離散シンボルの各種別毎の出現頻度を求め、こ れらの出現頻度と部分パターン内での各配列位置および離散シンボルの各種別とを 対応させて形成された各領域の部分パターン毎の部分パターン用出現頻度テープ ルが記憶され、各領域の部分パターン毎の部分パターン用分離行列記憶手段には 、既知の特徴パターンに含まれる各領域の部分パターンのそれぞれについて、複数 種類の既知の部分パターンおよびこれらの既知の部分パターンとは異なる複数種類 の非部分パターンを、部分パターン用出現頻度テーブルを用いて配列位置および 離散シンボルの種別に従ってそれぞれ数値ィ匕した後、これらを結合して部分パター ン用学習データ行列を生成し、この部分パターン用学習データ行列を用いて独立成 分分析または主成分分析を行うことにより、部分パターンの特徴を示す特徴要素を含 む部分パターン用基底行列の逆変換を行う行列として得られた部分パターン用分離 行列が記憶され、部分パターン用分離済データ行列記憶手段には、独立成分分析 または主成分分析を行うことにより部分パターン用分離行列を得る際に部分パターン 用分離行列と部分パターン用学習データ行列とを乗じた結果として得られた部分パ ターン用分離済データ行列のうちの少なくとも真データ対応部分の要素が記憶され、 検査データ生成処理手段は、判定処理の対象となる配列若しくはその一部の配列 断片またはこれらの配列若しくは配列断片力 切り出された検査配列の中で、各領 域の部分パターンのそれぞれにつ ヽて、前記部分パターンと同じ長さを有する互 ヽ に位置のずれた複数の部分パターン候補配列を定め、これらの複数の部分パターン 候補配列について部分パターン用出現頻度テーブル記憶手段に記憶された部分パ ターン用出現頻度テーブルを用いて配列位置および離散シンボルの種別に従って 数値化して複数の部分パターン候補データを生成する処理を行う部分パターン候補 データ生成処理手段と、部分パターン用分離行列記憶手段に記憶された部分バタ ーン用分離行列と部分パターン候補データ生成処理手段により生成された複数の部 分パターン候補データの各々または複数の部分パターン候補データを結合した部分 パターン候補データ行列とを乗じる行列演算を行うことにより、複数の部分パターン 候補データ用分離済データまたは複数の部分パターン候補データ用分離済データ が結合された部分パターン候補データ用分離済データ行列を生成する処理を行う部 分パターン候補データ用分離済データ生成処理手段と、この部分パターン候補デー タ用分離済データ生成処理手段により生成された複数の部分パターン候補データ用 分離済データのうち、部分パターン用分離済データ行列の真データ対応部分の各 列ベクトルに最も近い部分パターン候補データ用分離済データを求め、求めた部分 パターン候補データ用分離済データに対応する部分パターン候補配列を、特徴バタ ーンの候補となる特徴パターン候補配列に含まれる部分パターン相当配列として決 定する処理を行う部分パターン相当配列決定処理手段と、この部分パターン相当配 列決定処理手段により決定された各領域の部分パターン相当配列に基づき特徴パ ターン候補配列を決定する処理を行う特徴パターン候補配列決定処理手段と、部分 パターン相当配列決定処理手段により決定された各領域の部分パターン相当配列 をそれぞれ一塊の状態に保ったままで、特徴パターン候補配列決定処理手段により 決定された特徴パターン候補配列の長さをギャップの挿入または部分パターン以外 の領域の離散シンボルの除去により一定長に揃えるアラインメント処理を行うァライン メント処理手段と、このアラインメント処理手段により長さを揃えた特徴パターン候補 配列を、パターン全体用出現頻度テーブル記憶手段に記憶されたパターン全体用 出現頻度テーブルを用いて配列位置およびギャップを含む離散シンボルの種別に 従って数値化することにより、検査データを生成する処理を行う特徴パターン候補配 列数値化処理手段とを含んで構成されて ヽることが望ま Uヽ。
[0021] ここで、「部分パターン用分離済データ行列の真データ対応部分の各列ベクトル」と は、部分パターン用分離済データ行列を構成する真データ対応部分と偽データ対 応部分とのうちの真データ対応部分であり（後述する図 21参照）、真データ対応部分 は、部分パターン用分離行列とともに部分パターン用分離済データ行列を得る際 (後 述する図 10、図 15参照）に用いられる部分パターン用学習データ行列のうちの部分 パターン (つまり、真データ）を配置した部分に対応する部分であり、偽データ対応部 分は、部分パターン用学習データ行列のうちの非部分パターン (つまり、偽データ）を 配置した部分に対応する部分である。
[0022] また、「ギャップを含む離散シンボルの各種別毎の出現頻度」を求めるという意味は 、ギャップの挿入によりアラインメント処理を行った場合に、挿入したギャップも離散シ ンボルに含めて考えて出現頻度を求めるという意味であり（後述する図 19参照）、部 分パターン以外の領域の離散シンボルの除去によりアラインメント処理を行った場合 には、ギャップは挿入しないので、この場合には、ギャップの出現頻度を求める必要 はない。
[0023] このように多重化された特徴パターンに含まれる複数の部分パターンのそれぞれに っ ヽて部分パターン用出現頻度テーブルを作成し、独立成分分析 (ICA)または主 成分分析 (PCA)を行って得られた部分パターン用分離行列を用いた処理を行う構 成とした場合には、配列中力 各部分パターンを見つけることにより、それらの部分パ ターンを含む特徴パターンを見つけることが可能となるので、特徴パターン内での各 部分パターンの領域位置および特徴パターンの全体の長さに多様性があるような多 重化された特徴パターンであっても認識することが可能となる。また、配列中から各 部分パターンを見つける際には、独立成分分析 (ICA)または主成分分析 (PCA)を 行って得られた各部分パターン用分離行列を用いるので、高い精度で各部分パター ンの位置を特定することが可能となり、多重化された特徴パターンを、高い精度で認 識することが可能となる。
[0024] そして、上記のように、多重化された特徴パターンを認識することができる構成とし た場合にお!、て、ノターン全体用分離行列記憶手段に記憶されたパターン全体用 分離行列を得る際に用いられるパターン全体用学習データ行列を構成するために、 ノターン全体の長さを揃えた複数種類の非特徴パターンを生成する際には、これら の生成にランダムデータを用いることができるという観点からは、部分パターン用分離 行列および部分パターン用分離済データ行列を使って部分パターン相当配列を見 つける処理を行わなくてもよいが、検査段階の処理と同様な処理を経たデータを学 習データとするという観点からは、次のように、部分パターン用分離行列および部分 ノターン用分離済データ行列を使って部分パターン相当配列を見つける処理を行う ことが好ましい。すなわち、検査段階では、判定処理の対象配列が、特徴パターンな のか非特徴パターンなのか不明な状態であるため、全ての判定処理の対象配列に ついて、部分パターン用分離行列および部分パターン用分離済データ行列を使った 部分パターン相当配列の決定処理 (後述する図 36参照）を含む一様な処理が行わ れて検査データが生成されるので、これに合わせて、学習段階でも、次のように、部 分パターン用分離行列および部分パターン用分離済データ行列を使った部分バタ ーン相当配列の決定処理 (後述する図 20〜図 23参照）を行うことが好ましい。
[0025] より具体的には、上記のように、多重化された特徴パターンを認識することができる 構成とした場合において、パターン全体用分離行列記憶手段に記憶されたパターン 全体用分離行列を得る際に用いられるパターン全体用学習データ行列を構成する ためのパターン全体の長さを揃えた複数種類の非特徴パターンは、これらの非特徴 ノターンを生成するために用意された非特徴パターン生成用配列の中で、各領域の 部分パターンのそれぞれについて、部分パターンと同じ長さを有する互いに位置の ずれた複数の部分パターン候補配列を定め、これらの複数の部分パターン候補配列 につ 、て部分パターン用出現頻度テーブルを用いて配列位置および離散シンボル の種別に従って数値ィ匕して複数の部分パターン候補データを生成し、部分パターン 用分離行列と複数の部分パターン候補データの各々または複数の部分パターン候 補データを結合した部分パターン候補データ行列とを乗じる行列演算を行うことによ り、複数の部分パターン候補データ用分離済データまたは複数の部分パターン候補 データ用分離済データが結合された部分パターン候補データ用分離済データ行列 を生成し、生成された複数の部分パターン候補データ用分離済データのうち、部分 ノターン用分離済データ行列の真データ対応部分の各列ベクトルに最も近い部分 パターン候補データ用分離済データを求め、求めた部分パターン候補データ用分離 済データに対応する部分パターン候補配列を、非特徴パターンに含まれる部分バタ ーン相当配列として決定し、さらに決定された各領域の部分パターン相当配列に基 づき非特徴パターンを決定した後、決定された各領域の部分パターン相当配列をそ れぞれ一塊の状態に保ったままで、決定された非特徴パターンの長さをギャップの 挿入または部分パターン以外の領域の離散シンボルの除去により一定長に揃えるァ ラインメント処理を行って生成されたものであることが望ましい。
[0026] さらに、上記の場合において、複数種類の非特徴パターンは、複数の部分パター ン候補データ用分離済データのうち、部分パターン用分離済データ行列の真データ 対応部分の各列ベクトルに最も近い部分パターン候補データ用分離済データを求め る際に、部分パターン候補データ用分離済データと部分パターン用分離済データ行 列の真データ対応部分の各列ベクトルの総体との類似度が最大になる部分パターン 候補データ用分離済データを求める処理を行って生成されたものであることが望まし い。
[0027] また、上記のように、多重化された特徴パターンを認識することができる構成とした 場合において、検査データ生成処理手段の部分パターン相当配列決定処理手段は
、部分パターン候補データ用分離済データ生成処理手段により生成された複数の部 分パターン候補データ用分離済データのうち、部分パターン用分離済データ行列の 真データ対応部分の各列ベクトルに最も近い部分パターン候補データ用分離済デ ータを求める際に、部分パターン候補データ用分離済データと部分パターン用分離 済データ行列の真データ対応部分の各列ベクトルの総体との類似度が最大になる 部分パターン候補データ用分離済データを求める処理を行う構成とされていることが 望ましい。
[0028] ここで、上記の「類似度」としては、例えば、部分パターン候補データ用分離済デー タと部分パターン用分離済データ行列の真データ対応部分の各列ベクトルとの内積 の和等が挙げられる。
[0029] このように類似度、例えば内積の和を用いて複数の部分パターン候補配列力も部 分パターン相当配列を決定する処理を行う構成とした場合には、非特徴パターン生 成用配列の中で定められた複数の部分パターン候補配列 (後述する図 20、図 22参 照)から、あるいは検査配列の中で定められた複数の部分パターン候補配列 (後述 する図 36参照）から、部分パターン相当配列を決定する処理を行うにあたり、より確 力もしい部分パターン候補配列を部分パターン相当配列として決定することが可能と なるので、高い精度で部分パターンを見つけ、ひいては高い精度で特徴パターンを 見つけることが可能となる。
[0030] さらに、以上に述べた特徴パターン認識システムにおいて、判定処理手段は、基底 行列への特徴要素の現れ方に応じて、 1つ（1行)の特徴判定要素だけで判定処理 を行う構成としてもよく、ある ヽは複数 (複数行)の特徴判定要素を用いて判定処理を 行う構成としてもよぐ具体的には、例えば、次のような構成を採用することができる。
[0031] すなわち、以上に述べた特徴パターン認識システムにおいて、基底行列に 1列の 特徴要素が現れる場合には、判定処理手段は、分離処理手段により求めた分離済 データまたは分離済データ行列のうちの特徴判定要素の値が、予め定められた閾値 を境界としていずれの側の値である力または値の大きさの程度を判定することにより、 判定処理の対象となる配列若しくはその一部の配列断片またはこれらの配列若しく は配列断片力も切り出された検査配列の中に、複数種類の既知の特徴パターンのう ちのいずれかの特徴パターンまたは既知の特徴パターンに類似する新規な特徴パ ターンが含まれるか否力または存否の程度を判定する処理を行う構成とすることがで きる。
[0032] また、以上に述べた特徴パターン認識システムにおいて、基底行列に複数列の特 徴要素が現れ、分離処理手段により求めた分離済データまたは分離済データ行列を 構成する要素のうちの複数行の要素が特徴判定要素として採用される場合には、判 定処理手段は、分離処理手段により求めた分離済データまたは分離済データ行列 のうちの複数行の特徴判定要素の値を用いて、判定処理の対象となる配列若しくは その一部の配列断片またはこれらの配列若しくは配列断片力 切り出された検査配 列の中に、複数種類の既知の特徴パターンのうちの 、ずれかの特徴パターンまたは 既知の特徴パターンに類似する新規な特徴パターンが含まれるか否かまたは存否の 程度を判定する処理を行う構成とすることができる。
[0033] ここで、「複数行の特徴判定要素の値を用いて」とは、例えば、複数の特徴判定要 素の値の平均値を算出したり、和を算出する等、分離処理手段により求めた分離済 データまたは分離済データ行列のうちの特徴判定要素の値 (つまり、検査段階の処 理で得られた特徴判定要素の値)だけを用いて判定処理を行ってもよく、ある!、は分 離処理手段により求めた分離済データまたは分離済データ行列のうちの特徴判定要 素の値と、学習段階で分離行列とともに得られた分離済データ行列のうちの真デー タ対応部分の特徴判定要素の値とを用いて判定処理を行ってもょ 、趣旨である。後 者のように分離済データ行列のうちの真データ対応部分の特徴判定要素の値を用 いる場合には、より具体的には、次のような構成を採用することができる。
[0034] 例えば、前述した特徴パターン認識システムにお!/、て、判定処理手段は、分離処 理手段により求めた分離済データまたは分離済データ行列のうちの複数行の特徴判 定要素の値により構成される列ベクトルと、学習段階で分離行列とともに得られた分 離済データ行列のうちの真データ対応部分の特徴判定要素の値により構成される各 列ベクトルとの類似度を示す値を算出し、算出された類似度を示す値が予め定めら れた閾値を境界としていずれの側の値である力または値の大きさの程度を判定する ことにより、判定処理の対象となる配列若しくはその一部の配列断片またはこれらの 配列若しくは配列断片から切り出された検査配列の中に、複数種類の既知の特徴パ ターンのうちのいずれかの特徴パターンまたは既知の特徴パターンに類似する新規 な特徴パターンが含まれるか否かまたは存否の程度を判定する処理を行う構成とす ることがでさる。 [0035] また、上記のような類似度を示す値を算出する構成とする場合において、学習段階 で分離行列とともに得られた分離済データ行列のうちの真データ対応部分の特徴判 定要素の値により構成される各列ベクトルのうち、特定の列ベクトルに近いか否か、 つまり特定の特徴パターンに近いか否かの判定を行ってしまうことを避けるという観点 力もは、次のような構成とすることが望ましい。すなわち、判定処理手段は、類似度を 示す値として、分離処理手段により求めた分離済データまたは分離済データ行列の うちの複数行の特徴判定要素の値により構成される列ベクトルと、学習段階で分離行 列とともに得られた分離済データ行列のうちの真データ対応部分の特徴判定要素の 値により構成される各列ベクトルの総体との類似度を示す値を算出する処理を行う構 成とすることが望ましい。
[0036] そして、「各列ベクトルの総体との類似度を示す値を算出する処理」の具体的な例と しては、分離処理手段により求めた分離済データまたは分離済データ行列のうちの 複数行の特徴判定要素の値により構成される列ベクトルと、学習段階で分離行列とと もに得られた分離済データ行列のうちの真データ対応部分の特徴判定要素の値に より構成される各列ベクトルの重心ベクトルとの内積の値またはこれと等価な値を算 出する処理等が挙げられる。
[0037] ここで、「重心ベクトルとの内積の値」と「等価な値を算出する処理」とは、分離処理 手段により求めた分離済データまたは分離済データ行列のうちの複数行の特徴判定 要素の値により構成される列ベクトルと、学習段階で分離行列とともに得られた分離 済データ行列のうちの真データ対応部分の特徴判定要素の値により構成される各列 ベクトルとの内積の値をそれぞれ算出し、これらの内積の値の平均値を算出する処 理である。
[0038] なお、類似度を示す値の算出処理は、上記のような重心計算に限らず、例えば、よ り一般的に、マハラノビス距離を求めるような処理等でもよい。
[0039] そして、前述したように、多重化された特徴パターンを認識することができる構成とし た場合において、検査データ生成処理手段は、判定処理の対象となる配列若しくは その一部の配列断片から切り出された検査配列の中で、特徴パターン候補配列を 1 離散シンボルずつずらしながら決定し、決定された複数の特徴パターン候補配列の 長さをギャップの挿入または部分パターン以外の領域の離散シンボルの除去により 一定長に揃えるアラインメント処理を行い、長さを揃えた複数の特徴パターン候補配 列のそれぞれをパターン全体用出現頻度テーブル記憶手段に記憶されたパターン 全体用出現頻度テーブルを用いて配列位置およびギャップを含む離散シンボルの 種別に従って数値ィ匕することにより、任意の一つの検査配列について複数の検査デ ータを生成する処理を行う構成とされ、分離処理手段は、パターン全体用分離行列 と検査データ生成処理手段により生成された複数の検査データの各々またはこれら の複数の検査データを結合した検査データ行列とを乗じる行列演算を行うことにより 、任意の一つの検査配列について複数の分離済データまたはこれらの複数の分離 済データが結合された分離済データ行列を求める処理を各検査配列毎に行う構成と され、判定処理手段は、分離処理手段により求めた任意の一つの検査配列につい ての複数の分離済データの各々または分離済データ行列を構成する要素のうち、基 底行列に含まれる特徴要素の行列内位置に応じて定まる各特徴判定要素の値が、 予め定められた閾値を境界としていずれの側の値である力または値の大きさの程度 をそれぞれ判定し、このうち特徴パターンであることを示す側の値である力または前 記特徴パターン寄りの程度を示す値であると判定された特徴判定要素の値について 、閾値との差の絶対値が最も大きいかまたは前記特徴パターン寄りの程度が最も高 い特徴判定要素の値を求め、求めた特徴判定要素の値を与えた検査データに対応 する特徴パターン候補配列力 複数種類の既知の特徴パターンのうちのいずれかの 特徴パターンまたは既知の特徴パターンに類似する新規な特徴パターンであると認 識する処理を行う構成とされて 、ることが望まし 、。
また、前述したように、多重化された特徴パターンを認識することができる構成とし た場合において、検査データ生成処理手段は、判定処理の対象となる配列若しくは その一部の配列断片から切り出された検査配列の中で、特徴パターン候補配列を 1 離散シンボルずつずらしながら決定し、決定された複数の特徴パターン候補配列の 長さをギャップの挿入または部分パターン以外の領域の離散シンボルの除去により 一定長に揃えるアラインメント処理を行い、長さを揃えた複数の特徴パターン候補配 列のそれぞれをパターン全体用出現頻度テーブル記憶手段に記憶されたパターン 全体用出現頻度テーブルを用いて配列位置およびギャップを含む離散シンボルの 種別に従って数値ィ匕することにより、任意の一つの検査配列について複数の検査デ ータを生成する処理を行う構成とされ、分離処理手段は、パターン全体用分離行列 と検査データ生成処理手段により生成された複数の検査データの各々またはこれら の複数の検査データを結合した検査データ行列とを乗じる行列演算を行うことにより 、任意の一つの検査配列について複数の分離済データまたはこれらの複数の分離 済データが結合された分離済データ行列を求める処理を各検査配列毎に行う構成と され、判定処理手段は、分離処理手段により求めた任意の一つの検査配列につい ての複数の分離済データの各々または分離済データ行列を構成する要素のうち、基 底行列に含まれる複数列の特徴要素の行列内位置に応じて定まる複数行の特徴判 定要素の値により構成される各列ベクトルのそれぞれについて、学習段階でパター ン全体用分離行列とともに得られた分離済データ行列のうちの真データ対応部分の 特徴判定要素の値により構成される各列ベクトルとの類似度を示す値を算出し、算 出された各類似度を示す値が予め定められた閾値を境界としていずれの側の値であ る力または値の大きさの程度をそれぞれ判定し、このうち特徴パターンであることを示 す側の値であるカゝまたは特徴パターン寄りの程度を示す値であると判定された類似 度を示す値にっ 、て、閾値との差の絶対値が最も大き 、かまたは特徴パターン寄り の程度が最も高い類似度を示す値を求め、求めた類似度を示す値を与えた検査デ ータに対応する特徴パターン候補配列力 複数種類の既知の特徴パターンのうちの いずれかの特徴パターンまたは既知の特徴パターンに類似する新規な特徴パター ンであると認識する処理を行う構成としてもょ ヽ。
このように検査配列の中で特徴パターン候補配列を 1離散シンボルずつずらしなが ら決定し (後述する図 36参照）、これらの複数の特徴パターン候補配列の中から、特 徴パターンであると認識される配列を 1つ定める処理 (但し、 1つも特徴パターンであ ると認識されなくてもよぐここでは、 2以上の特徴パターン候補配列が特徴パターン であると認識されてしまうことがないという趣旨である。）を行う構成とした場合には、検 查配列を適切な長さに設定することを前提とし、より高い精度で特徴パターンの認識 を行うことが可能となる。 [0042] また、前述したように、多重化された特徴パターンを認識することができる構成とし た場合にお!、て、多重化された特徴パターンに含まれる各領域の部分パターンが、 配列中の特定点を含む特定点近傍領域配列と相関している場合に、各領域の部分 ノターンと特定点近傍領域配列との相関を判定するために用いられる情報として予 め学習して得られた相関学習結果を含む情報を記憶する相関学習結果記憶手段を 備え、検査データ生成処理手段の部分パターン候補データ生成処理手段は、各領 域の部分パターンのそれぞれにつ 、て、特定点との相対的な位置関係または特定 点との相対的な位置関係で定められた他の領域の部分パターン候補配列との相対 的な位置関係で、複数の部分パターン候補配列を定める処理を行う構成とされ、検 查データ生成処理手段の特徴パターン候補配列決定処理手段は、相関学習結果 記憶手段に記憶された相関学習結果を含む情報を用いて、検査データ生成処理手 段の部分パターン相当配列決定処理手段により決定された各領域の部分パターン 相当配列と特定点近傍領域配列との間に相関がある力否か、または相関の程度を 判定し、相関がないか、または低いと判定された場合には、それらの各領域の部分 パターン相当配列および特定点近傍領域配列中の特定点に基づく特徴パターン候 補配列の決定処理は行わな 、構成とされて 、ることが望ま 、。
[0043] ここで、「特定点」とは、配列中に存在する何らかの性質または意味を持つ箇所に 配置された離散シンボルであり、例えば、 DNA配列中の遺伝子情報の周辺に存在 する転写開始点等である。
[0044] このように各領域の部分パターン相当配列と特定点近傍領域配列との相関判定処 理を行う構成とした場合には、部分パターン相当配列と特定点近傍領域配列との間 に相関がないか、または低いときには、それらの部分パターン相当配列および特定 点近傍領域配列中の特定点に基づいて定まる配列は、特徴パターン候補配列から 除外することが可能となる。このため、特徴パターンの認識精度をより向上させること が可能となる。また、相関がないか、または低いと判定された場合には、それらの部 分パターン相当配列および特定点近傍領域配列中の特定点に基づ!/、て定まる配列 は、特徴パターン候補配列として採用されないので、その配列については検査デー タを生成する必要はなぐまた、分離処理手段による分離処理および判定処理手段 による判定処理を行う必要もないため、この点で、処理時間の短縮を図ることが可能 となる。
[0045] なお、「相関学習結果記憶手段」に記憶される「相関学習結果を含む情報」は、例 えば、ニューラルネットワークによる事前学習で得られた情報でもよいが、相関判定の 精度向上等の観点から、特に、以下のような独立成分分析 (ICA)または主成分分析 (PCA)による事前学習で得られた情報とすることが好ま 、。
[0046] すなわち、上記のように、各領域の部分パターン相当配列と特定点近傍領域配列 との相関判定処理を行う構成とした場合において、相関学習結果記憶手段は、既知 の特徴パターンに含まれる複数の領域のうちの少なくとも一つの領域の既知の部分 パターンおよび既知の特徴点近傍領域配列を結合して形成された複数種類の相関 結合配列を用いて、これらの相関結合配列内での各配列位置毎に離散シンボルの 各種別毎の出現頻度を求め、これらの出現頻度と相関結合配列内での各配列位置 および離散シンボルの各種別とを対応させて形成された相関判定用出現頻度テー ブルを記憶する相関判定用出現頻度テーブル記憶手段と、各領域の部分パターン と特定点近傍領域配列との相関を判定する相関判定処理に用いられる相関判定用 分離行列を記憶する相関判定用分離行列記憶手段とを含んで構成され、相関判定 用分離行列記憶手段には、複数の領域のうちの少なくとも一つの領域の既知の部分 ノターンおよび既知の特定点近傍領域配列を結合して生成された相関結合配列、 並びに複数の領域のうちの少なくとも一つの領域の既知の部分パターンおよび既知 の特定点近傍領域配列とは異なる非特定点近傍領域配列を結合して形成された非 相関結合配列を、相関判定用出現頻度テーブルを用いて配列位置および離散シン ボルの種別に従ってそれぞれ数値ィ匕した後、これらを結合して相関判定用学習デー タ行列を生成し、この相関判定用学習データ行列を用いて独立成分分析または主 成分分析を行うことにより、相関結合配列の特徴を示す特徴要素を含む相関判定用 基底行列の逆変換を行う行列として得られた相関判定用分離行列が記憶され、検査 データ生成処理手段の特徴パターン候補配列決定処理手段は、決定された各領域 の部分パターン相当配列と特定点近傍領域配列との間に相関がある力否か、または 相関の程度を判定する際には、複数の領域のうちの少なくとも一つの領域の部分パ ターン相当配列および特定点近傍領域配列を結合して相関判定配列を生成し、こ の相関判定配列を相関判定用出現頻度テーブル記憶手段に記憶された相関判定 用出現頻度テーブルを用いて配列位置および離散シンボルの種別に従って数値ィ匕 して相関判定データを生成した後、相関判定用分離行列記憶手段に記憶された相 関判定用分離行列と、相関判定データまたは複数の相関判定データを結合した相 関判定データ行列とを乗じる行列演算を行うことにより、相関判定用分離済データま たは複数の相関判定用分離済データが結合された相関判定用分離済データ行列を 求める相関判定用分離処理を行 、、この相関判定用分離処理で求めた相関判定用 分離済データまたは相関判定用分離済データ行列を構成する要素のうち、相関判 定用基底行列に含まれる特徴要素の行列内位置に応じて定まる相関判定要素の値 を用いて、相関があるか否カゝ、または相関の程度を判定する処理を行う構成とされて 、ることが望まし!/、。
[0047] ここで、「複数の領域のうちの少なくとも一つの領域の既知の部分パターン」とは、相 関判定用出現頻度テーブルを作成する際、あるいは学習段階（トレーニングステップ )で相関判定用分離行列を得る際には、全ての領域の既知の部分パターンと既知の 特徴点近傍領域配列とを結合して相関結合配列を生成してもよぐあるいは一部の 領域の既知の部分パターンと既知の特徴点近傍領域配列とを結合して相関結合配 列を生成してもよい趣旨である。同様に、「複数の領域のうちの少なくとも一つの領域 の部分パターン相当配列」とは、検査段階 (テストステップ)で、全ての領域の部分パ ターン相当配列と特徴点近傍領域配列とを結合して相関判定配列を生成してもよく 、あるいは一部の領域の部分パターン相当配列と特徴点近傍領域配列とを結合して 相関判定配列を生成してもよい趣旨である。但し、相関判定の精度向上の観点から は、全ての領域の既知の部分パターンや、全ての領域の部分パターン相当配列を用 いて、相関結合配列や相関判定配列を生成することが好まし 、。
[0048] また、「相関判定用学習データ行列」は、複数の領域のうちの少なくとも一つの領域 の既知の部分パターンおよび既知の特定点近傍領域配列を結合して生成された相 関結合配列、並びに複数の領域のうちの少なくとも一つの領域の既知の部分パター ンおよび既知の特定点近傍領域配列とは異なる非特定点近傍領域配列を結合して 形成された非相関結合配列を、相関判定用出現頻度テーブルを用 、て配列位置お よび離散シンボルの種別に従ってそれぞれ数値ィ匕した後、これらを結合して生成さ れるものとされているが（後述する図 30参照）、少なくとも相関結合配列および非相 関結合配列を数値ィ匕したものが相関判定用学習データ行列に含まれて 、ればよ!/ヽ 趣旨であり、例えば、相関結合配列および非相関結合配列を数値ィ匕したものに加え 、さらにランダム配列 (既知の部分パターンを含まない配列）を数値ィ匕したものを結合 して相関判定用学習データ行列としてもょ 、。
[0049] このように独立成分分析 (ICA)または主成分分析 (PCA)による事前学習で得られ た相関判定用分離行列を用 ヽた相関判定処理を行う構成とした場合には、相関判 定の精度向上が図られる。
[0050] また、上記のように、独立成分分析 (ICA)または主成分分析 (PCA)による事前学 習で得られた相関判定用分離行列を用いた相関判定処理を行う構成とした場合に おいて、検査データ生成処理手段の特徴パターン候補配列決定処理手段は、相関 判定要素の値が予め定められた相関判定用閾値を境界として 、ずれの側の値であ る力または値の大きさの程度を判定することにより、相関がある力否力 または相関の 程度を判定する処理を行う構成とすることができる。なお、複数行の相関判定要素の 値を用いて、相関判定処理を行う構成としてもよい。
[0051] そして、以上に述べた特徴パターン認識システムは、配列が、 DNA配列であり、離 散シンボル力 DNA配列を構成する塩基を示す A、 T、 G、 Cの記号またはこれらの 代替記号であり、特徴パターン力 DNA配列中のプロモータである場合に、好適に 用!/、ることができる。
[0052] また、以上に述べた特徴パターン認識システムのうち、多重化された特徴パターン を認識することができる構成としたシステムは、配列が、 DNA配列であり、離散シンポ ルが、 DNA配列を構成する塩基を示す A、 T、 G、 Cの記号またはこれらの代替記号 であり、特徴パターン力 DNA配列中のプロモータであり、部分パターンが、プロモ ータに含まれる一 35ボックスおよび一 10ボックスである場合に、好適に用いることが できる。
[0053] さら〖こ、以上に述べた特徴パターン認識システムのうち、各領域の部分パターン相 当配列と特定点近傍領域配列との相関判定処理を行う構成としたシステムは、配列 力 DNA配列であり、離散シンボル力 DNA配列を構成する塩基を示す A、 T、 G、 Cの記号またはこれらの代替記号であり、特徴パターン力 DNA配列中のプロモー タであり、部分パターンが、プロモータに含まれる 35ボックスおよび 10ボックスで あり、特定点が、 DNA配列の転写開始点であり、特徴点近傍領域配列が、転写開始 点近傍領域配列である場合に、好適に用いることができる。
[0054] そして、以上に述べた特徴パターン認識システムは、配列が、タンパク質を構成す るアミノ酸配列であり、離散シンボルが、アミノ酸配列を構成するアミノ酸を示す記号 であり、特徴パターン力 アミノ酸配列中のモチーフである場合にも、好適に用いるこ とがでさる。
[0055] また、特徴パターンに複数種類の長さが存在する場合において、多重化されてい な 、特徴パターンを認識するか、あるいは多重化されて 、る特徴パターンであるが、 多重化されていない場合と同様な処理でその特徴パターンを認識するときには、以 下のような構成のシステムとすることができる。
[0056] すなわち、前述した特徴パターン認識システムにおいて、特徴パターンの長さには 、特徴パターンの種類の相違により複数種類の長さが存在し、出現頻度テーブル記 憶手段には、複数種類の既知の特徴パターンの長さをギャップの挿入により一定長 に揃えた後、長さを揃えた複数種類の既知の特徴パターンを用いてこれらの特徴パ ターン内での各配列位置毎にギャップを含む離散シンボルの各種別毎の出現頻度 を求め、これらの出現頻度と特徴パターン内での各配列位置およびギャップを含む 離散シンボルの各種別とを対応させて形成された出現頻度テーブルが記憶され、分 離行列記憶手段には、長さを揃えた複数種類の既知の特徴パターンおよびこれらと 同じ長さに揃えた複数種類の非特徴パターン力も生成された学習データ行列を用い て独立成分分析または主成分分析を行うことにより得られた分離行列が記憶され、検 查データ生成処理手段は、判定処理の対象となる配列若しくはその一部の配列断 片またはこれらの配列若しくは配列断片力 切り出された検査配列の中で、特徴バタ ーンの候補となる候補配列を決定した後、決定された候補配列の長さをギャップの挿 入により一定長に揃えるアラインメント処理を行い、長さを揃えた候補配列を出現頻 度テーブル記憶手段に記憶された出現頻度テーブルを用 、て配列位置およびギヤ ップを含む離散シンボルの種別に従って数値化することにより、検査データを生成す る処理を行う構成とすることができる。
[0057] ここで、「候補配列の長さをギャップの挿入により一定長に揃えるアラインメント処理 」は、既存の標準的なツールであるブラスト（BLAST)を用い、クラスタルダブリュー ( ClustalW)という既存のアルゴリズムで行ってもよぐあるいは本発明のために新たに 作成したルールに従って行ってもよい。なお、既知の特徴パターンの長さをギャップ の挿入により一定長に揃える場合も同様である。
[0058] このようにアラインメント処理を行う構成とした場合には、特徴パターン (多重化され ていない特徴パターン、あるいは多重化されている力 多重化されていない場合と同 様な処理で取り扱われる特徴パターン）に複数種類の長さが存在しても、それらの特 徴パターンを高 、精度で認識することが可能となる。
[0059] さらに、上記の特徴パターン認識システムにおいて、検査データ生成処理手段は、 判定処理の対象となる配列若しくはその一部の配列断片から切り出された検査配列 の中で、候補配列を 1離散シンボルずつずらし、かつ各箇所で長さを変えながら決定 し、決定された複数の候補配列の長さをギャップの挿入により一定長に揃えるァライ ンメント処理を行！ヽ、長さを揃えた複数の候補配列のそれぞれを出現頻度テーブル 記憶手段に記憶された出現頻度テーブルを用いて配列位置およびギャップを含む 離散シンボルの種別に従って数値ィ匕することにより、任意の一つの検査配列につい て複数の検査データを生成する処理を行う構成とされ、分離処理手段は、分離行列 と検査データ生成処理手段により生成された複数の検査データまたはこれらの複数 の検査データを結合した検査データ行列とを乗じる行列演算を行うことにより、任意 の一つの検査配列について複数の分離済データまたはこれらの複数の分離済デー タが結合された分離済データ行列を求める処理を各検査配列毎に行う構成とされ、 判定処理手段は、分離処理手段により求めた任意の一つの検査配列についての複 数の分離済データの各々または分離済データ行列を構成する要素のうち、基底行列 に含まれる特徴要素の行列内位置に応じて定まる特徴判定要素の値力 予め定め られた閾値を境界としていずれの側の値である力または値の大きさの程度を判定し、 このうち特徴パターンであることを示す側の値である力または前記特徴パターン寄り の程度を示す値であると判定された特徴判定要素の値について、閾値との差の絶対 値が最も大きいかまたは前記特徴パターン寄りの程度が最も高い特徴判定要素の値 を求め、求めた特徴判定要素の値を与えた検査データに対応する候補配列が、複 数種類の既知の特徴パターンのうちのいずれかの特徴パターンまたは既知の特徴 パターンに類似する新規な特徴パターンであると認識する処理を行う構成とされてい ることが望ましい。
また、上記の特徴パターン認識システムにおいて、検査データ生成処理手段は、 判定処理の対象となる配列若しくはその一部の配列断片から切り出された検査配列 の中で、候補配列を 1離散シンボルずつずらし、かつ各箇所で長さを変えながら決定 し、決定された複数の候補配列の長さをギャップの挿入により一定長に揃えるァライ ンメント処理を行！ヽ、長さを揃えた複数の候補配列のそれぞれを出現頻度テーブル 記憶手段に記憶された出現頻度テーブルを用いて配列位置およびギャップを含む 離散シンボルの種別に従って数値ィ匕することにより、任意の一つの検査配列につい て複数の検査データを生成する処理を行う構成とされ、分離処理手段は、分離行列 と検査データ生成処理手段により生成された複数の検査データまたはこれらの複数 の検査データを結合した検査データ行列とを乗じる行列演算を行うことにより、任意 の一つの検査配列について複数の分離済データまたはこれらの複数の分離済デー タが結合された分離済データ行列を求める処理を各検査配列毎に行う構成とされ、 判定処理手段は、分離処理手段により求めた任意の一つの検査配列についての複 数の分離済データの各々または分離済データ行列を構成する要素のうち、基底行列 に含まれる複数列の特徴要素の行列内位置に応じて定まる複数行の特徴判定要素 の値により構成される各列ベクトルのそれぞれについて、学習段階で分離行列ととも に得られた分離済データ行列のうちの真データ対応部分の特徴判定要素の値により 構成される各列べ外ルとの類似度を示す値を算出し、算出された各類似度を示す 値が予め定められた閾値を境界としていずれの側の値である力または値の大きさの 程度をそれぞれ判定し、このうち特徴パターンであることを示す側の値である力また は特徴パターン寄りの程度を示す値であると判定された類似度を示す値について、 閾値との差の絶対値が最も大きいかまたは特徴パターン寄りの程度が最も高い類似 度を示す値を求め、求めた類似度を示す値を与えた検査データに対応する候補配 列力 複数種類の既知の特徴パターンのうちのいずれかの特徴パターンまたは既知 の特徴パターンに類似する新規な特徴パターンであると認識する処理を行う構成とし てもよい。
[0061] このように検査配列の中で候補配列を 1離散シンボルずつずらし、かつ各箇所で長 さを変えながら決定し、これらの複数の候補配列の中から、特徴パターンであると認 識される配列を 1つ定める処理 (但し、 1つも特徴パターンであると認識されなくてもよ ぐここでは、 2以上の候補配列が特徴パターンであると認識されてしまうことがないと いう趣旨である。）を行う構成とした場合には、検査配列を適切な長さに設定すること を前提とし、より高い精度で特徴パターンの認識を行うことが可能となる。
[0062] また、以上に述べた本発明の特徴パターン認識システムにより実現される方法とし て、以下のような本発明の特徴パターン認識方法が挙げられる。
[0063] すなわち、本発明は、有限個の離散シンボルにより構成された配列若しくはその一 部の配列断片またはこれらの配列若しくは配列断片から切り出された検査配列の中 に、既に発見されて ヽる互いに類似する複数種類の既知の特徴パターンのうちの!/ヽ ずれ力の特徴パターンまたは前記既知の特徴パターンに類似する新規な特徴バタ ーンが含まれるカゝ否かを判定するための特徴パターン認識方法であって、複数種類 の既知の特徴パターンを用意するとともに、これらの既知の特徴パターンとは異なる 複数種類の非特徴パターンを生成または用意し、複数種類の既知の特徴パターンを 用いてこれらの特徴パターン内での各配列位置毎に離散シンボルの各種別毎の出 現頻度を求め、これらの出現頻度と特徴パターン内での各配列位置および離散シン ボルの各種別とを対応させて出現頻度テーブルを作成し、この出現頻度テーブルを 出現頻度テーブル記憶手段に記憶させておくとともに、複数種類の既知の特徴バタ ーンおよび複数種類の非特徴パターンを、出現頻度テーブルを用いて配列位置お よび離散シンボルの種別に従ってそれぞれ数値ィ匕した後、これらを結合して学習デ 一タ行列を生成し、この学習データ行列を用いて独立成分分析または主成分分析を 行うことにより、特徴パターンの特徴を示す特徴要素を含む基底行列の逆変換を行う 行列として得られた分離行列を分離行列記憶手段に記憶させておき、検査データ生 成処理手段が、判定処理の対象となる配列若しくはその一部の配列断片またはこれ らの配列若しくは配列断片力 切り出された検査配列を、出現頻度テーブル記憶手 段に記憶された出現頻度テーブルを用いて配列位置および離散シンボルの種別に 従って数値化することにより、検査データを生成する処理を行い、分離処理手段が、 分離行列記憶手段に記憶された分離行列と、検査データ生成処理手段により生成さ れた検査データまたは複数の検査データを結合した検査データ行列とを乗じる行列 演算を行うことにより、分離済データまたは複数の分離済データが結合された分離済 データ行列を求める処理を行い、判定処理手段が、分離処理手段により求めた分離 済データまたは分離済データ行列を構成する要素のうち、基底行列に含まれる特徴 要素の行列内位置に応じて定まる特徴判定要素の値を用いて、判定処理の対象と なる配列若しくはその一部の配列断片またはこれらの配列若しくは配列断片力 切り 出された検査配列の中に、複数種類の既知の特徴パターンのうちのいずれかの特 徴パターンまたは既知の特徴パターンに類似する新規な特徴パターンが含まれるか 否力または存否の程度を判定する処理を行うことを特徴とするものである。
[0064] このような本発明の特徴パターン認識方法においては、前述した本発明の特徴パ ターン認識システムで得られる作用 '効果がそのまま得られ、これにより前記目的が 達成される。
[0065] また、前述した特徴パターン認識方法にお!、て、特徴パターンは、異なる領域に位 置する複数の部分パターンを含んで構成される多重化された特徴パターンであり、 特徴パターン内での各部分パターンの領域位置および特徴パターンの全体の長さ には、特徴パターンの種類の相違により複数種類の領域位置および複数種類の長さ が存在し、出現頻度テーブル記憶手段は、複数種類の既知の特徴パターンのバタ ーン全体の長さをギャップの挿入または部分パターン以外の領域の離散シンボルの 除去により一定長に揃えた後、パターン全体の長さを揃えた複数種類の既知の特徴 パターンを用いてこれらの特徴パターン内での各配列位置毎にギャップを含む離散 シンボルの各種別毎の出現頻度を求め、これらの出現頻度と特徴パターン内での各 配列位置およびギャップを含む離散シンボルの各種別とを対応させて形成されたパ ターン全体用出現頻度テーブルを記憶するパターン全体用出現頻度テーブル記憶 手段であり、分離行列記憶手段は、ノターン全体の長さを揃えた複数種類の既知の 特徴パターンおよびこれらと同じ長さに揃えた複数種類の非特徴パターン力も生成さ れたパターン全体用学習データ行列を用いて独立成分分析または主成分分析を行 うことにより得られたパターン全体用分離行列を記憶するパターン全体用分離行列 記憶手段であり、各領域の部分パターン毎に形成された部分パターン用出現頻度テ 一ブルを各領域の部分パターン毎の部分パターン用出現頻度テーブル記憶手段に 記憶させておくとともに、各領域の部分パターン毎に得られた部分パターン用分離行 列を各領域の部分パターン毎の部分パターン用分離行列記憶手段に記憶させ、さら に、各領域の部分パターン毎に学習段階で部分パターン用分離行列とともに得られ た部分パターン用分離済データ行列のうちの少なくとも真データ対応部分の要素を 部分パターン用分離済データ行列記憶手段に記憶させておき、各領域の部分バタ ーン毎の部分パターン用出現頻度テーブル記憶手段には、既知の特徴パターンに 含まれる各領域の部分パターンのそれぞれにつ 、て、複数種類の既知の部分パタ ーンを用いてこれらの部分パターン内での各配列位置毎に離散シンボルの各種別 毎の出現頻度を求め、これらの出現頻度と部分パターン内での各配列位置および離 散シンボルの各種別とを対応させて形成された各領域の部分パターン毎の部分バタ ーン用出現頻度テーブルを記憶させておき、各領域の部分パターン毎の部分パター ン用分離行列記憶手段には、既知の特徴パターンに含まれる各領域の部分パター ンのそれぞれにつ 、て、複数種類の既知の部分パターンおよびこれらの既知の部分 パターンとは異なる複数種類の非部分パターンを、部分パターン用出現頻度テープ ルを用いて配列位置および離散シンボルの種別に従ってそれぞれ数値ィ匕した後、こ れらを結合して部分パターン用学習データ行列を生成し、この部分パターン用学習 データ行列を用いて独立成分分析または主成分分析を行うことにより、部分パターン の特徴を示す特徴要素を含む部分パターン用基底行列の逆変換を行う行列として 得られた部分パターン用分離行列を記憶させておき、部分パターン用分離済データ 行列記憶手段には、独立成分分析または主成分分析を行うことにより部分パターン 用分離行列を得る際に部分パターン用分離行列と部分パターン用学習データ行列 とを乗じた結果として得られた部分パターン用分離済データ行列のうちの少なくとも 真データ対応部分の要素を記憶させておき、検査データ生成処理手段により検査デ ータを生成する際には、部分パターン候補データ生成処理手段が、判定処理の対 象となる配列若しくはその一部の配列断片またはこれらの配列若しくは配列断片力 切り出された検査配列の中で、各領域の部分パターンのそれぞれについて、部分パ ターンと同じ長さを有する互いに位置のずれた複数の部分パターン候補配列を定め 、これらの複数の部分パターン候補配列にっ 、て部分パターン用出現頻度テーブル 記憶手段に記憶された部分パターン用出現頻度テーブルを用いて配列位置および 離散シンボルの種別に従って数値ィ匕して複数の部分パターン候補データを生成す る処理を行い、部分パターン候補データ用分離済データ生成処理手段が、部分バタ ーン用分離行列記憶手段に記憶された部分パターン用分離行列と部分パターン候 補データ生成処理手段により生成された複数の部分パターン候補データの各々また は複数の部分パターン候補データを結合した部分パターン候補データ行列とを乗じ る行列演算を行うことにより、複数の部分パターン候補データ用分離済データまたは 複数の部分パターン候補データ用分離済データが結合された部分パターン候補デ ータ用分離済データ行列を生成する処理を行い、部分パターン相当配列決定処理 手段が、部分パターン候補データ用分離済データ生成処理手段により生成された複 数の部分パターン候補データ用分離済データのうち、部分パターン用分離済データ 行列の真データ対応部分の各列ベクトルに最も近い部分パターン候補データ用分 離済データを求め、求めた部分パターン候補データ用分離済データに対応する部 分パターン候補配列を、特徴パターンの候補となる特徴パターン候補配列に含まれ る部分パターン相当配列として決定する処理を行い、特徴パターン候補配列決定処 理手段が、部分パターン相当配列決定処理手段により決定された各領域の部分パ ターン相当配列に基づき特徴パターン候補配列を決定する処理を行 ヽ、ァラインメ ント処理手段が、部分パターン相当配列決定処理手段により決定された各領域の部 分パターン相当配列をそれぞれ一塊の状態に保ったままで、特徴パターン候補配列 決定処理手段により決定された特徴パターン候補配列の長さをギャップの挿入また は部分パターン以外の領域の離散シンボルの除去により一定長に揃えるァラインメン ト処理を行い、特徴パターン候補配列数値化処理手段が、アラインメント処理手段に より長さを揃えた特徴パターン候補配列を、パターン全体用出現頻度テーブル記憶 手段に記憶されたパターン全体用出現頻度テーブルを用いて配列位置およびギヤ ップを含む離散シンボルの種別に従って数値化することにより、検査データを生成す る処理を行うことが望まし 、。
[0066] さらに、上記のように、多重化された特徴パターンを認識することができるようにした 場合において、パターン全体用分離行列記憶手段に記憶させるパターン全体用分 離行列を得る際に用いられるパターン全体用学習データ行列を構成するためのバタ ーン全体の長さを揃えた複数種類の非特徴パターンを生成する際には、これらの非 特徴パターンを生成するために用意された非特徴パターン生成用配列の中で、各領 域の部分パターンのそれぞれについて、部分パターンと同じ長さを有する互いに位 置のずれた複数の部分パターン候補配列を定め、これらの複数の部分パターン候補 配列にっ 、て部分パターン用出現頻度テーブルを用いて配列位置および離散シン ボルの種別に従って数値ィ匕して複数の部分パターン候補データを生成し、部分バタ ーン用分離行列と複数の部分パターン候補データの各々または複数の部分パター ン候補データを結合した部分パターン候補データ行列とを乗じる行列演算を行うこと により、複数の部分パターン候補データ用分離済データまたは複数の部分パターン 候補データ用分離済データが結合された部分パターン候補データ用分離済データ 行列を生成し、生成された複数の部分パターン候補データ用分離済データのうち、 部分パターン用分離済データ行列の真データ対応部分の各列ベクトルに最も近い 部分パターン候補データ用分離済データを求め、求めた部分パターン候補データ用 分離済データに対応する部分パターン候補配列を、非特徴パターンに含まれる部分 パターン相当配列として決定し、さらに決定された各領域の部分パターン相当配列 に基づき非特徴パターンを決定した後、決定された各領域の部分パターン相当配列 をそれぞれ一塊の状態に保ったままで、決定された非特徴パターンの長さをギャップ の挿入または部分パターン以外の領域の離散シンボルの除去により一定長に揃える アラインメント処理を行うことが望まし 、。
[0067] さらに、上記の場合において、複数種類の非特徴パターンの生成時に、複数の部 分パターン候補データ用分離済データのうち、部分パターン用分離済データ行列の 真データ対応部分の各列ベクトルに最も近い部分パターン候補データ用分離済デ ータを求める際には、部分パターン候補データ用分離済データと部分パターン用分 離済データ行列の真データ対応部分の各列ベクトルの総体との類似度が最大にな る部分パターン候補データ用分離済データを求めることが望ましい。この際、「類似 度」としては、例えば、部分パターン候補データ用分離済データと部分パターン用分 離済データ行列の真データ対応部分の各列ベクトルとの内積の和等が挙げられる。
[0068] また、前述したように、多重化された特徴パターンを認識することができるようにした 場合において、検査データ生成処理手段の部分パターン相当配列決定処理手段は
、部分パターン候補データ用分離済データ生成処理手段により生成された複数の部 分パターン候補データ用分離済データのうち、部分パターン用分離済データ行列の 真データ対応部分の各列ベクトルに最も近い部分パターン候補データ用分離済デ ータを求める際に、部分パターン候補データ用分離済データと部分パターン用分離 済データ行列の真データ対応部分の各列ベクトルの総体との類似度が最大になる 部分パターン候補データ用分離済データを求める処理を行うことが望ましい。この際 、「類似度」としては、例えば、部分パターン候補データ用分離済データと部分パター ン用分離済データ行列の真データ対応部分の各列ベクトルとの内積の和等が挙げら れる。
[0069] そして、以上に述べた特徴パターン認識方法において、判定処理手段は、分離処 理手段により求めた分離済データまたは分離済データ行列のうちの特徴判定要素の 値力 予め定められた閾値を境界としていずれの側の値である力または値の大きさの 程度を判定することにより、判定処理の対象となる配列若しくはその一部の配列断片 またはこれらの配列若しくは配列断片力 切り出された検査配列の中に、複数種類 の既知の特徴パターンのうちのいずれかの特徴パターンまたは既知の特徴パターン に類似する新規な特徴パターンが含まれるか否かまたは存否の程度を判定する処 理を行うようにすることができる。
[0070] また、以上に述べた特徴パターン認識方法において、基底行列に複数列の特徴要 素が現れるときには、分離処理手段により求めた分離済データまたは分離済データ 行列を構成する要素のうちの複数行の要素を特徴判定要素として採用し、判定処理 手段は、分離処理手段により求めた分離済データまたは分離済データ行列のうちの 複数行の特徴判定要素の値を用いて、判定処理の対象となる配列若しくはその一部 の配列断片またはこれらの配列若しくは配列断片から切り出された検査配列の中に 、複数種類の既知の特徴パターンのうちの 、ずれかの特徴パターンまたは既知の特 徴パターンに類似する新規な特徴パターンが含まれる力否力または存否の程度を判 定する処理を行うようにすることができる。
[0071] さらに、上記のように複数行の特徴判定要素の値を用いて判定処理を行う場合に おいて、判定処理手段は、分離処理手段により求めた分離済データまたは分離済デ 一タ行列のうちの複数行の特徴判定要素の値により構成される列ベクトルと、学習段 階で分離行列とともに得られた分離済データ行列のうちの真データ対応部分の特徴 判定要素の値により構成される各列ベクトルとの類似度を示す値を算出し、算出され た類似度を示す値が予め定められた閾値を境界としていずれの側の値である力また は値の大きさの程度を判定することにより、判定処理の対象となる配列若しくはその 一部の配列断片またはこれらの配列若しくは配列断片から切り出された検査配列の 中に、複数種類の既知の特徴パターンのうちの 、ずれかの特徴パターンまたは既知 の特徴パターンに類似する新規な特徴パターンが含まれる力否力または存否の程度 を判定する処理を行うよう〖こすることができる。
[0072] また、上記のように類似度を示す値を算出する場合において、判定処理手段は、類 似度を示す値として、分離処理手段により求めた分離済データまたは分離済データ 行列のうちの複数行の特徴判定要素の値により構成される列ベクトルと、学習段階で 分離行列とともに得られた分離済データ行列のうちの真データ対応部分の特徴判定 要素の値により構成される各列ベクトルの総体との類似度を示す値を算出する処理 を行うようにすることが望ましい。より具体的には、判定処理手段は、類似度を示す値 として、例えば、分離処理手段により求めた分離済データまたは分離済データ行列 のうちの複数行の特徴判定要素の値により構成される列ベクトルと、学習段階で分離 行列とともに得られた分離済データ行列のうちの真データ対応部分の特徴判定要素 の値により構成される各列ベクトルの重心ベクトルとの内積の値またはこれと等価な 値を算出することができる。
[0073] そして、前述したように、多重化された特徴パターンを認識することができるようにし た場合において、検査データ生成処理手段は、判定処理の対象となる配列若しくは その一部の配列断片から切り出された検査配列の中で、特徴パターン候補配列を 1 離散シンボルずつずらしながら決定し、決定された複数の特徴パターン候補配列の 長さをギャップの挿入または部分パターン以外の領域の離散シンボルの除去により 一定長に揃えるアラインメント処理を行い、長さを揃えた複数の特徴パターン候補配 列のそれぞれをパターン全体用出現頻度テーブル記憶手段に記憶されたパターン 全体用出現頻度テーブルを用いて配列位置およびギャップを含む離散シンボルの 種別に従って数値ィ匕することにより、任意の一つの検査配列について複数の検査デ ータを生成する処理を行い、分離処理手段は、パターン全体用分離行列と検査デー タ生成処理手段により生成された複数の検査データの各々またはこれらの複数の検 查データを結合した検査データ行列とを乗じる行列演算を行うことにより、任意の一 つの検査配列につ 、て複数の分離済データまたはこれらの複数の分離済データが 結合された分離済データ行列を求める処理を各検査配列毎に行!、、判定処理手段 は、分離処理手段により求めた任意の一つの検査配列についての複数の分離済デ ータの各々または分離済データ行列を構成する要素のうち、基底行列に含まれる特 徴要素の行列内位置に応じて定まる各特徴判定要素の値力 予め定められた閾値 を境界として 、ずれの側の値である力または値の大きさの程度をそれぞれ判定し、こ のうち特徴パターンであることを示す側の値である力または前記特徴パターン寄りの 程度を示す値であると判定された特徴判定要素の値にっ 、て、閾値との差の絶対値 が最も大きいかまたは前記特徴パターン寄りの程度が最も高い特徴判定要素の値を 求め、求めた特徴判定要素の値を与えた検査データに対応する特徴パターン候補 配列力 複数種類の既知の特徴パターンのうちのいずれかの特徴パターンまたは既 知の特徴パターンに類似する新規な特徴パターンであると認識する処理を行うことが 望ましい。
[0074] また、前述したように、多重化された特徴パターンを認識することができるようにした 場合において、検査データ生成処理手段は、判定処理の対象となる配列若しくはそ の一部の配列断片から切り出された検査配列の中で、特徴パターン候補配列を 1離 散シンボルずつずらしながら決定し、決定された複数の特徴パターン候補配列の長 さをギャップの挿入または部分パターン以外の領域の離散シンボルの除去により一 定長に揃えるアラインメント処理を行い、長さを揃えた複数の特徴パターン候補配列 のそれぞれをパターン全体用出現頻度テーブル記憶手段に記憶されたパターン全 体用出現頻度テーブルを用いて配列位置およびギャップを含む離散シンボルの種 別に従って数値ィ匕することにより、任意の一つの検査配列について複数の検査デー タを生成する処理を行い、分離処理手段は、パターン全体用分離行列と検査データ 生成処理手段により生成された複数の検査データの各々またはこれらの複数の検査 データを結合した検査データ行列とを乗じる行列演算を行うことにより、任意の一つ の検査配列につ 、て複数の分離済データまたはこれらの複数の分離済データが結 合された分離済データ行列を求める処理を各検査配列毎に行!、、判定処理手段は 、分離処理手段により求めた任意の一つの検査配列についての複数の分離済デー タの各々または分離済データ行列を構成する要素のうち、基底行列に含まれる複数 列の特徴要素の行列内位置に応じて定まる複数行の特徴判定要素の値により構成 される各列ベクトルのそれぞれにつ 、て、学習段階でパターン全体用分離行列ととも に得られた分離済データ行列のうちの真データ対応部分の特徴判定要素の値により 構成される各列べ外ルとの類似度を示す値を算出し、算出された各類似度を示す 値が予め定められた閾値を境界としていずれの側の値である力または値の大きさの 程度をそれぞれ判定し、このうち特徴パターンであることを示す側の値である力また は特徴パターン寄りの程度を示す値であると判定された類似度を示す値について、 閾値との差の絶対値が最も大きいかまたは特徴パターン寄りの程度が最も高い類似 度を示す値を求め、求めた類似度を示す値を与えた検査データに対応する特徴パ ターン候補配列が、複数種類の既知の特徴パターンのうちのいずれかの特徴パター ンまたは既知の特徴パターンに類似する新規な特徴パターンであると認識する処理 を行うようにしてもよい。
また、前述したように、多重化された特徴パターンを認識することができるようにした 場合において、多重化された特徴パターンに含まれる各領域の部分パターンが、配 列中の特定点を含む特定点近傍領域配列と相関している場合に、各領域の部分パ ターンと特定点近傍領域配列との相関を判定するために用いられる情報として予め 学習して得られた相関学習結果を含む情報を相関学習結果記憶手段に記憶させて おき、検査データ生成処理手段の部分パターン候補データ生成処理手段は、各領 域の部分パターンのそれぞれにつ 、て、特定点との相対的な位置関係または特定 点との相対的な位置関係で定められた他の領域の部分パターン候補配列との相対 的な位置関係で、複数の部分パターン候補配列を定める処理を行い、検査データ生 成処理手段の特徴パターン候補配列決定処理手段は、相関学習結果記憶手段に 記憶された相関学習結果を含む情報を用いて、検査データ生成処理手段の部分パ ターン相当配列決定処理手段により決定された各領域の部分パターン相当配列と特 定点近傍領域配列との間に相関がある力否か、または相関の程度を判定し、相関が ないか、または低いと判定された場合には、それらの各領域の部分パターン相当配 列および特定点近傍領域配列中の特定点に基づく特徴パターン候補配列の決定処 理は行わな 、ことが望まし 、。
さらに、上記のように、各領域の部分パターン相当配列と特定点近傍領域配列との 間の相関判定処理を行う場合において、相関学習結果記憶手段に、既知の特徴パ ターンに含まれる複数の領域のうちの少なくとも一つの領域の既知の部分パターン および既知の特徴点近傍領域配列を結合して形成された複数種類の相関結合配列 を用いて、これらの相関結合配列内での各配列位置毎に離散シンボルの各種別毎 の出現頻度を求め、これらの出現頻度と相関結合配列内での各配列位置および離 散シンボルの各種別とを対応させて形成された相関判定用出現頻度テーブルを記 憶する相関判定用出現頻度テーブル記憶手段と、各領域の部分パターンと特定点 近傍領域配列との相関を判定する相関判定処理に用いられる相関判定用分離行列 を記憶する相関判定用分離行列記憶手段とを設けておき、相関判定用分離行列記 憶手段には、複数の領域のうちの少なくとも一つの領域の既知の部分パターンおよ び既知の特定点近傍領域配列を結合して生成された相関結合配列、並びに複数の 領域のうちの少なくとも一つの領域の既知の部分パターンおよび既知の特定点近傍 領域配列とは異なる非特定点近傍領域配列を結合して形成された非相関結合配列 を、相関判定用出現頻度テーブルを用いて配列位置および離散シンボルの種別に 従ってそれぞれ数値ィ匕した後、これらを結合して相関判定用学習データ行列を生成 し、この相関判定用学習データ行列を用いて独立成分分析または主成分分析を行う ことにより、相関結合配列の特徴を示す特徴要素を含む相関判定用基底行列の逆 変換を行う行列として得られた相関判定用分離行列を記憶させておき、検査データ 生成処理手段の特徴パターン候補配列決定処理手段は、決定された各領域の部分 ノターン相当配列と特定点近傍領域配列との間に相関がある力否力 または相関の 程度を判定する際には、複数の領域のうちの少なくとも一つの領域の部分パターン 相当配列および特定点近傍領域配列を結合して相関判定配列を生成し、この相関 判定配列を相関判定用出現頻度テーブル記憶手段に記憶された相関判定用出現 頻度テーブルを用いて配列位置および離散シンボルの種別に従って数値ィ匕して相 関判定データを生成した後、相関判定用分離行列記憶手段に記憶された相関判定 用分離行列と、相関判定データまたは複数の相関判定データを結合した相関判定 データ行列とを乗じる行列演算を行うことにより、相関判定用分離済データまたは複 数の相関判定用分離済データが結合された相関判定用分離済データ行列を求める 相関判定用分離処理を行い、この相関判定用分離処理で求めた相関判定用分離 済データまたは相関判定用分離済データ行列を構成する要素のうち、相関判定用 基底行列に含まれる特徴要素の行列内位置に応じて定まる相関判定要素の値を用 いて、相関がある力否力、または相関の程度を判定する処理を行うことが望ましい。
[0077] そして、上記のように、独立成分分析 (ICA)または主成分分析 (PCA)による事前 学習で得られた相関判定用分離行列を用いた相関判定処理を行う場合において、 検査データ生成処理手段の特徴パターン候補配列決定処理手段は、相関判定要 素の値が予め定められた相関判定用閾値を境界として 、ずれの側の値である力また は値の大きさの程度を判定することにより、相関がある力否力、または相関の程度を 判定する処理を行うようにすることができる。なお、複数行の相関判定要素の値を用 いて、相関判定処理を行うようにしてもよい。
[0078] そして、以上に述べた特徴パターン認識方法は、配列が、 DNA配列であり、離散 シンボルが、 DNA配列を構成する塩基を示す A、 T、 G、 Cの記号またはこれらの代 替記号であり、特徴パターン力 DNA配列中のプロモータである場合に、好適に用 いることがでさる。
[0079] また、以上に述べた特徴パターン認識方法のうち、多重化された特徴パターンを認 識することができるようにした方法は、配列が、 DNA配列であり、離散シンボル力 D NA配列を構成する塩基を示す A、 T、 G、 Cの記号またはこれらの代替記号であり、 特徴パターン力 DNA配列中のプロモータであり、部分パターン力 プロモータに含 まれる— 35ボックスおよび— 10ボックスである場合に、好適に用いることができる。
[0080] さらに、以上に述べた特徴パターン認識方法のうち、各領域の部分パターン相当 配列と特定点近傍領域配列との相関判定処理を行うようにした方法は、配列が、 DN A配列であり、離散シンボル力 DNA配列を構成する塩基を示す A、 T、 G、 Cの記 号またはこれらの代替記号であり、特徴パターン力 DNA配列中のプロモータであり 、部分パターン力 プロモータに含まれる— 35ボックスおよび— 10ボックスであり、特 定点が、 DNA配列の転写開始点であり、特徴点近傍領域配列が、転写開始点近傍 領域配列である場合に、好適に用いることができる。
[0081] また、以上に述べた特徴パターン認識方法は、配列が、タンパク質を構成するアミ ノ酸配列であり、離散シンボル力 アミノ酸配列を構成するアミノ酸を示す記号であり 、特徴パターン力 アミノ酸配列中のモチーフである場合にも、好適に用いることがで きる。
[0082] そして、特徴パターンに複数種類の長さが存在する場合において、多重化されて Vヽな 、特徴パターンを認識するか、ある 、は多重化されて 、る特徴パターンであるが 、多重化されていない場合と同様な処理でその特徴パターンを認識するときには、以 下のような方法をとることができる。
[0083] すなわち、前述した特徴パターン認識方法において、特徴パターンの長さには、特 徴パターンの種類の相違により複数種類の長さが存在し、出現頻度テーブル記憶手 段には、複数種類の既知の特徴パターンの長さをギャップの挿入により一定長に揃 えた後、長さを揃えた複数種類の既知の特徴パターンを用いてこれらの特徴パター ン内での各配列位置毎にギャップを含む離散シンボルの各種別毎の出現頻度を求 め、これらの出現頻度と特徴パターン内での各配列位置およびギャップを含む離散 シンボルの各種別とを対応させて形成された出現頻度テーブルを記憶させておくとと もに、分離行列記憶手段には、長さを揃えた複数種類の既知の特徴パターンおよび これらと同じ長さに揃えた複数種類の非特徴パターンカゝら生成された学習データ行 列を用いて独立成分分析または主成分分析を行うことにより得られた分離行列を記 憶させておき、検査データ生成処理手段は、判定処理の対象となる配列若しくはそ の一部の配列断片またはこれらの配列若しくは配列断片力 切り出された検査配列 の中で、特徴パターンの候補となる候補配列を決定した後、決定された候補配列の 長さをギャップの挿入により一定長に揃えるアラインメント処理を行い、長さを揃えた 候補配列を出現頻度テーブル記憶手段に記憶された出現頻度テーブルを用いて配 列位置およびギャップを含む離散シンボルの種別に従って数値ィ匕することにより、検 查データを生成する処理を行うことが望まし ヽ。 また、上記のようにアラインメント処理を行う場合において、検査データ生成処理手 段は、判定処理の対象となる配列若しくはその一部の配列断片力 切り出された検 查配列の中で、候補配列を 1離散シンボルずつずらし、かつ各箇所で長さを変えな がら決定し、決定された複数の候補配列の長さをギャップの挿入により一定長に揃え るアラインメント処理を行!ヽ、長さを揃えた複数の候補配列のそれぞれを出現頻度テ 一ブル記憶手段に記憶された出現頻度テーブルを用いて配列位置およびギャップ を含む離散シンボルの種別に従って数値ィ匕することにより、任意の一つの検査配列 について複数の検査データを生成する処理を行い、分離処理手段は、分離行列と 検査データ生成処理手段により生成された複数の検査データまたはこれらの複数の 検査データを結合した検査データ行列とを乗じる行列演算を行うことにより、任意の 一つの検査配列につ 、て複数の分離済データまたはこれらの複数の分離済データ が結合された分離済データ行列を求める処理を各検査配列毎に行!、、判定処理手 段は、分離処理手段により求めた任意の一つの検査配列についての複数の分離済 データの各々または分離済データ行列を構成する要素のうち、基底行列に含まれる 特徴要素の行列内位置に応じて定まる特徴判定要素の値力 予め定められた閾値 を境界として 、ずれの側の値である力または値の大きさの程度を判定し、このうち特 徴パターンであることを示す側の値である力または前記特徴パターン寄りの程度を示 す値であると判定された特徴判定要素の値にっ 、て、閾値との差の絶対値が最も大 きいかまたは前記特徴パターン寄りの程度が最も高い特徴判定要素の値を求め、求 めた特徴判定要素の値を与えた検査データに対応する候補配列が、複数種類の既 知の特徴パターンのうちのいずれかの特徴パターンまたは既知の特徴パターンに類 似する新規な特徴パターンであると認識する処理を行うことが望ましい。
さらに、上記のようにアラインメント処理を行う場合において、検査データ生成処理 手段は、判定処理の対象となる配列若しくはその一部の配列断片力 切り出された 検査配列の中で、候補配列を 1離散シンボルずつずらし、かつ各箇所で長さを変え ながら決定し、決定された複数の候補配列の長さをギャップの挿入により一定長に揃 えるアラインメント処理を行 ヽ、長さを揃えた複数の候補配列のそれぞれを出現頻度 テーブル記憶手段に記憶された出現頻度テーブルを用 、て配列位置およびギヤッ プを含む離散シンボルの種別に従って数値ィ匕することにより、任意の一つの検査配 列について複数の検査データを生成する処理を行い、分離処理手段は、分離行列 と検査データ生成処理手段により生成された複数の検査データまたはこれらの複数 の検査データを結合した検査データ行列とを乗じる行列演算を行うことにより、任意 の一つの検査配列について複数の分離済データまたはこれらの複数の分離済デー タが結合された分離済データ行列を求める処理を各検査配列毎に行!、、判定処理 手段は、分離処理手段により求めた任意の一つの検査配列についての複数の分離 済データの各々または分離済データ行列を構成する要素のうち、基底行列に含まれ る複数列の特徴要素の行列内位置に応じて定まる複数行の特徴判定要素の値によ り構成される各列ベクトルのそれぞれについて、学習段階で分離行列とともに得られ た分離済データ行列のうちの真データ対応部分の特徴判定要素の値により構成され る各列べ外ルとの類似度を示す値を算出し、算出された各類似度を示す値が予め 定められた閾値を境界としていずれの側の値であるかまたは値の大きさの程度をそ れぞれ判定し、このうち特徴パターンであることを示す側の値であるカゝまたは特徴パ ターン寄りの程度を示す値であると判定された類似度を示す値について、閾値との 差の絶対値が最も大きいかまたは特徴パターン寄りの程度が最も高い類似度を示す 値を求め、求めた類似度を示す値を与えた検査データに対応する候補配列が、複 数種類の既知の特徴パターンのうちのいずれかの特徴パターンまたは既知の特徴 パターンに類似する新規な特徴パターンであると認識する処理を行うようにしてもよ い。
また、本発明は、有限個の離散シンボルにより構成された配列若しくはその一部の 配列断片またはこれらの配列若しくは配列断片力 切り出された検査配列の中に、 既に発見されて ヽる互いに類似する複数種類の既知の特徴パターンのうちの 、ずれ かの特徴パターンまたは既知の特徴パターンに類似する新規な特徴パターンが含ま れるか否かを判定する処理を行う特徴パターン認識システムとして、コンピュータを機 能させるためのプログラムであって、複数種類の既知の特徴パターンを用いてこれら の特徴パターン内での各配列位置毎に離散シンボルの各種別毎の出現頻度を求め 、これらの出現頻度と特徴パターン内での各配列位置および離散シンボルの各種別 とを対応させて形成された出現頻度テーブルを記憶する出現頻度テーブル記憶手 段と、複数種類の既知の特徴パターンおよびこれらの既知の特徴パターンとは異な る複数種類の非特徴パターンを、出現頻度テーブルを用いて配列位置および離散 シンボルの種別に従ってそれぞれ数値ィ匕した後、これらを結合して学習データ行列 を生成し、この学習データ行列を用いて独立成分分析または主成分分析を行うこと により、特徴パターンの特徴を示す特徴要素を含む基底行列の逆変換を行う行列と して得られた分離行列を記憶する分離行列記憶手段と、判定処理の対象となる配列 若しくはその一部の配列断片またはこれらの配列若しくは配列断片から切り出された 検査配列を、出現頻度テーブル記憶手段に記憶された出現頻度テーブルを用いて 配列位置および離散シンボルの種別に従って数値ィ匕することにより、検査データを 生成する処理を行う検査データ生成処理手段と、分離行列記憶手段に記憶された 分離行列と検査データ生成処理手段により生成された検査データまたは複数の検査 データを結合した検査データ行列とを乗じる行列演算を行うことにより、分離済デー タまたは複数の分離済データが結合された分離済データ行列を求める処理を行う分 離処理手段と、この分離処理手段により求めた分離済データまたは分離済データ行 列を構成する要素のうち、基底行列に含まれる特徴要素の行列内位置に応じて定ま る特徴判定要素の値を用いて、判定処理の対象となる配列若しくはその一部の配列 断片またはこれらの配列若しくは配列断片力 切り出された検査配列の中に、複数 種類の既知の特徴パターンのうちのいずれかの特徴パターンまたは既知の特徴パタ ーンに類似する新規な特徴パターンが含まれる力否力または存否の程度を判定する 処理を行う判定処理手段とを備えたことを特徴とする特徴パターン認識システムとし て、コンピュータを機能させるためのものである。
[0087] なお、上記のプログラムまたはその一部は、例えば、光磁気ディスク（MO)、コンパ タトディスク（CD)を利用した読出し専用メモリ（CD— ROM)、 CDレコーダブル (CD —R)、 CDリライタブル（CD— RW)、デジタル 'バーサタイル'ディスク（DVD)を利用 した読出し専用メモリ（DVD— ROM)、 DVDを利用したランダム'アクセス'メモリ（D VD-RAM)、フレキシブルディスク（FD)、磁気テープ、ハードディスク、読出し専用 メモリ（ROM)、電気的消去および書換可能な読出し専用メモリ (EEPROM)、フラッ シュ 'メモリ、ランダム'アクセス'メモリ（RAM)等の記録媒体に記録して保存や流通 等させることが可能であるとともに、例えば、ローカル ·エリア ·ネットワーク (LAN)、メ トロポリタン 'エリア'ネットワーク（MAN)、ワイド ·エリア ·ネットワーク（WAN)、インタ 一ネット、イントラネット、ェクストラネット等の有線ネットワーク、あるいは無線通信ネッ トワーク、さらにはこれらの糸且合せ等の伝送媒体を用いて伝送することが可能であり、 また、搬送波に載せて搬送することも可能である。さらに、上記のプログラムは、他の プログラムの一部分であってもよぐあるいは別個のプログラムと共に記録媒体に記 録されていてもよい。
発明の効果
[0088] 以上に述べたように本発明によれば、判定対象となる配列を構成する各離散シン ボルを、各配列位置毎で、かつ、離散シンボルの各種別毎に求められた出現頻度を 用いて数値ィ匕するとともに、独立成分分析 (ICA)または主成分分析 (PCA)を行って 得られた分離行列を用いて配列中に特徴パターンが存在するか否かまたは存否の 程度を判定するので、従来の-ユーラルネットワーク法や期待値最大化法を用いたコ ンピュータによるプロモータ解析の場合に比べ、プロモータ等の特徴パターンの認識 精度を向上させることができるうえ、試験管中の生物実験や X線解析によるプロモー タ解析の場合と比べても、時間的'経済的に優位な特徴パターンの解析を実現する ことができると!/、う効果がある。
発明を実施するための最良の形態
[0089] 以下に本発明の各実施形態について図面を参照して説明する。
[0090] [第 1実施形態]
図 1には、本発明の特徴パターン認識システムである第 1実施形態のプロモータ認 識システム 10の全体構成が示されている。図 2には、プロモータ認識システム 10の 一部である学習処理手段 20の詳細構成が示されている。また、図 3には、学習段階（ トレーニングステップ）の全体の流れがフローチャートで示され、図 4には、—35ボッ タス学習の流れがフローチャートで示され、図 5には、 DNA配列力 切り出された既 知のプロモータを含む配列の例が示されている。図 6〜図 10は、 35ボックス学習 に伴う処理の説明図である。図 11には、—10ボックス学習の流れがフローチャートで 示されている。図 12〜図 15は、—10ボックス学習に伴う処理の説明図である。図 16 〜図 18には、プロモータ学習の流れがフローチャートで示されている。図 19〜図 26 は、プロモータ学習に伴う処理の説明図である。図 27には、相関学習の流れがフロ 一チャートで示されている。図 28〜図 31は、相関学習に伴う処理の説明図である。 さらに、図 32には、検査段階 (テストステップ)の全体の流れがフローチャートで示さ れ、図 33〜図 35には、検査段階における詳細処理の流れがフローチャートで示され ている。図 36〜図 38は、検査段階における処理の説明図である。
[0091] 図 1において、プロモータ認識システム 10は、学習段階（トレーニングステップ）の 各種処理を行う学習処理手段 20と、検査段階 (テストステップ)の各種処理を行う検 查処理手段 30とを備えている。このプロモータ認識システム 10は、図 5に示すような A、 T、 G、 Cの 4つの塩基記号力もなる DNA配列（例えば、大腸菌塩基配列）の中に 、特徴パターンであるプロモータが存在するか否かを判定するシステムである。この プロモータ (例えば、大腸菌プロモータ）は、遺伝子情報の周辺に存在し、 DNAから RNAへの塩基配列情報の転写が開始される特定点である転写開始点（+ 1)および その 1つ上流の塩基（一 1)力もなる + 1領域と、転写開始点の約 35塩基上流にある 第 1の部分パターンである 6塩基力もなる— 35ボックス（一 35box)と、転写開始点の 約 10塩基上流にある第 2の部分パターンである 6塩基力もなる— 10ボックス（― 10b ox)とを含んでいる。また、 35ボックスと一 10ボックスとの間には、 15〜21塩基の 比較的一定の距離の配列であるスぺーサ 35 (Spacer35)があり、 10ボックスと転 写開始点との間には、 3〜： L 1塩基の配列であるスぺーサ lO (SpacerlO)がある。な お、本願明細書では、スぺーサ 10は、— 10ボックスと + 1領域（—1および + 1)との 間の配列ではなぐ - 10ボックスと転写開始点（+ 1)との間の配列として定義する。 また、転写開始点は、前後の塩基とともに、特徴的なパターンを形成することから、本 願明細書では、転写開始点（ + 1)およびその前後の塩基（ 1および + 2)の 3塩基 からなる配列を、特定点近傍領域配列である転写開始点近傍領域配列と定義する。 但し、転写開始点近傍領域配列は、 3塩基に限定されるものではなぐ例えば、 5塩 基等としてもよぐ要するに、転写開始点（ + 1)を含んでいて特徴的なパターンが現 れる領域であればよい。
[0092] また、プロモータ認識システム 10は、第 1の部分パターン用出現頻度テーブルであ る 35ボックス用出現頻度テーブル T を記憶する第 1の部分パターン用出現頻度
-35
テーブル記憶手段である 35ボックス用出現頻度テーブル記憶手段 41と、第 1の部 分パターン用分離行列である― 35ボックス用分離行列 W を記憶する第 1の部分パ
-35
ターン用分離行列記憶手段である 35ボックス用分離行列記憶手段 42と、第 1の部 分パターン用分離済データ行列である― 35ボックス用分離済データ行列 Y を記憶
-35 する第 1の部分パターン用分離済データ行列記憶手段である— 35ボックス用分離済 データ行列記憶手段 43とを備えて 、る。
[0093] さらに、プロモータ認識システム 10は、第 2の部分パターン用出現頻度テーブルで ある 10ボックス用出現頻度テーブル T を記憶する第 2の部分パターン用出現頻
-10
度テーブル記憶手段である 10ボックス用出現頻度テーブル記憶手段 51と、第 2の 部分パターン用分離行列である― 10ボックス用分離行列 W を記憶する第 2の部分
-10
パターン用分離行列記憶手段である 10ボックス用分離行列記憶手段 52と、第 2の 部分パターン用分離済データ行列である 10ボックス用分離済データ行列 Y を記
-10 憶する第 2の部分パターン用分離済データ行列記憶手段である 10ボックス用分離 済データ行列記憶手段 53とを備えて ヽる。
[0094] そして、プロモータ認識システム 10は、パターン全体用出現頻度テーブルであるプ 口モータ用出現頻度テーブル T を記憶するパターン全体用出現頻度テーブル記 prom
憶手段であるプロモータ用出現頻度テーブル記憶手段 61と、パターン全体用分離 行列であるプロモータ用分離行列 W を記憶するパターン全体用分離行列記憶手 prom
段であるプロモータ用分離行列記憶手段 62と、パターン全体用分離済データ行列 であるプロモータ用分離済データ行列 Y を記憶するパターン全体用分離済データ prom
行列記憶手段であるプロモータ用分離済データ行列記憶手段 63 (図 26参照）とを備 えている。
[0095] また、プロモータ認識システム 10は、相関学習結果を含む情報を記憶する相関学 習結果記憶手段 70を備えている。この相関学習結果記憶手段 70には、相関判定用 出現頻度テーブル T を記憶する相関判定用出現頻度テーブル記憶手段 71と、相
BBS
関判定用分離行列 W を記憶する相関判定用分離行列記憶手段 72と、相関判定
BBS
用分離済データ行列 Y を記憶する相関判定用分離済データ行列記憶手段 73 (図
BBS
31参照）とが設けられている。
[0096] 学習処理手段 20は、第 1の部分パターン学習処理手段である 35ボックス学習処 理手段 21と、第 2の部分パターン学習処理手段である 10ボックス学習処理手段 2 2と、特徴パターン学習処理手段であるプロモータ学習処理手段 23と、相関学習処 理手段 24とを含んで構成されて ヽる。
[0097] 図 2において、—35ボックス学習処理手段 21は、第 1の部分パターン用出現頻度 テーブル作成処理手段である 35ボックス用出現頻度テーブル作成処理手段 21 A と、第 1の非部分パターン生成処理手段であるランダムボックス生成処理手段 21Bと 、第 1の部分パターン用数値ィ匕処理手段である— 35ボックス用数値ィ匕処理手段 21C と、第 1の部分パターン用学習データ行列生成処理手段である— 35ボックス用学習 データ行列生成処理手段 21 Dと、第 1の部分パターン用分析処理手段である 35 ボックス用分析処理手段 21Eとを含んで構成されている。
[0098] —35ボックス用出現頻度テーブル作成処理手段 21Aは、複数種類の既知の— 35 ボックスの塩基情報を用いて、これらの— 35ボックス内での各配列位置毎に、 A、 T、 G、 Cの各記号毎の出現頻度 (frequency)を求め、これらの出現頻度と、 35ボックス 内での各配列位置および各記号とを対応させて 35ボックス用出現頻度テーブル T (図 6参照）を作成する処理を行うものである（図 4のステップ S302参照）。また、
-35
35ボックス用出現頻度テーブル作成処理手段 21Aは、作成した T を 35ボックス
-35
用出現頻度テーブル記憶手段 41 (図 1参照）に記憶させる。
[0099] ランダムボックス生成処理手段 21Bは、第 1の部分パターン用学習データ行列であ る 35ボックス用学習データ行列 X (図 8参照）を構成する学習データ (列ベクトル
-35
)のうちの偽データ（図 8の C τを構成する列ベクトル）を用意するために、ランダムボ
-35
ックスを生成する処理を行うものである（図 4のステップ S 304参照）。
[0100] —35ボックス用数値ィ匕処理手段 21Cは、—35ボックス用出現頻度テーブル記憶 手段 41 (図 1参照）に記憶された— 35ボックス用出現頻度テーブル Τ (図 6参照）を
-35
用いて、既知の— 35ボックスおよびランダムボックス生成処理手段 21Bにより生成さ れたランダムボックスを、ボックス内での配列位置および A、 T、 G、 Cの記号種別に従 つてそれぞれ数値化し、 B (図 7参照）および C を生成する処理を行うものである（
-35 -35
図 4のステップ S305参照）。
[0101] —35ボックス用学習データ行列生成処理手段 21Dは、—35ボックス用数値ィ匕処 理手段 21Cにより数値ィ匕して得られた B (図 7参照）および C をそれぞれ転置して
-35 -35
B τおよび C τとし、これらを結合して— 35ボックス用学習データ行列 X (図 8参照
-35 -35 -35
)を生成する処理を行うものである（図 4のステップ S306参照)。なお、結合と数値ィ匕 の順序は、逆にしてもよい。
[0102] —35ボックス用分析処理手段 21Eは、—35ボックス用学習データ行列生成処理 手段 21Dにより生成された— 35ボックス用学習データ行列 X (図 8参照）について
-35
、前処理として、平均値のゼロ化処理およびホワイトユング処理を行った後（図 9参照 )、前処理を経た 35ボックス用学習データ行列 X を用いて、独立成分分析 (ICA
-35
)を行うことにより、—35ボックス用分離行列 W および— 35ボックス用分離済データ
-35
行列 Υ を求める処理を行うものである（図 10および図 4のステップ S307参照）。ま
-35
た、—35ボックス用分析処理手段 21Eは、求めた W を— 35ボックス用分離行列記
-35
憶手段 42 (図 1参照）に記憶させるとともに、求めた Υ を— 35ボックス用分離済デ
-35
一タ行列記憶手段 43 (図 1参照）に記憶させる。
[0103] - 10ボックス学習処理手段 22は、第 2の部分パターン用出現頻度テーブル作成 処理手段である 10ボックス用出現頻度テーブル作成処理手段 22Aと、第 2の非部 分パターン生成処理手段であるランダムボックス生成処理手段 22Bと、第 2の部分パ ターン用数値化処理手段である 10ボックス用数値化処理手段 22Cと、第 2の部分 パターン用学習データ行列生成処理手段である 10ボックス用学習データ行列生 成処理手段 22Dと、第 2の部分パターン用分析処理手段である— 10ボックス用分析 処理手段 22Eとを含んで構成されて ヽる。
[0104] 10ボックス用出現頻度テーブル作成処理手段 22Aは、複数種類の既知の 10 ボックスの塩基情報を用いて、これらの— 10ボックス内での各配列位置毎に、 A、 T、 G、 Cの各記号毎の出現頻度 (frequency)を求め、これらの出現頻度と、 10ボックス 内での各配列位置および各記号とを対応させて 10ボックス用出現頻度テーブル T (図 12参照）を作成する処理を行うものである（図 11のステップ S402参照）。また、
-10
10ボックス用出現頻度テーブル作成処理手段 22Aは、作成した T を一 10ボック
-10
ス用出現頻度テーブル記憶手段 51 (図 1参照）に記憶させる。
[0105] ランダムボックス生成処理手段 22Bは、第 2の部分パターン用学習データ行列であ る— 10ボックス用学習データ行列 X (図 14参照）を構成する学習データ (列べタト
-10
ル）のうちの偽データ（図 14の C τを構成する列ベクトル）を用意するために、ランダ
-10
ムボックスを生成する処理を行うものである（図 11のステップ S404参照）。
[0106] —10ボックス用数値ィ匕処理手段 22Cは、—10ボックス用出現頻度テーブル記憶 手段 51 (図 1参照）に記憶された 10ボックス用出現頻度テーブル Τ (図 12参照）
-10
を用いて、既知の 10ボックスおよびランダムボックス生成処理手段 22Βにより生成 されたランダムボックスを、ボックス内での配列位置および A、 T、 G、 Cの記号種別に 従ってそれぞれ数値化し、 B (図 13参照）および C を生成する処理を行うものであ
-10 -10
る（図 11のステップ S405参照）。
[0107] —10ボックス用学習データ行列生成処理手段 22Dは、—10ボックス用数値ィ匕処 理手段 22Cにより数値ィ匕して得られた B (図 13参照）および C をそれぞれ転置し
-10 -10
て B τおよび C τとし、これらを結合して— 10ボックス用学習データ行列 X (図 14
-10 -10 -10 参照）を生成する処理を行うものである（図 11のステップ S406参照)。なお、結合と 数値化の順序は、逆にしてもよい。 [0108] —10ボックス用分析処理手段 22Eは、—10ボックス用学習データ行列生成処理 手段 22Dにより生成された— 10ボックス用学習データ行列 X (図 14参照）につい
-10
て、前処理として、平均値のゼロ化処理およびホワイトユング処理を行った後（図 9と 同様）、前処理を経た 10ボックス用学習データ行列 X を用いて、独立成分分析 (
-10
ICA)を行うことにより、—10ボックス用分離行列 W および— 10ボックス用分離済デ
-10
一タ行列 Y を求める処理を行うものである（図 15および図 11のステップ S407参照
-10
) oまた、—10ボックス用分析処理手段 22Eは、求めた W を— 10ボックス用分離行
-10
列記憶手段 52 (図 1参照）に記憶させるとともに、求めた Y を— 10ボックス用分離
-10
済データ行列記憶手段 53 (図 1参照）に記憶させる。
[0109] プロモータ学習処理手段 23は、特徴パターン用アラインメント処理手段であるプロ モータ用アラインメント処理手段 23Aと、パターン全体用出現頻度テーブル作成処 理手段であるプロモータ用出現頻度テーブル作成処理手段 23Bと、非特徴パターン 生成処理手段である非プロモータ生成処理手段 23Cと、非特徴パターン用ァライン メント処理手段である非プロモータ用アラインメント処理手段 23Dと、パターン全体用 数値化処理手段であるプロモータ用数値化処理手段 23Eと、パターン全体用学習 データ行列生成処理手段であるプロモータ用学習データ行列生成処理手段 23Fと、 ノ ターン全体用分析処理手段であるプロモータ用分析処理手段 23Gとを含んで構 成されている。
[0110] プロモータ用アラインメント処理手段 23Aは、複数種類の既知のプロモータの長さ をギャップ (例えば「―」記号等で示される。 )の挿入により一定長に揃えるァラインメ ント処理を行うものである（図 16のステップ S501参照）。このアラインメント処理は、予 め定められたルールに従って行われる力 検査段階 (テストステップ）において検査 配列の中で決定されたプロモータ候補配列にっ 、てのアラインメント処理と同様のル ールに従って行われるため、処理の詳細は後述する（図 38参照）。なお、既知のプロ モータの長さ力 図 38に示したルールで既に一定長に揃えられている場合には、こ のプロモータ用アラインメント処理手段 23Aによる処理を行う必要はない。また、既知 のプロモータの長さ力 既に一定長に揃えられている場合であっても、図 38に示した ルールとは異なるルールでアラインメントされている場合には、プロモータ用ァライン メント処理手段 23Aにより、ギャップを取り除き、図 38に示したルールでアラインメント 処理をし直す。この際、後述する図 17のステップ S50302〜図 18のステップ S5031 2の場合と同様に、—10ボックス用分離行列 W および— 35ボックス用分離行列 W
-10 - を用いて一 10ボックスおよび一 35ボックスを探して力もアラインメント処理を行って
35
もよいが、 10ボックスおよび 35ボックスが既知の場合には、それらの既知の 1 0ボックスおよび一 35ボックスをそのまま採用してアラインメント処理を行ってもよい。
[0111] プロモータ用出現頻度テーブル作成処理手段 23Bは、プロモータ用アラインメント 処理手段 23Aにより一定長に揃えられた複数種類の既知のプロモータを用いて、こ れらのパターン全体内での各配列位置毎に、 A、 T、 G、 C、ギャップ（例えば「―」）の 各記号毎の出現頻度 (frequency)を求め、これらの出現頻度と、パターン全体内での 各配列位置および各記号とを対応させてプロモータ用出現頻度テーブル T (図 19 prom 参照）を作成する処理を行うものである（図 16のステップ S502参照）。また、プロモー タ用出現頻度テーブル作成処理手段 23Bは、作成した T をプロモータ用出現頻 prom
度テーブル記憶手段 61 (図 1参照）に記憶させる。
[0112] 非プロモータ生成処理手段 23Cは、全体の長さを揃えた複数種類の非特徴パター ンである非プロモータを生成する処理を行うものである（図 16のステップ S503参照） 。この非プロモータ生成処理手段 23Cは、非プロモータを生成するために用意され た非特徴パターン生成用配列である非プロモータ生成用配列（図 20参照）の中で、 各領域の部分パターンのそれぞれについて、すなわち— 10ボックスおよび— 35ボッ タスのそれぞれについて、各ボックスと同じ長さ（ここでは、 6塩基）を有する互いに 1 塩基ずつ位置のずれた複数の部分パターン候補配列（図 20の j = 1〜9の複数の 10ボックス候補配列、および図 22の j = 1〜7の複数の― 35ボックス候補配列）を定 め（図 17のステップ S50303およびステップ S50307参照）、これらの複数の部分パ ターン候補配列につ 、て部分パターン用出現頻度テーブル ( - 10ボックス用出現頻 度テーブル T および 35ボックス用出現頻度テーブル T )を用いて配列位置お
-10 -35
よび A、 T、 G、 Cの記号種別に従って数値ィ匕して複数の部分パターン候補データ（ 複数の― 10ボックス候補データおよび複数の― 35ボックス候補データ）を生成する ( 図 17のステップ S 50304およびステップ S 50308参照）。 そして、非プロモータ生成処理手段 23Cは、部分パターン用分離行列（一 10ボック ス用分離行列 W および 35ボックス用分離行列 W )と、複数の部分パターン候
-10 -35
補データを結合した部分パターン候補データ行列（図 20の 10ボックス候補データ 行列 Z 、および図 22の— 35ボックス候補データ行列 Z )とを乗じる行列演算を行
-10 -35
うことにより、複数の部分パターン候補データ用分離済データが結合された部分バタ ーン候補データ用分離済データ行列（図 21の 10ボックス候補データ用分離済デ 一タ行列 Y 、および図 23の— 35ボックス候補データ用分離済データ行列 Y )
-lOcan -3o can を生成する（図 17のステップ S50305および図 18のステップ S50309参照）。続いて 、非プロモータ生成処理手段 23Cは、生成された複数の部分パターン候補データ用 分離済データ（ 10ボックス候補データ用分離済データ Y (j)、および 35ボッ
-lOcan
タス候補データ用分離済データ Y (j) )のうち、部分パターン候補データ用分離済
-35 can
データ (Y (j)および Y (j) )と部分パターン用分離済データ行列（図 21の— 1
-lOcan -35can
0ボックス用分離済データ行列 Y 、および図 23の— 35ボックス用分離済データ行
-10
列 γ )の真データ対応部分の各列ベクトル (γ (k)および Y (k) )との内積の和が
-35 -10 -35
最大になる部分パターン候補データ用分離済データを求め、求めた部分パターン候 補データ用分離済データに対応する部分パターン候補配列（図 20の j = 1〜9の複 数の 10ボックス候補配列のうちのいずれか 1つ、および図 22の j = l〜7の複数の 35ボックス候補配列のうちの!/、ずれか 1つ）を、非特徴パターンである非プロモー タに含まれる部分パターン相当配列（― 10ボックス相当配列および— 35ボックス相 当配列）として決定し（図 17のステップ S50306および図 18のステップ S50310参照 )、さらに決定された各領域の部分パターン相当配列（― 10ボックス相当配列および —35ボックス相当配列）に基づき非プロモータを決定する（図 18のステップ S50311 参照)。なお、ここでは、内積の和が最大になる部分パターン候補データ用分離済デ ータを求める処理を行うものとされている力 真データ対応部分の各列ベクトル (Y
-10
(k)および Y (k) )に最も近 、部分パターン候補データ用分離済データを求めるこ
-35
とができればよぐ例えば、真データ対応部分の各列ベクトル (Y (k)および Y (k)
-10 -35
)の総体との類似度が最大になる部分パターン候補データ用分離済データを求める にあたり、「内積の和」以外の類似度を採用してもよい。 [0114] 非プロモータ用アラインメント処理手段 23Dは、非プロモータ生成処理手段 23Cに より決定された 10ボックス相当配列および 35ボックス相当配列をそれぞれ一塊 の状態に保ったままで、非プロモータの長さをギャップの挿入により一定長（ここでは 、配列長： 65)に揃えるアラインメント処理を行うものである（図 16のステップ S503、 図 18のステップ S50312、および図 24参照）。
[0115] プロモータ用数値ィ匕処理手段 23Eは、プロモータ用出現頻度テーブル記憶手段 6 1 (図 1参照）に記憶されたプロモータ用出現頻度テーブル T を用いて、プロモータ
prom
用アラインメント処理手段 23Aによりパターン全体の長さを一定長 (ここでは、配列長 : 65)に揃えた複数種類の既知の特徴パターンであるプロモータ、および非プロモー タ用アラインメント処理手段 23Dにより全体の長さを一定長 (ここでは、配列長： 65) に揃えた複数種類の非特徴パターンである非プロモータを、配列位置および A、 T、 G、 C、ギャップ (例えば「一」）の記号種別に従って、それぞれ数値化する処理を行う ものである（図 16のステップ S504および図 25参照）。
[0116] プロモータ用学習データ行列生成処理手段 23Fは、プロモータ用数値化処理手段 23Eにより数値化して得られた B および C (図 25参照）をそれぞれ転置して B
prom prom prom τおよび C Tとし、これらを結合してプロモータ用学習データ行列 X (図 25参照）を
prom prom
生成する処理を行うものである（図 16のステップ S505参照）。なお、結合と数値化の 順序は、逆にしてもよい。
[0117] プロモータ用分析処理手段 23Gは、プロモータ用学習データ行列生成処理手段 2 3Fにより生成されたプロモータ用学習データ行列 X (図 25参照）について、前処
prom
理として、平均値のゼロ化処理およびホワイトユング処理を行った後（図 9と同様）、前 処理を経たプロモータ用学習データ行列 X を用いて、独立成分分析 (ICA)を行う
prom
ことにより、プロモータ用分離行列 W およびプロモータ用分離済データ行列 Y
prom prom を求める処理を行うものである（図 26および図 16のステップ S506参照）。また、プロ モータ用分析処理手段 23Gは、求めた W をプロモータ用分離行列記憶手段 62 (
prom
図 1参照）に記憶させるとともに、求めた Y をプロモータ用分離済データ行列記憶
prom
手段 63 (図 26参照）に記憶させる。なお、 Y は、後に検査段階の処理で使用され
prom
るデータではないが、検査段階の処理で得られる分離済データ行列 Y (図 38参照 )の特徴判定要素 (第 1行の各要素）の値が、正負の 、ずれの場合にプロモータであ ると判定されるのかを確認するために求める。
[0118] 相関学習処理手段 24は、相関結合配列生成処理手段 24Aと、相関判定用出現頻 度テーブル作成処理手段 24Bと、非相関結合配列生成処理手段 24Cと、相関結合 配列用数値ィ匕処理手段 24Dと、相関判定用学習データ行列生成処理手段 24Eと、 相関判定用分析処理手段 24Fとを含んで構成されている。
[0119] 相関結合配列生成処理手段 24Aは、既知の部分パターンである 35ボックス（6 塩基)および 10ボックス (6塩基)と、既知の特定点近傍領域配列である転写開始 点近傍領域配列 (一例として 3塩基とする。 )とを結合して例えば 15塩基の相関結合 配列（図 28参照）を生成する処理を行うものである（図 27のステップ S601参照）。な お、本実施形態では、一例として、 15塩基の相関結合配列としているが、例えば、今 後の研究の進歩'発展に伴い、スぺーサ 10ゃスぺーサ 35の部分、あるいはそれ以 外の部分に、相関が見い出せる特徴部分が発見された場合には、その部分を含め て相関結合配列を生成してもよい。この場合には、その発見部分も、本発明における 部分パターンとして捉えることができる。また、これに伴って、後述する非相関結合配 列（図 30参照）、相関判定配列（図 37参照)も 15塩基に限定されず、他の部分を含 めて生成されてもよい。
[0120] 相関判定用出現頻度テーブル作成処理手段 24Bは、相関結合配列生成処理手 段 24Aにより生成された複数種類の相関結合配列を用いて、これらの相関結合配列 内での各配列位置毎に、 A、 T、 G、 Cの各記号毎の出現頻度 (frequency)を求め、こ れらの出現頻度と、相関結合配列内での各配列位置および各記号とを対応させて相 関判定用出現頻度テーブル T (図 29参照）を作成する処理を行うものである（図 2
BBS
7のステップ S601参照)。また、相関判定用出現頻度テーブル作成処理手段 24Bは 、作成した T を相関判定用出現頻度テーブル記憶手段 71 (図 1参照）に記憶させ
BBS
る。
[0121] 非相関結合配列生成処理手段 24Cは、既知の部分パターンである— 35ボックス（ 6塩基)および 10ボックス (6塩基)と、既知の特定点近傍領域配列である転写開始 点近傍領域配列とは異なる非特定点近傍領域配列であるランダム配列（一例として 3 塩基とする。 )とを結合して例えば 15塩基の非相関結合配列を生成する処理を行うも のである（図 27のステップ S603および図 30参照）。
[0122] 相関結合配列用数値ィ匕処理手段 24Dは、相関判定用出現頻度テーブル記憶手 段 71 (図 1参照）に記憶された相関判定用出現頻度テーブル T (図 29参照)を用
BBS
いて、相関結合配列および非相関結合配列（図 30参照）を、配列位置および A、 T、 G、 Cの記号種別に従って、それぞれ数値ィ匕する処理を行うものである（図 27のステ ップ S604および図 30参照）。
[0123] 相関判定用学習データ行列生成処理手段 24Eは、相関結合配列用数値化処理 手段 24Dにより数値ィ匕して得られた B および C (図 30参照）をそれぞれ転置して
BBS BBS
B τおよび C Tとし、これらを結合して相関判定用学習データ行列 X (図 30参照
BBS BBS BBS
)を生成する処理を行うものである（図 27のステップ S605および図 30参照）。なお、 結合と数値化の順序は、逆にしてもよい。
[0124] 相関判定用分析処理手段 24Fは、相関判定用学習データ行列生成処理手段 24 Eにより生成された相関判定用学習データ行列 X (図 30参照）について、前処理と
BBS
して、平均値のゼロ化処理およびホワイトユング処理を行った後（図 9と同様）、前処 理を経た相関判定用学習データ行列 X
BBSを用いて、独立成分分析 (ICA)を行うこと により、相関判定用分離行列 W および相関判定用分離済データ行列 Y を求め
BBS BBS
る処理を行うものである（図 27のステップ S606および図 31参照）。また、相関判定用 分析処理手段 24Fは、求めた W を相関判定用分離行列記憶手段 72 (図 1参照）
BBS
に記憶させるとともに、求めた Y を相関判定用分離済データ行列記憶手段 73 (図 3
BBS
1参照）に記憶させる。なお、 Y
BBSは、後に検査段階の処理で使用されるデータでは ないが、検査段階の処理で得られる相関判定用分離済データ行列 Y (図 37参
BBS, test 照）の相関判定要素 (第 1行の各要素）の値が、正負のいずれの場合に相関があると 判定されるのかを確認するために求める。
[0125] 図 1において、検査処理手段 30は、検査データ生成処理手段 31と、分離処理手 段 32と、判定処理手段 33とを含んで構成されている。
[0126] 検査データ生成処理手段 31は、第 1の部分パターン候補データ生成処理手段で ある 35ボックス候補データ生成処理手段 31 Aと、第 2の部分パターン候補データ 生成処理手段である 10ボックス候補データ生成処理手段 3 IBと、第 1の部分パタ ーン候補データ用分離済データ生成処理手段である 35ボックス候補データ用分 離済データ生成処理手段 31Cと、第 2の部分パターン候補データ用分離済データ生 成処理手段である 10ボックス候補データ用分離済データ生成処理手段 31Dと、 第 1の部分パターン相当配列決定処理手段である 35ボックス相当配列決定処理 手段 31Eと、第 2の部分パターン相当配列決定処理手段である— 10ボックス相当配 列決定処理手段 31Fと、特徴パターン候補配列決定処理手段であるプロモータ候 補配列決定処理手段 31Gと、アラインメント処理手段 31Hと、特徴パターン候補配列 数値化処理手段であるプロモータ候補配列数値化処理手段 31Jとを含んで構成され ている。
—35ボックス候補データ生成処理手段 31 Aは、判定処理の対象となる DN A配列 若しくは DNA配列断片カゝら切り出された検査配列の中で、 35ボックスと同じ長さ（ 6塩基)を有する互いに 1塩基ずつ位置のずれた複数の 35ボックス候補配列を定 め（図 33のステップ S1306参照。図 22と同様）、これらの複数の— 35ボックス候補配 列について、—35ボックス用出現頻度テーブル記憶手段 41 (図 1参照）に記憶され た— 35ボックス用出現頻度テーブル T を用いて、配列位置および A、 T、 G、 C(
-35
記号種別に従って、それぞれ数値化して複数の 35ボックス候補データを生成する 処理を行うものである（図 33のステップ S1307参照。図 22と同様であり、図 36の 1 0ボックス候補データの生成の場合とも同様)。この 35ボックス候補データ生成処 理手段 31Aは、 10ボックス相当配列決定処理手段 31Fにより決定した 10ボック ス相当配列の位置を基準として、― 10ボックス相当配列と各― 35ボックス候補配列 との間の隙間 (スぺーサ 35に相当する隙間）が 15〜21塩基になるように複数の— 3 5ボックス候補配列を定める。従って、 10ボックス候補データ生成処理手段 31Bが 、後述するように転写開始点を 1塩基ずつずらしながら複数設定する構成である場合 には、それに伴って— 10ボックス相当配列決定処理手段 31Fにより— 10ボックス相 当配列が複数決定されるので、—35ボックス候補データ生成処理手段 31 Aは、それ らの複数の― 10ボックス相当配列のそれぞれを基準として、各― 10ボックス相当配 列の 1つ 1つにつき、複数の― 35ボックス候補配列を定める。 [0128] —10ボックス候補データ生成処理手段 3 IBは、判定処理の対象となる DNA配列 若しくは DNA配列断片力も切り出された検査配列の中で、転写開始点を設定し (図 33のステップ S1301参照）、設定した転写開始点を基準として、—10ボックスと同じ 長さ（6塩基)を有する互いに 1塩基ずつ位置のずれた複数の 10ボックス候補配列 を、転写開始点と各— 10ボックス候補配列との間の隙間 (スぺーサ 10に相当する隙 間）が 3〜： L 1塩基になるように定め（図 33のステップ S1302および図 36参照）、これ らの複数の 10ボックス候補配列にっ 、て、 10ボックス用出現頻度テーブル記憶 手段 51 (図 1参照）に記憶された 10ボックス用出現頻度テーブル T を用いて、配
-10
列位置および A、 T、 G、 Cの記号種別に従って、それぞれ数値化して複数の— 10ボ ックス候補データを生成する処理を行うものである（図 33のステップ S1303および図 36参照）。この— 10ボックス候補データ生成処理手段 31Bは、 1つの検査配列の中 で、 1つの転写開始点を設定する構成としてもよいが、認識精度の向上の観点から、 図 36に示すように、 1つの検査配列の中で、転写開始点を 1塩基ずつずらしながら 複数設定し、それらの 1つ 1つの転写開始点について、複数の 10ボックス候補配 列を定めることが好まし 、 (図 34のステップ S 1311, S1312参照）。
[0129] —35ボックス候補データ用分離済データ生成処理手段 31Cは、—35ボックス用分 離行列記憶手段 42 (図 1参照）に記憶された— 35ボックス用分離行列 W と、 - 35
-35 ボックス候補データ生成処理手段 31Aにより生成された複数の 35ボックス候補デ ータを結合した 35ボックス候補データ行列 Z とを乗じる行列演算を行うことにより
-35
、複数の 35ボックス候補データ用分離済データが結合された 35ボックス候補デ ータ用分離済データ行列 Y を生成する処理を行うものである（図 34のステップ S1
-35 can
308参照。図 23と同様)。
[0130] —10ボックス候補データ用分離済データ生成処理手段 31Dは、—10ボックス用分 離行列記憶手段 52 (図 1参照）に記憶された— 10ボックス用分離行列 W と、 - 10
-10 ボックス候補データ生成処理手段 31Bにより生成された複数の 10ボックス候補デ ータを結合した 10ボックス候補データ行列 Z とを乗じる行列演算を行うことにより
-10
、複数の 10ボックス候補データ用分離済データが結合された 10ボックス候補デ ータ用分離済データ行列 Y を生成する処理を行うものである（図 33のステップ S1 304参照。図 21と同様)。
[0131] —35ボックス相当配列決定処理手段 31Eは、—35ボックス候補データ用分離済 データ生成処理手段 31ひこより生成された複数の 35ボックス候補データ用分離 済データ（すなわち、 35ボックス候補データ用分離済データ行列 Y を構成する
-3ocan 各列ベクトル Y (j) )のうち、— 35ボックス候補データ用分離済データ Y (j)と、
-35 can -35 can 35ボックス用分離済データ行列 Y の真データ対応部分の各列ベクトル Y (k)と
-35 -35 の内積の和 q (j)が最大になる— 35ボックス候補データ用分離済データを求め（図 23 と同様）、求めた— 35ボックス候補データ用分離済データに対応する— 35ボックス 候補配列（図 22の場合と同様に、 j = 1〜7の複数の— 35ボックス候補配列のうちの いずれか 1つ）を 35ボックス相当配列として決定する処理を行うものである（図 34 のステップ S1309参照）。なお、ここでは、内積の和 q (j)が最大になる一 35ボックス 候補データ用分離済データを求める処理を行うものとされている力 35ボックス用 分離済データ行列 Y の真データ対応部分の各列ベクトル Y (k)に最も近い 35
-35 -35
ボックス候補データ用分離済データを求めることができればよぐ例えば、 35ボック ス用分離済データ行列 Y の真データ対応部分の各列ベクトル Y (k)の総体との
-35 -35
類似度が最大になる 35ボックス候補データ用分離済データを求めるにあたり、「内 積の和」以外の類似度を採用してもょ 、。
[0132] 10ボックス相当配列決定処理手段 31Fは、 10ボックス候補データ用分離済デ ータ生成処理手段 31Dにより生成された複数の 10ボックス候補データ用分離済 データ（すなわち、—10ボックス候補データ用分離済データ行列 Y を構成する各
-lOcan
列ベクトル Y (j) )のうち、— 10ボックス候補データ用分離済データ Y (j)と、—
-lOcan -lOcan
10ボックス用分離済データ行列 Y の真データ対応部分の各列ベクトル Y (k)との
-10 -10 内積の和 q (j)が最大になる 10ボックス候補データ用分離済データを求め（図 21と 同様）、求めた 10ボックス候補データ用分離済データに対応する 10ボックス候 補配列（図 20の場合と同様に、 j = 1〜9の複数の— 10ボックス候補配列のうちのい ずれか 1つ）を 10ボックス相当配列として決定する処理を行うものである（図 33のス テツプ S1305参照）。なお、ここでは、内積の和 q (j)が最大になる— 10ボックス候補 データ用分離済データを求める処理を行うものとされている力 10ボックス用分離 済データ行列 Y の真データ対応部分の各列ベクトル Y (k)に最も近い 10ボック
-10 -10
ス候補データ用分離済データを求めることができればよぐ例えば、 10ボックス用 分離済データ行列 Y の真データ対応部分の各列ベクトル Y (k)の総体との類似
-10 -10
度が最大になる 10ボックス候補データ用分離済データを求めるにあたり、「内積の 和」以外の類似度を採用してもょ 、。
[0133] プロモータ候補配列決定処理手段 31Gは、 35ボックス相当配列決定処理手段 3 1Eにより決定された— 35ボックス相当配列および— 10ボックス相当配列決定処理 手段 31Fにより決定された—35ボックス相当配列、並びにこれらに対応する転写開 始点に基づき、プロモータ候補配列を決定する処理を行うものである（図 34のステツ プ S1310および図 37参照）。
[0134] また、プロモータ候補配列決定処理手段 31Gは、決定された— 35ボックス相当配 列および 10ボックス相当配列と、これらに対応する転写開始点を含む転写開始点 近傍領域配列との間に相関がある力否かを判定し、相関がない場合には、それらの - 35ボックス相当配列および— 10ボックス相当配列、並びに転写開始点近傍領域 配列中の転写開始点に基づくプロモータ候補配列の決定処理は行わない。すなわ ち、それらの— 35ボックス相当配列および— 10ボックス相当配列、並びに転写開始 点近傍領域配列中の転写開始点で定まる配列は、プロモータ候補配列として採用さ れない。
[0135] より具体的には、プロモータ候補配列決定処理手段 31Gは、決定された— 35ボッ タス相当配列および 10ボックス相当配列、並びにこれらに対応する転写開始点を 含む転写開始点近傍領域配列を結合して相関判定配列を生成し、この相関判定配 列を相関判定用出現頻度テーブル記憶手段 71 (図 1参照）に記憶された相関判定 用出現頻度テーブル T を用いて、配列位置および A、 T、 G、 Cの記号種別に従つ
BBS
て数値ィ匕して相関判定データを生成した後、相関判定用分離行列記憶手段 72 (図 1 参照）に記憶された相関判定用分離行列 W と、相関判定データまたは複数の相関
BBS
判定データを結合した相関判定データ行列 X
BBS, testとを乗じる行列演算を行うことによ り、相関判定用分離済データまたは複数の相関判定用分離済データが結合された 相関判定用分離済データ行列 Y を求める相関判定用分離処理を行い、この相 関判定用分離処理で求めた相関判定用分離済データまたは相関判定用分離済デ 一タ行列 Y を構成する要素のうち、推定された相関判定用基底行列 w 1に含
BBS, test BBS まれる特徴要素（例えば、第 1列の各要素）の行列内位置に応じて定まる相関判定要 素 (例えば、第 1行の各要素、ベクトルの場合には、第 1番目の要素）の値が、予め定 められた相関判定用閾値 (例えば、ゼロ）を境界として 、ずれの側の値であるかを判 定することにより、相関があるか否かを判定する処理を行う（図 35のステップ S13101 〜S13104および図 37参照）。
[0136] アラインメント処理手段 31Hは、プロモータ候補配列決定処理手段 31Gにより決定 されたプロモータ候補配列について、予め定められたルール (詳細は後述する。）に 従って、ギャップ (例えば「一」）の挿入により、長さを一定長（ここでは、一例として配 列長： 65とする。 )に揃えるアラインメント処理を行うものである（図 32のステップ S 14 および図 38参照）。
[0137] プロモータ候補配列数値化処理手段 31Jは、プロモータ用出現頻度テーブル記憶 手段 61 (図 1参照）に記憶されたプロモータ用出現頻度テーブル T (図 19参照）を prom
用いて、アラインメント処理手段 31Hによりアラインメントされたプロモータ候補配列（ 図 38参照）を、配列位置および A、 T、 G、 C、ギャップ (例えば「―」）の記号種別に従 つて数値化し、検査データを生成する処理を行うものである（図 32のステップ S15お よび図 38参照）。
[0138] 分離処理手段 32は、検査データ生成処理手段 31により生成された検査データ (縦 ベクトル)または複数の検査データを結合した検査データ行列 X につ 、て前処理を test
行った後、プロモータ用分離行列記憶手段 62 (図 1参照）に記憶されたプロモータ用 分離行列 W と、前処理済みの検査データ（縦ベクトル)または複数の検査データを prom
結合した検査データ行列 X とを乗じる行列演算を行うことにより、分離済データまた test
は複数の分離済データが結合された分離済データ行列 Y
testを求める分離処理を行う ものである（図 32のステップ S 16および図 38参照）。
[0139] また、分離処理手段 32は、 1つの検査配列の中で、複数のプロモータ候補配列が 決定された場合（図 36参照）には、それらの各プロモータ候補配列カゝら得られる各検 查データのそれぞれにつ 、て上記の分離処理を行 、、 1つの検査配列につ 、て複 数の分離済データまたはこれらの複数の分離済データが結合された分離済データ 行列 Y を求める処理を行う。
test
[0140] 判定処理手段 33は、分離処理手段 32により求めた分離済データまたは分離済デ 一タ行列 Y を構成する要素のうち、推定された基底行列 W 1に含まれる特徴要
test prom
素（例えば、第 1列の各要素）の行列内位置に応じて定まる特徴判定要素（例えば、 第 1行の各要素、ベクトルの場合には、第 1番目の要素）の値が、予め定められた閾 値 (例えば、ゼロ）を境界としていずれの側の値であるかを判定することにより、判定 処理の対象となる DNA配列若しくは DNA配列断片カゝら切り出された検査配列の中 に、複数種類の既知のプロモータのうちの 、ずれかのプロモータまたは既知のプロ モータに類似する新規なプロモータが含まれるか否かを判定する処理を行う（図 32 のステップ S 17参照）。
[0141] また、判定処理手段 33は、 1つの検査配列の中で、複数のプロモータ候補配列が 決定された場合（図 36参照）には、分離処理手段 32により求めた 1つの検査配列に つ！、ての複数の分離済データの各々またはこれらの複数の分離済データが結合さ れた分離済データ行列 Y を構成する要素のうち、推定された基底行列 W 1に含
test prom まれる特徴要素 (例えば、第 1列の各要素）の行列内位置に応じて定まる各特徴判定 要素 (例えば、第 1行の各要素、ベクトルの場合には、第 1番目の要素）の値が、予め 定められた閾値 (例えば、ゼロ）を境界として 、ずれの側の値であるかをそれぞれ判 定し、このうちプロモータであることを示す側の値 (例えば、正の値)であると判定され た特徴判定要素の値にっ 、て、閾値との差の絶対値が最も大き 、特徴判定要素の 値を求め、求めた特徴判定要素の値を与えた検査データに対応するプロモータ候補 配列が、複数種類の既知のプロモータのうちのいずれかのプロモータまたは既知の プロモータに類似する新規なプロモータであると認識する処理を行う。
[0142] 以上において、学習処理手段 20および検査処理手段 30は、プロモータ認識シス テム 10を構成するコンピュータ (パーソナル 'コンピュータのみならず、その上位機種 または下位機種のものも含む。）の内部に設けられた中央演算処理装置 (CPU)、お よびこの CPUの動作手順を規定する一つまたは複数のプログラムにより実現される。
[0143] また、学習処理手段 20と検査処理手段 30とは、物理的に同じコンピュータで実現 する必要はなぐ別のコンピュータにより実現してもよい。
[0144] さらに、学習処理手段 20に含まれる各処理手段 21 (21Α〜21Ε) , 22 (22A〜22 E) , 23 (23A〜23G) , 24 (24A〜24F)は、一台のコンピュータあるいは一つの CP Uにより実現されるものに限定されず、複数のコンピュータ等で分散処理 (各処理手 段 21 (21A〜21E) , 22 (22A〜22E) , 23 (23A〜23G) , 24 (24A〜24F)毎の 機能的な分散処理、および並列処理を行って処理速度を向上させるための分散処 理を含む。）を行うことにより実現されるものであってもよい。検査処理手段 30に含ま れる各処理手段 31 (31A〜31J) , 32, 33についても同様である。
[0145] なお、学習段階で行う各種処理は、必ずしもオンライン処理が要求されないことから 、学習処理手段 20により行われる各種処理の少なくとも一部は、手計算で行ってもよ い。但し、ユーザの手間の軽減、新規なプロモータが発見された場合の再学習の円 滑化等の観点から、学習段階で行う各種処理は、本実施形態のように、学習処理手 段 20によりコンピュータ処理で行うことが好ましい。
[0146] また、各記憶手段 41〜43, 51〜53, 61〜63, 70 (71〜73)としては、例えば、ハ ードディスク、 ROM、 EEPROM、フラッシュ 'メモリ、 RAM, MO、 CD-ROM, CD — R、 CD-RW, DVD-ROM, DVD -RAM, FD、磁気テープ、あるいはこれら の組合せ等を採用することができる。
[0147] このような第 2実施形態においては、以下のようにしてプロモータ認識システム 10に より DNA配列中のプロモータの認識が行われる。
[0148] <学習段階（トレーニングステップ） >
図 3において、先ず、プロモータ認識システム 10を構成するコンピュータの電源を 投入し、学習段階の各種処理のためのプログラムを立ち上げる (ステップ Sl)。次に、 学習用の既知のプロモータ Np本を用意する。ここでは、一例として、非特許文献 1に 記載された図 5に示すような解析済みの大腸菌プロモータ Np本 (例えば 106本とす る。）を用いることにする（ステップ S 2)。そして、—35ボックス学習の処理 (ステップ S 3)に移行する。
[0149] (一 35ボックス学習）
図 4において、図 5に示すような学習用の既知のプロモータ Np本（106本）から、 35ボックスに相当する 6塩基 (既知であるものとする。 )を Np個（106個）切り出す (ス テツプ S301)。
[0150] 次に、—35ボックス用出現頻度テーブル作成処理手段 21Aにより、 Np個（106個） の― 35ボックスの塩基情報を用いて、これらの― 35ボックス内での各配列位置毎に 、 A、 T、 G、 Cの各記号毎の出現頻度 (frequency)を求め、これらの出現頻度と、—3 5ボックス内での各配列位置（1〜6)および各記号 (A、 T、 G、 C)とを対応させて、図 6に示すような— 35ボックス用出現頻度テーブル T を作成し（図 4のステップ S302)
-35
、作成した T を— 35ボックス用出現頻度テーブル記憶手段
-35 41 (図 1参照）に記憶さ せる。
[0151] 図 6において、 f 、f 、f 、…は、—35ボックス内の第 1番目、第 2番目、
A，- 35(1) A，- 35(2) A，- 35(3)
第 3番目、…の位置における Aの出現頻度を意味し、 f 、 f 、 f 、…は、—
T,-35(l) Τ,-35(2) Τ,-35(3)
35ボックス内の第 1番目、第 2番目、第 3番目、…の位置における Τの出現頻度を意 味する。 G、 Cについても同様である。また、—35ボックス用出現頻度テーブル T に
-35 おいて縦方向に並んだ各数値、すなわち— 35ボックス内の同じ位置における A、 T、 G、 Cの各出現頻度を加算すると、 1. 0になるように正規ィ匕されている。例えば、 f
A,-35(
+ f +f +f る。他の出現頻 ーブル
，—35(l) =1· 0とな 度テ T 、 、
1) T,-35(l) G,-35(l) C -35 τ 、
-10 τ prom τ B の場合も同様に正規ィ匕されている。但し、これらの正規化にあたっては、合計値を
BS 1
. 0とする必要はなぐ例えば、 1000等としてもよい。
[0152] 続いて、 Np個の 35ボックスから、重なっている 35ボックスを取り除き、 Np個か ら N 個（例えば、 72個）にする（図 4のステップ S303)。なお、異なる種類のプロモ
-35
ータであっても、 35ボックスが同じになることがあるので、重なりが生じる。
[0153] それから、ランダムボックス生成処理手段 21Bにより、図 8に示すような— 35ボックス 用学習データ行列 X を構成する学習データ（列ベクトル)のうちの偽データ（図 8の
-35
C τを構成する列ベクトル)を用意するために、 6塩基のランダムボックスを N 個（7
-35 -35
2個）生成する（図 4のステップ S304)。この際、ランダムボックス生成処理手段 21B は、ボックス内の各配列位置での一致が 2塩基以下となるようなランダムボックスを生 成する。また、ランダムボックスは、 A、 T、 G、 Cの各出現頻度に偏りを持たせることな ぐつまり、 A、 T、 G、 Cの各出現頻度が 0. 25ずつになるように生成される。なお、本 実施形態では、—35ボックス用学習データ行列 X を形成するために用意する— 35
-35
ボックスの個数と、ランダムボックスとの個数は、同数の N 個（72個）としたが、同数
-35
に限定されるものではなぐ例えば、 35ボックスの特徴が強い場合には、ランダム ボックスの個数を 35ボックスの個数よりも多くしてもよい。他の学習データ行列 X
-10
、X 、X の場合も同様である。
prom BB¾
[0154] 次に、—35ボックス用数値ィ匕処理手段 21Cにより、—35ボックス用出現頻度テー ブル記憶手段 41 (図 1参照）に記憶された 35ボックス用出現頻度テーブル T (図
-35
6参照）を用いて、既知の― 35ボックスおよびランダムボックス生成処理手段 21Bに より生成されたランダムボックスを、ボックス内での配列位置および A、 T、 G、 Cの記 号種別に従ってそれぞれ数値ィ匕し、 B (図 7参照）および C を生成する（図 4のス
-35 -35
テツプ S305)。
[0155] 続いて、—35ボックス用学習データ行列生成処理手段 21Dにより、—35ボックス 用数値化処理手段 21Cにより数値化して得られた B (図 7参照）および C をそれ
-35 -35 ぞれ転置して B τおよび C τとし、これらを結合して図 8に示すような— 35ボックス用
-35 -35
学習データ行列 X を生成する（図 4のステップ S306)。図 8において、 35ボックス
-35
およびランダムボックスを T でそれぞれ数値ィ匕したデータは、 35ボックス用学習
-35
データ行列 X を構成する各列ベクトルとなっている。このうち、 B τは、真データで
-35 -35
ある一 35ボックスの部分であり、 C τは、偽データであるランダムボックスの部分であ
-35
る。
[0156] その後、—35ボックス用分析処理手段 21Eにより、—35ボックス用学習データ行列 生成処理手段 21Dにより生成された— 35ボックス用学習データ行列 X (図 8参照）
-35
について、前処理（pre-processing)として、平均値のゼロ化処理（zero-mean)および ホワイトニング処理 (whitening:白色化処理）を行う。図 9に示すように、先ず、 35ボ ックス用学習データ行列 X の各行について、行内の各要素の数値の平均値をゼロ
-35
にする平均値のゼロ化処理を行う。次に、ホワイトユング処理として、 X を構成する
-35
各列ベクトル X 0) 0 = 1〜144)と、これを転置したべクトル （j)Tとを乗じた X (j
-35 -35 -35
)X (j)T¾ = l〜： L44について加算して 6行 X 6列の共分散行列 Rを作成する。そし
-35
て、この共分散行列 Rの固有値え 〜λ を対角線に大きい順に並べて持つ対角行列 D (対角線の要素以外は 0の行列）、および固有値え〜λ に対応する固有ベクトル
1 6
を列に持つ行列 Gを得る。それから、 V = D— 1/2GTを用い、 X を構成する各列べタト
-35
ル X (j) (j = 1〜144)につ 、て、 Vと X (j)とを乗じる行列演算を行 、、得られた V
-35 -35
X (j)を新たに X (j) (j = l〜144)とし、これにより、前処理済みの— 35ボックス用
-35 -35
学習データ行列 X を生成する。なお、以上は、線形変換を用いた共分散行列尺に
-35
よる処理を行う場合の説明であるが、本発明では、 X の非線形変換を用いた共分
-35
散行列による処理、すなわち X G)
-35 を非線形変換してから、新たに X (j)
-35 と置き直 す処理を行ってもよい。
[0157] それから、図 10に示すように、—35ボックス用分析処理手段 21Eにより、前処理済 みの 35ボックス用学習データ行列 X を用いて、独立成分分析 (ICA)を行 ヽ、 Y
-35 -3
=W X を満たし、かつ Y の各成分が独立になるような— 35ボックス用分離行列
5 -35 -35 -35
W および 35ボックス用分離済データ行列 Y を求め、求めた W および Y を
-35 -35 -35 -35
- 35ボックス用分離行列記憶手段 42および— 35ボックス用分離済データ行列記憶 手段 43 (図 1参照）に記憶させる（図 4のステップ S307)。ここで、独立成分分析 (IC A)は、 Y を構成する各列ベクトル Y (j)が独立になるような— 35ボックス用分離行
-35 -35
列 W を求める処理である。また、後述するプロモータ用分離行列 W およびプロ 35 prom モータ用分離済データ行列 Y を求める際の独立成分分析 (ICA)の場合 (図 16の prom
ステップ S506)と同様に、いずれの種類の独立成分分析を行ってもよい。さらに、後 述するプロモータ用分離行列 W およびプロモータ用分離済データ行列 Y を求 prom prom める際と同様に、—35ボックス用分析処理として主成分分析 (PCA)を行い、次元縮 約を行ってもよい。そして、前述した X について非線形変換したものを入力として線
-35
形問題の解を求める独立成分分析 (ICA)は、非線形 ICAと呼ぶことができるもので あるが、本発明には、このような非線形の独立成分分析 (ICA)を行う場合も含まれる 。なお、線形変換または非線形変換を行って得られた学習データを入力として非線 形問題の解を求める独立成分分析 (ICA)も、勿論、非線形 ICAと呼ぶことができるも のであるが、この場合でも本発明と同様な目的を達することができ、これを近似して線 形化する処理も本発明に含まれる。
[0158] (一 10ボックス学習） 図 11にお!/、て、図 5に示すような学習用の既知のプロモータ Np本（ 106本）から、 10ボックスに相当する 6塩基 (既知であるものとする。 )を Np個（106個）切り出す（ ステップ S401)。
[0159] 次に、—10ボックス用出現頻度テーブル作成処理手段 22Aにより、 Np個（106個） の— 10ボックスの塩基情報を用いて、これらの— 10ボックス内での各配列位置毎に 、 A、 T、 G、 Cの各記号毎の出現頻度 (frequency)を求め、これらの出現頻度と、—1 0ボックス内での各配列位置（1〜6)および各記号 (A、 T、 G、 C)とを対応させて、図 12に示すような― 10ボックス用出現頻度テーブル T を作成し（図 11のステップ S4
-10
02)、作成した T を 10ボックス用出現頻度テーブル記憶手段 51 (図 1参照）に記
-10
憶させる。
[0160] 続いて、 Np個の 10ボックスから、重なっている 10ボックスを取り除き、 Np個か ら N 個（例えば、 58個）にする（図 11のステップ S403)。なお、異なる種類のプロモ
-10
ータであっても、 10ボックスが同じになることがあるので、重なりが生じる。
[0161] それから、ランダムボックス生成処理手段 22Bにより、図 14に示すような— 10ボック ス用学習データ行列 X を構成する学習データ（列ベクトル)のうちの偽データ（図 14
-10
(DC Tを構成する列ベクトル)を用意するために、 6塩基のランダムボックスを N 個（
-10 -10
58個）生成する（図 11のステップ S404)。この際、ランダムボックス生成処理手段 22 Bは、ボックス内の各配列位置での一致が 2塩基以下となるようなランダムボックスを 生成する。また、ランダムボックスは、 A、 T、 G、 Cの各出現頻度に偏りを持たせること なぐつまり、 A、 T、 G、 Cの各出現頻度が 0. 25ずつになるように生成される。
[0162] 次に、—10ボックス用数値ィ匕処理手段 22Cにより、—10ボックス用出現頻度テー ブル記憶手段 51 (図 1参照）に記憶された 10ボックス用出現頻度テーブル T (図
-10
12参照）を用いて、既知の 10ボックスおよびランダムボックス生成処理手段 22Bに より生成されたランダムボックスを、ボックス内での配列位置および A、 T、 G、 Cの記 号種別に従ってそれぞれ数値ィ匕し、 B (図 13参照）および C を生成する（図 11の
-10 -10
ステップ S405)。
[0163] 続いて、 10ボックス用学習データ行列生成処理手段 22Dにより、 10ボックス 用数値化処理手段 22Cにより数値化して得られた B (図 13参照）および C をそれ
-m -m ぞれ転置して B 1および C とし、これらを結合して図 14に示すような— 10ボックス
-10 -10
用学習データ行列 X を生成する（図 11のステップ S406)。図 14において、—10ボ
-10
ックスおよびランダムボックスを T でそれぞれ数値化したデータは、 10ボックス用
-10
学習データ行列 X を構成する各列ベクトルとなっている。このうち、 B τは、真デ
-10 -10 一 タである 10ボックスの部分であり、 C Τは、偽データであるランダムボックスの部分
-10
である。
[0164] その後、—10ボックス用分析処理手段 22Εにより、 10ボックス用学習データ行列 生成処理手段 22Dにより生成された— 10ボックス用学習データ行列 X (図 14参照
-10
)について、—35ボックスの場合（図 9参照）と同様に、前処理として、平均値のゼロ 化処理およびホワイトユング処理を行う。それから、 V=D_1/2GTを用い、 X を構成す
-10 る各列ベクトル X (
-10 0 = 1〜116)にっぃて、¥と （j)とを乗じる行列演算を行い
-10
、得られた VX (j)を新たに X ( 0 = 1〜116)とし、これにょり、前処理済みの—1
-10 -10
0ボックス用学習データ行列 X を生成する。なお、 35ボックスの場合と同様に、 X
-10 - の非線形変換を用いた共分散行列による処理、すなわち X (j)を非線形変換して
10 -10
から、新たに X (j)と置き直す処理を行ってもよい。
-10
[0165] それから、図 15に示すように、—10ボックス用分析処理手段 22Eにより、前処理済 みの 10ボックス用学習データ行列 X を用いて、独立成分分析 (ICA)を行 ヽ、 Y
-10 -1
=W X を満たし、かつ Y の各成分が独立になるような— 10ボックス用分離行列
0 -10 -10 -10
W および 10ボックス用分離済データ行列 Y を求め、求めた W および Y を
-10 -10 -10 -10 10ボックス用分離行列記憶手段 52および 10ボックス用分離済データ行列記憶 手段 53 (図 1参照）に記憶させる（図 11のステップ S407)。ここで、独立成分分析 (IC A)は、 Y を構成する各列ベクトル Y (j)が独立になるような 10ボックス用分離行
-10 -10
列 w を求める処理である。また、後述するプロモータ用分離行列 w およびプロ 10 prom モータ用分離済データ行列 Y を求める際の独立成分分析 (ICA)の場合 (図 16の prom
ステップ S506)と同様に、いずれの種類の独立成分分析を行ってもよい。さらに、後 述するプロモータ用分離行列 W およびプロモータ用分離済データ行列 Y を求 prom prom める際と同様に、 10ボックス用分析処理として主成分分析 (PCA)を行い、次元縮 約を行ってもよい。そして、前述した X -mについて非線形変換したものを入力として線 形問題の解を求める独立成分分析 (ICA)は、非線形 ICAと呼ぶことができるもので あるが、本発明には、このような非線形の独立成分分析 (ICA)を行う場合も含まれる 。なお、線形変換または非線形変換を行って得られた学習データを入力として非線 形問題の解を求める独立成分分析 (ICA)も、勿論、非線形 ICAと呼ぶことができるも のであるが、この場合でも本発明と同様な目的を達することができ、これを近似して線 形化する処理も本発明に含まれる。
[0166] (プロモータ学習）
図 16において、先ず、プロモータ用アラインメント処理手段 23Aにより、既知のプロ モータ Np本（106本）の長さをギャップ（例えば「一」）の挿入により一定長（ここでは、 配列長： 65)に揃えるアラインメント処理、すなわち図 5の上部から下部に示した状態 にする処理を行う（ステップ S501)。このアラインメント処理は、予め定められたルー ルに従って行われる力 検査段階 (テストステップ）において検査配列の中で決定さ れたプロモータ候補配列についてのアラインメント処理と同様のルールに従って行わ れるため、処理の詳細は後述する（図 38参照）。なお、 Np本（106本）のプロモータ は、全て異なる種類であるため、一35ボックスや— 10ボックスの場合のように同じも のは存在しな 、ことから、重なりを取り除く処理は行わな!/、。
[0167] 続いて、プロモータ用出現頻度テーブル作成処理手段 23Bにより、プロモータ用ァ ラインメント処理手段 23Aにより一定長に揃えられた既知のプロモータ Np本（106本 )を用いて、これらのパターン全体内での各配列位置毎に、 A、 T、 G、 C、ギャップ（「 一」）の各記号毎の出現頻度 (frequency)を求め、これらの出現頻度と、パターン全体 内での各配列位置および各記号とを対応させてプロモータ用出現頻度テーブル T
pro
(図 19参照）を作成し、作成した T をプロモータ用出現頻度テーブル記憶手段 61 m prom
(図 1参照）に記憶させる（図 16のステップ S 502)。
[0168] それから、非プロモータ生成処理手段 23Cにより、全体の長さを一定長（ここでは、 配列長： 65)に揃えた複数種類の非プロモータを生成する（図 16のステップ S503)。 すなわち、非プロモータ生成処理手段 23Cは、図 20に示すように、先ず、非プロモ ータを生成するための非プロモータ生成用配列（例えば、 50塩基)を用意する（図 17 のステップ S50301)。この際、例えば、 Aおよび Tの各出現頻度をそれぞれ 0. 3とし 、 Gおよび Cの各出現頻度をそれぞれ 0. 2とし、複数本の非プロモータ生成用配列 をランダムに自動生成する。
[0169] 次に、非プロモータ生成処理手段 23Cは、非プロモータ生成用配列の中で、転写 開始点を設定する（図 17のステップ S50302)。この際、非プロモータ生成処理手段 23Cは、例えば、非プロモータ生成用配列において、下流側（図 20中の右側）から 見た最初の Aまたは Gを転写開始点とみなす。なお、図 20では、転写開始点は、小 文字で示されている。
[0170] 続いて、非プロモータ生成処理手段 23Cは、図 20に示すように、設定した転写開 始点を基準として、 - 10ボックスと同じ長さ（6塩基)を有する互いに 1塩基ずつ位置 のずれた複数の― 10ボックス候補配列 (j = 1〜9)を、各— 10ボックス候補配列と転 写開始点との間の隙間 (スぺーサ 10に相当する隙間）が 3〜： L 1塩基になるように定 める（図 17のステップ S50303)。
[0171] それから、非プロモータ生成処理手段 23Cは、複数（9個）の— 10ボックス候補配 列を、 10ボックス用出現頻度テーブル記憶手段 51 (図 1参照）に記憶された 10 ボックス用出現頻度テーブル T を用いて、配列位置および A、 T、 G、 Cの記号種別
-10
に従って数値化し、複数（9個）の 10ボックス候補データを生成する（図 17のステツ プ S50304)。なお、これらの複数（9個）の 10ボックス候補データについては、前 処理（平均値のゼロ化処理やホワイトユング処理）は行わなくてもよ!/、。
[0172] そして、非プロモータ生成処理手段 23Cは、図 21〖こ示すよう〖こ、 10ボックス用分 離行列 W と、複数（9個）の 10ボックス候補データを結合した 10ボックス候補
-10
データ行列 Z とを乗じる行列演算、すなわち Y =W Z という行列演算を行い
-10 -lOcan -10 -10
、複数（9個）の 10ボックス候補データ用分離済データが結合された 10ボックス 候補データ用分離済データ行列 Y を生成する（図 17のステップ S50305)。
-lOcan
[0173] 続いて、非プロモータ生成処理手段 23Cは、生成された複数（9個）の 10ボックス 候補データ用分離済データ Y ( (j)と図 21の 10ボッ
-lOcan 0 = 1〜9)のぅち、¥
-lOcan
タス用分離済データ行列 Y の真データ対応部分の各列ベクトル Y (k)との内積の
-10 -10
和 q (i)が最大になる Y (j)を求め、求めた Y (j)に対応する― 10ボックス候補
-lOcan -lOcan
配列（図 20の j = 1〜9の複数の 10ボックス候補配列のうちのいずれ力 1つ）を、非 プロモータに含まれる— 10ボックス相当配列として決定する（図 17のステップ S5030 6)。なお、—10ボックス用分離済データ行列 Y の真データ対応部分とは、図 14の
-10
10ボックス用学習データ行列 X を構成する各列ベクトルのうちの真データである
-10
10ボックスの部分 B τ (58列）に対応する部分である。
-10
[0174] すなわち、 q (j) =∑<Y (j) , Y (k) >という演算を行う。ここで、 j = l〜9であ
-lOcan -10
り、 k= l〜58であり、∑は、 k= l〜58の和を意味し、 < · ·, · ·· >は、内積を意味す る。そして、 J =arg{max q (j) } (但し、 j = l〜9)を求め、求め^ J (j = l〜9のう
-10 -10
ちのいずれか 1つ）を、非プロモータに含まれる— 10ボックス相当配列の開始点（一 番下流側の点）とする。なお、 J = l (j = l)は、転写開始点と— 10ボックス相当配列
-10
との間の隙間 (スぺーサ 10に相当する隙間）が 3塩基になるような— 10ボックス相当 配列の開始点であり、 J = 9 (j = 9)は、転写開始点と 10ボックス相当配列との間
-10
の隙間が 11塩基になるような— 10ボックス相当配列の開始点である（図 20参照)。
[0175] その後、非プロモータ生成処理手段 23Cは、図 22に示すように、決定した 10ボ ックス相当配列の位置を基準として、 35ボックスと同じ長さ（6塩基）を有する互い に 1塩基ずつ位置のずれた複数の— 35ボックス候補配列 (j = 1〜7)を、各— 35ボッ タス候補配列と— 10ボックス相当配列との間の隙間 (スぺーサ 35に相当する隙間） が 15〜21塩基になるように定める（図 17のステップ S50307)。
[0176] それから、非プロモータ生成処理手段 23Cは、複数（7個）の 35ボックス候補配 列を、—35ボックス用出現頻度テーブル記憶手段 41 (図 1参照）に記憶された— 35 ボックス用出現頻度テーブル T を用いて、配列位置および A、 T、 G、 Cの記号種別
-35
に従って数値化し、複数（7個）の 35ボックス候補データを生成する（図 17のステツ プ S50308)。なお、これらの複数（7個）の 35ボックス候補データについては、前 処理（平均値のゼロ化処理やホワイトユング処理）は行わなくてもよ!/、。
[0177] そして、非プロモータ生成処理手段 23Cは、図 23に示すように、 35ボックス用分 離行列 W と、複数（7個）の 35ボックス候補データを結合した 35ボックス候補
-35
データ行列 Z とを乗じる行列演算、すなわち Y =W Z という行列演算を行い
-35 -35can - 35 - 35
、複数（7個）の— 35ボックス候補データ用分離済データが結合された— 35ボックス 候補データ用分離済データ行列 Y を生成する（図 18のステップ S50309)。 [0178] 続いて、非プロモータ生成処理手段 23Cは、生成された複数（7個）の 35ボックス 候補データ用分離済データ Y = 1〜7)のぅち、¥ (j)
-35 can 0) 0 と図 23の 35ボッ
35can
タス用分離済データ行列 Y の真データ対応部分の各列ベクトル Y (k)との内積の
-35 -35
和 q (i)が最大になる Y (j)を求め、求めた Y (j)に対応する― 35ボックス候補
-35 can -35can
配列（図 22の j = 1〜7の複数の 35ボックス候補配列のうちのいずれ力 1つ）を、非 プロモータに含まれる— 35ボックス相当配列として決定する（図 18のステップ S5031 0)。なお、 35ボックス用分離済データ行列 Y の真データ対応部分とは、図 8の—
-35
35ボックス用学習データ行列 X を構成する各列ベクトルのうちの真データである
-35
35ボックスの部分 B τ (72列）に対応する部分である。
-35
[0179] すなわち、 q (j) =∑<Y (j) , Y (k) >という演算を行う。ここで、 j = l〜7であ
-35 can 35
り、 k= l〜72であり、∑は、 k= l〜72の和を意味し、 < · ·, · ·· >は、内積を意味す る。そして、 J =arg{max q (j) } (但し、 j = l〜7)を求め、求め^ J (j = l〜7のう
-35 -35
ちのいずれか 1つ）を、非プロモータに含まれる— 35ボックス相当配列の開始点（一 番下流側の点）とする。なお、 J = l (j = l)は、—10ボックス相当配列と— 35ボック
-35
ス相当配列との間の隙間 (スぺーサ 35に相当する隙間）が 15塩基になるような— 35 ボックス相当配列の開始点であり、 J = 7 (j = 7)は、 10ボックス相当配列と—35
-35
ボックス相当配列との間の隙間が 21塩基になるような— 35ボックス相当配列の開始 点である（図 22参照)。
[0180] その後、非プロモータ生成処理手段 23Cは、決定した 10ボックス相当配列およ び— 35ボックス相当配列、並びに設定した転写開始点に基づき、非プロモータを決 定する（図 18のステップ S50311)。
[0181] それから、非プロモータ用アラインメント処理手段 23Dにより、図 24に示すように、 非プロモータ生成処理手段 23Cにより決定された— 10ボックス相当配列および— 3 5ボックス相当配列をそれぞれ一塊の状態に保ったままで、非プロモータの長さをギ ヤップの挿入により一定長（ここでは、配列長： 65)に揃えるアラインメント処理を行う（ 図 18のステップ S50312)。すなわち、 10ボックス相当配列および一 35ボックス相 当配列は、そのままの長さとし、スぺーサ 10、スぺーサ 35の配列長をそれぞれ 11、 2 1に揃える。このアラインメント処理は、検査段階 (テストステップ)で行われるァライン メント処理（図 38参照）と同様であるため、詳細は後述する。
[0182] そして、アラインメントされた非プロモータ力 アラインメントされた学習用の既知の プロモータに対し、パターン全体内での各配列位置（1〜65の各位置）での一致が 2 5塩基以下であるか否かを判定し、 25塩基以下の非プロモータのみ採用する（図 18 のステップ S 50313)。
[0183] 続いて、採用された非プロモータが Np本（106本)用意された力否かを判定し（図 1 8のステップ S50314)、 Np本（106本）用意されていない場合には、図 17のステップ S50301の処理に戻る。
[0184] 一方、 Np本（106本)用意された場合には、図 25に示すように、プロモータ用数値 化処理手段 23Eにより、プロモータ用出現頻度テーブル記憶手段 61 (図 1参照）に 記憶されたプロモータ用出現頻度テーブル T を用いて、プロモータ用ァラインメン
prom
ト処理手段 23Aによりパターン全体の長さを一定長（ここでは、配列長： 65)に揃えた 既知のプロモータ Np本（106本）、および非プロモータ用アラインメント処理手段 23 Dにより全体の長さを一定長（ここでは、配列長： 65)に揃えた非プロモータ Np本（10 6本）を、配列位置および A、 T、 G、 C、ギャップ (例えば「―」）の記号種別に従って、 それぞれ数値化する処理を行う（図 16のステップ S504)。
[0185] それから、プロモータ用学習データ行列生成処理手段 23Fにより、図 25に示すよう に、プロモータ用数値化処理手段 23Eによりプロモータ Np本（106本）および非プロ モータ Np本（106本）を数値化して得られた B および C をそれぞれ転置して B
prom prom pro τおよび C Tとし、これらを結合してプロモータ用学習データ行列 X (図 25参照） m prom prom
を生成する処理を行う（図 16のステップ S505)。
[0186] 続いて、プロモータ用分析処理手段 23Gにより、プロモータ用学習データ行列生成 処理手段 23Fにより生成されたプロモータ用学習データ行列 X (図 25参照）につ
prom
いて、前処理として、平均値のゼロ化処理およびホワイトユング処理を行った後（図 9 と同様）、図 26に示すように、前処理を経たプロモータ用学習データ行列 X を用い
prom て、独立成分分析 (ICA)を行うことにより、プロモータ用分離行列 W およびプロモ
prom
ータ用分離済データ行列 Y を求め、求めた W および Y をプロモータ用分離
prom prom prom
行列記憶手段 62 (図 1参照）およびプロモータ用分離済データ行列記憶手段 63 (図 26参照）に記憶させる（図 16のステップ S506)。なお、前述した一 35ボックスや一 1 0ボックスの場合と同様に、前処理で、 X の非線形変換を用いた共分散行列による prom
処理、すなわち X (j) (j = 1〜212)を非線形変換してから、新たに X (j)と置き直 prom prom す処理を行ってもょ 、。そして、 X につ 、て非線形変換したものを入力として線形 prom
問題の解を求める独立成分分析 (ICA)は、非線形 ICAと呼ぶことができるものであ るが、本発明には、このような非線形の独立成分分析 (ICA)を行う場合も含まれる。 なお、線形変換または非線形変換を行って得られた学習データを入力として非線形 問題の解を求める独立成分分析 (ICA)も、勿論、非線形 ICAと呼ぶことができるもの であるが、この場合でも本発明と同様な目的を達することができ、これを近似して線形 化する処理も本発明に含まれる。
また、認識精度向上等の観点力もは、上記のように独立成分分析 (ICA)を行うこと が好ましいが、処理時間の短縮等の観点からは、次のように主成分分析 (PCA)を行 つてもよい。プロモータ学習では、図 9において、共分散行列 Rは、 65行 X 65列の正 方行列となり、この共分散行列 Rの固有値え〜λ
1 65を対角線に大きい順に並べて持 つ 65行 X 65列の対角行列 D (対角線の要素以外は 0の行列）、および固有値え〜
1
X に対応する固有ベクトルを列に持つ 65行 Χ 65列の行列 Gが得られる。ここで、 6
65
5次元から η次元への次元縮約を行うとすると、 65行 X 65列の対角行列 Dは、共分 散行列 Rの固有値え〜λを対角線に大きい順に並べて持つ η行 Χ η列の対角行列
1 η
Dとなり、 65行 X 65列の行列 Gは、固有値え〜λ に対応する固有ベクトルを列に 持つ 65行 Χ η列の行列 Gとなる。従って、 D 1/2は、 η行 Χ η列の行列となり、 G τは、 η行 X 65列の行列となるので、 V =D— 1/2G τであるから、 Vは、 η行 X 65列の行列と なる。そこで、この η行 X 65列の行列 Vを、独立成分分析（ICA)におけるプロモータ 用分離行列 W に相当するプロモータ用分離行列とみなせば、検査段階 (テストス prom
テツプ）では、 n行 X 65列のプロモータ用分離行列 Vと、アラインメントされた 65次元 の検査データ（縦ベクトル)または複数の検査データを結合した 65行 X r (任意数)列 の検査データ行列 X とを乗じる行列演算、 Y =V X を行うことにより、 n次元の test n,test n test
分離済データ (縦ベクトル)または複数の分離済データが結合された n行 X r (任意数 )列の分離済データ行列 Y が得られる。そして、 n次元の分離済データ (縦べタト ル)の特徴判定要素 (第 1番目の要素)の値、または n行 X r (任意数)列の分離済デ 一タ行列 Y の特徴判定要素（第 1行の各要素）の値が、閾値の!/、ずれの側の値で n,test
あるかを判定することにより、プロモータであるか否かを判定することができる。
[0188] さらに、 n次元に次元縮約された V X (X 力 S65次元の縦ベクトルであれば、 V n prom prom n
X は、 n次元の縦ベクトルとなり、 X 力 5行 X r (任意数）列の行列であれば、 V prom prom n
X は、 n行 X r (任意数)列の行列となる。 )を、新たな学習データ（縦ベクトル)また prom
は学習データ行列 X とし、この X を用いて独立成分分析 (ICA)を行 、、 n行 n,prom n,prom
X n列のプロモータ用分離行列 W を求めてもよい。この場合には、検査段階 (テ n,prom
ストステップ）にお 、て、 n行 X n列のプロモータ用分離行列 W と、 n次元の検査 n,prom
データ（縦ベクトル)または n行 X r (任意数)列の検査データ行列 X とを乗じる行列 n,test
演算、 Y =W X を行うことにより、 n次元の分離済データ (縦ベクトル)または n,test n,prom n,test
n行 X r (任意数)列の分離済データ行列 Y が得られる。そして、 η次元の分離済デ n,test
ータ (縦ベクトル)の特徴判定要素 (第 1番目の要素）の値、または n行 X r (任意数)列 の分離済データ行列 Y
n,testの特徴判定要素 (第 1行の各要素)の値が、閾値の 、ずれ の側の値であるかを判定することにより、プロモータであるか否かを判定することがで きる。なお、上記にお!、て、 n行 X n列のプロモータ用分離行列 W と、 n行 X 65列 n,prom
の行列 Vとを乗じた W V、すなわち W D "1 2G 'をプロモータ用分離行列とみ n n,prom n n,prom n n
なしてもよい。
[0189] そして、独立成分分析 (ICA)としては、（1)平均相互情報量の最小化を、勾配法に より行う方法、（2)不動点法により非ガウス性の増大を行う方法、（3)高次統計量の対 角化を行う方法の 、ずれの方法を適用してもょ 、。
[0190] なお、独立成分分析 (ICA)または主成分分析 (PCA)を行った結果、プロモータ用 分離済データ行列 Y
prom (または Y
n,prom、以下、同様である。 )の特徴判定要素 (第 1行 の各要素）の値の正負が、反転して得られることがあり得るため、プロモータ用分離済 データ行列 Y の特徴判定要素の値が、正負のいずれであるかを確認する処理を prom
行う。この確認処理は、機械的に行ってもよぐ人間が行ってもよい。そして、プロモ ータ用学習データ行列 X のうちの真データである B τの部分の列ベクトルに対応 prom prom
する Y の列ベクトルの特徴判定要素の値力 正の値 (例えば、 1近傍の値)であれ ば、検査段階の処理で得られる分離済データ行列 Y (図 38参照)の特徴判定要素 test
(第 1行の各要素）の値力 正の値 (例えば、 1近傍の値）になった場合に、プロモータ であると判定することができ、負の値 (例えば、 1近傍の値）になった場合に、プロモ ータではないと判定することができる。一方、プロモータ用学習データ行列 X のうち prom の真データである B Tの部分の列ベクトルに対応する Y の列ベクトルの特徴判定 prom prom
要素の値が、負の値 (例えば、 1近傍の値)であれば、検査段階の処理で得られる 分離済データ行列 Y (図 38参照)の特徴判定要素 (第 1行の各要素)の値が、負の test
値 (例えば、—1近傍の値）になった場合に、プロモータであると判定することができ、 正の値 (例えば、 1近傍の値）になった場合に、プロモータではないと判定することが できる。従って、これらの判定に必要な情報を、判定処理手段 33に設定しておく。こ の設定処理は、機械的に行ってもよぐ人間が行ってもよい。
[0191] (相関学習）
図 27において、先ず、相関結合配列生成処理手段 24Aにより、図 28に示すように 、既知の Np個（106個）の 35ボックス（6塩基）および既知の Np個（106個）の 1 0ボックス (6塩基)と、既知の転写開始点近傍領域配列 (本実施形態では、一例とし て 3塩基とする。）とを結合し、例えば 15塩基の相関結合配列を Np個（106個）生成 する（図 27のステップ S601)。なお、転写開始点近傍領域配列の長さは、例えば 4 塩基や 5塩基等であってもよ 、。
[0192] 次に、相関判定用出現頻度テーブル作成処理手段 24Bにより、相関結合配列生 成処理手段 24Aにより生成された Np個（106個）の相関結合配列を用いて、これら の相関結合配列内での各配列位置毎に、 A、 T、 G、 Cの各記号毎の出現頻度 (freq uency)を求め、これらの出現頻度と、相関結合配列内での各配列位置および各記号 とを対応させて図 29に示すような相関判定用出現頻度テーブル T を作成し、作成
BBS
した T を相関判定用出現頻度テーブル記憶手段 71 (図 1参照）に記憶させる（図 2
BBS
7のステップ S601)。
[0193] 続いて、図 30に示すように、 Np個（106個）の相関結合配列を、例えば 10倍の 10
X Np個（1060個）にし、ランダムに配置する。この拡大処理は、同じデータを例えば 10倍に拡大するものであり、統計学におけるブーストラッピングの処理である。 [0194] それから、非相関結合配列生成処理手段 24Cにより、図 30に示すように、既知の 1 0 X Np個（1060個）の 35ボックス（6塩基）および既知の 10 X Np個（1060個）の 10ボックス（6塩基）と、既知の転写開始点近傍領域配列とは異なる 10 X Np個（1 060個）のランダム配列（一例として 3塩基とする。）とを結合し、例えば 15塩基の非 相関結合配列を 10 X Np個（1060個）生成する（図 27のステップ S603)。この際、 1 O X Np個（1060個）の 3塩基のランダム配列は、 A、 T、 G、 Cの 4つの記号の順列で ある 43 = 64パターンのうち、既知の 35ボックスおよび既知の 10ボックスに対する 既知の転写開始点近傍領域配列（つまり、真のデータである 1パターン)および記号 的にあり得ないパターンを除いた 3字組の集合から、ランダムに選び出して生成され る。なお、図 30に示すように、 15塩基の非相関結合配列は、相関結合配列における 既知の 3塩基の転写開始点近傍領域配列の部分だけ、 3塩基のランダム配列に入れ 替えればよいので、残りの 6塩基の 35ボックスおよび 6塩基の 10ボックスの部分 は、相関結合配列と同じでよい。
[0195] そして、相関結合配列用数値ィ匕処理手段 24Dにより、図 30に示すように、相関判 定用出現頻度テーブル記憶手段 71 (図 1参照）に記憶された相関判定用出現頻度 テーブル T (図 29参照）を用いて、 10 X Np個（1060個）の相関結合配列および 1
BBS
O X Np個（1060個）の非相関結合配列を、配列位置および A、 T、 G、 Cの記号種別 に従って、それぞれ数値ィ匕し、行列 B および行列 C を得る（図 27のステップ S60
BBS BBS
4)。
[0196] その後、相関判定用学習データ行列生成処理手段 24Eにより、図 30に示すように 、相関結合配列用数値ィ匕処理手段 24Dにより数値ィ匕して得られた B および C を
BBS
それぞれ転置して B 1および C 1とし、これらを結合して相関判定用学習データ行
BBS BBS
列 X を生成する（図 27のステップ S605)。
BBS
[0197] なお、相関判定用学習データ行列 X を生成する際に、 B 1および C 'に加え、
BBS BBS BBS
図 30中の点線で示すように、配列長が 15の例えば ΙΟ Χ Νρ個（1060個）のランダム 配列（既知の 35ボックスや既知の 10ボックスとは異なる配列）により形成される D Tを結合してもよい。
BBS
[0198] 続いて、相関判定用分析処理手段 24Fにより、相関判定用学習データ行列生成処 理手段 24Eにより生成された相関判定用学習データ行列 X (図 30参照）について
BBS
、前処理として、平均値のゼロ化処理およびホワイトユング処理を行い、得られた結 果を新たに X とした後（図 9と同様)、図 31に示すように、前処理を経た相関判定用
BBS
学習データ行列 X を用いて、独立成分分析 (ICA)を行うことにより、相関判定用分
BBS
離行列 W および相関判定用分離済データ行列 Y を求め、求めた W および Y
BBS BBS BBS B
を相関判定用分離行列記憶手段 72 (図 1参照)および相関判定用分離済データ行
BS
列記憶手段 73 (図 31参照）に記憶させる（図 27のステップ S606)。独立成分分析 (I CA)は、 Y を構成する各列ベクトル Y (j)が独立になるような相関判定用分離行
BBS BBS
列 W を求める処理である。また、前述したプロモータ用分離行列 W およびプロ
BBS prom
モータ用分離済データ行列 Y を求める際の独立成分分析 (ICA)の場合 (図 16の prom
ステップ S506)と同様に、いずれの種類の独立成分分析を行ってもよい。さらに、前 述したプロモータ用分離行列 W およびプロモータ用分離済データ行列 Y を求 prom prom める際と同様に、相関判定用分析処理として主成分分析 (PCA)を行い、次元縮約 を行ってもよい。そして、非線形の独立成分分析 (ICA)や主成分分析 (PCA)を行つ てもよい。
なお、独立成分分析 (ICA)または主成分分析 (PCA)を行った結果、相関判定用 分離済データ行列 Y (または n次元に縮約された Y 、以下、同様である。）の相
BBS n,BBS
関判定要素 (第 1行の各要素）の値の正負が、反転して得られることがあり得るため、 相関判定用分離済データ行列 Y
BBSの相関判定要素の値力 正負のいずれであるか を確認する処理を行う。この確認処理は、機械的に行ってもよぐ人間が行ってもよい 。そして、相関判定用学習データ行列 X のうちの真データである B τの部分の列
BBS BBS
ベクトルに対応する Y の列ベクトルの相関判定要素の値力 正の値 (例えば、 1近
BBS
傍の値)であれば、検査段階の処理で得られる相関判定用分離済データ行列 Y
BBS'tes
(図 37参照）の相関判定要素 (第 1行の各要素）の値が、正の値 (例えば、 1近傍の t
値）になった場合に、相関があると判定することができ、負の値 (例えば、— 1近傍の 値）になった場合に、相関がないと判定することができる。一方、相関判定用学習デ 一タ行列 X のうちの真データである B τの部分の列ベクトルに対応する Y の列
BBS BBS BBS
ベクトルの相関判定要素の値力 負の値 (例えば、 1近傍の値)であれば、検査段階 の処理で得られる相関判定用分離済データ行列 Y (図 37参照)の相関判定要
BBS, test
素 (第 1行の各要素）の値が、負の値 (例えば、 1近傍の値）になった場合に、相関が あると判定することができ、正の値 (例えば、—1近傍の値）になった場合に、相関が ないと判定することができる。従って、これらの相関判定に必要な情報を、プロモータ 候補配列決定処理手段 31 Gに設定しておく。この設定処理は、機械的に行ってもよ ぐ人間が行ってもよい。
[0200] 以上で、学習段階（トレーニングステップ）の処理は終了する（図 3のステップ S7)。
その後、検査段階 (テストステップ)の処理へ移行する。
[0201] <検査段階 (テストステップ） >
図 32において、先ず、プロモータ認識システム 10を構成するコンピュータの電源を 投入し、必要なプログラムを立ち上げてプロモータ認識処理を開始し (ステップ S 11) 、判定対象となる DNA配列または DNA配列断片から、検査配列を切り出す (ステツ プ S12)。なお、判定対象となる DNA配列または DNA配列断片カゝら既に切り出され ている検査配列が与えられた場合には、切出処理は行わなくてよい。
[0202] この際、切り出す検査配列の長さは、複数種類の類似する既知のプロモータのうち の最長のプロモータの長さ以上とし、図 36に示すように、少なくとも最長のプロモータ の長さの分だけ重なるようにして順次位置をずらしながら、 DNA配列または DNA配 列断片から検査配列を切り出していく。なお、類似する新規なプロモータ (新たに発 見される可能性のあるプロモータ） 1S 既知の最長のプロモータよりも長くなることがあ る得るため、切り出す検査配列の長さは、最長のプロモータよりも若干長いプロモー タを想定し、その想定された新規な最長のプロモータの長さ以上とすることが好ましく 、同様に、切り出しの際の重なりは、少なくとも、想定された新規な最長のプロモータ の長さの分だけ確保することが好ましい。また、切り出された検査配列の中に、複数 のプロモータが存在する状況になると、 1つの検査配列の中からプロモータであると 認識される最も確力もしいものを 1つ決定する処理を行ううえで不都合が生じるので、 検査配列の長さは、既知の最短のプロモータの長さの 2倍未満の長さ、または想定さ れる新規な最短のプロモータの長さの 2倍未満の長さとすることが好ましい。例えば、 非特許文献 1に記載された既知の大腸菌プロモータの場合には、既知のプロモータ の長さが、 31〜45塩基であるから、検査配列の長さは、 45以上で、かつ、 62 (31 X 2)未満、すなわち 45〜61とすることができ、また、相関判定を考慮し、転写開始点 近傍領域配列の 3塩基を全て含めて（つまり、転写開始点の 1つ下流の + 2の塩基も 含めて）処理上必要なプロモータの長さとするならば、その処理上必要なプロモータ の長さは、 32〜46塩基となるので、検査配列の長さは、 46以上で、かつ、 64 (32 X 2)未満、すなわち 46〜63とすることができ、さらに、想定される新規な最長のプロモ ータを考慮するならば、検査配列の長さの下限値は、大きくなり、一方、想定される新 規な最短のプロモータを考慮するならば、検査配列の長さの上限値は、小さくなる。 本実施形態では、一例として検査配列の長さを 50塩基として説明を行うものとする。
[0203] 次に、検査配列（50塩基）の中で、プロモータ候補配列を決定する (ステップ S13) 。この際、転写開始点を 1塩基ずつずらして設定し、 1つの検査配列の中で、図 36中 の二点鎖線で示すように複数のプロモータ候補配列を決定してもよ!/、。具体的には、 以下のようになる。
[0204] 図 33において、先ず、—10ボックス候補データ生成処理手段 31Bにより、検査配 列の中で、転写開始点を設定する (ステップ S1301)。この際、転写開始点は、下流 側（図 36中の右側）から見て最初の Aまたは Gに設定する等により、 1つの検査配列 にっき 1つだけ設定してもよいが、認識精度向上の観点から、以下に述べるステップ S 1302〜S 1312の処理を繰り返すことにより、 1つの検査配列にっき複数設定する ことが好ま 、ので、この場合につ 、て説明を行う。
[0205] また、― 10ボックス候補データ生成処理手段 31Bは、ステップ S1301および後述 するステップ S1312で転写開始点を設定する際に、転写開始点近傍領域配列が、 あり得な ヽ配列になって ヽるカゝ否かを判定し、あり得な ヽ配列になって!/ヽる場合には 、その転写開始点は採用しない処理を行ってもよい。なお、この処理を行う際には、 転写開始点近傍領域配列としてあり得る配列の全てを、図示されないメモリに記憶し ておけばよい。
[0206] 次に、—10ボックス候補データ生成処理手段 31Bにより、図 36に示すように、設定 した転写開始点を基準として、 - 10ボックスと同じ長さ（6塩基)を有する互いに 1塩 基ずつ位置のずれた複数 (9個）の— 10ボックス候補配列を、転写開始点と各― 10 ボックス候補配列との間の隙間 (スぺーサ 10に相当する隙間）が 3〜： L 1塩基になるよ うに定める（図 33のステップ S1302)。
[0207] 続いて、 10ボックス候補データ生成処理手段 31Bにより、図 36に示すように、複 数（9個）の― 10ボックス候補配列にっ 、て、 - 10ボックス用出現頻度テーブル記憶 手段 51 (図 1参照）に記憶された 10ボックス用出現頻度テーブル T を用いて、配
-10
列位置および A、 T、 G、 Cの記号種別に従って、それぞれ数値化して複数 (9個）の - 10ボックス候補データを生成する（図 33のステップ S1303)。
[0208] それから、—10ボックス候補データ用分離済データ生成処理手段 31Dにより、図 2 1の場合と同様にして、 10ボックス用分離行列記憶手段 52 (図 1参照）に記憶され た— 10ボックス用分離行列 W と、—10ボックス候補データ生成処理手段 31Bによ
-10
り生成された複数（9個）の 10ボックス候補データを結合した 10ボックス候補デ 一タ行列 Z とを乗じる行列演算、すなわち Y =W Z を行い、複数 (9個）の
-10 -lOcan -10 -10
10ボックス候補データ用分離済データが結合された 10ボックス候補データ用分離 済データ行列 Y を生成する（図 33のステップ S1304)。
-lOcan
[0209] その後、—10ボックス相当配列決定処理手段 3 IFにより、図 21の場合と同様にし て、 10ボックス候補データ用分離済データ生成処理手段 31Dにより生成された複 数（9個）の 10ボックス候補データ用分離済データ（すなわち、 10ボックス候補 データ用分離済データ行列 Y を構成する各列ベクトル Y (j)、但し j = 1
-lOcan -lOcan 〜9) のうち、 10ボックス候補データ用分離済データ Y (j)と、 10ボックス用分離済
-lUcan
データ行列 Y の真データ対応部分の各列ベクトル Y (k)との内積の和 q (j)が最
-10 -10
大になる― 10ボックス候補データ用分離済データを求め、求めた— 10ボックス候補 データ用分離済データに対応する— 10ボックス候補配列（図 20の場合と同様に、 j = 1〜9の複数の 10ボックス候補配列のうちのいずれか 1つ）を— 10ボックス相当 配列として決定する（図 33のステップ S1305)。
[0210] すなわち、 q (j) =∑<Y (j) , Y (k) >という演算を行う。ここで、 j = l
-lOcan -10 〜9であ り、 k= l〜58であり、∑は、 k= l〜58の和を意味し、 < · ·, · ·· >は、内積を意味す る。そして、 J =arg{max q (j) } (但し、 j = l
-10 〜9)を求め、求め^ J (j = l
-10 〜9のう ちのいずれか 1つ）を、プロモータ候補配列に含まれる— 10ボックス相当配列の開始 点（一番下流側の点）とする。なお、 J = l (j = l)は、転写開始点と 10ボックス相
-10
当配列との間の隙間 (スぺーサ 10に相当する隙間）が 3塩基になるような— 10ボック ス相当配列の開始点であり、 J = 9 (j = 9)は、転写開始点と 10ボックス相当配列
-10
との間の隙間が 11塩基になるような一 10ボックス相当配列の開始点である（図 20と 同様)。
[0211] 続いて、—35ボックス候補データ生成処理手段 31 Aにより、図 22の場合と同様に して、検査配列の中で、 10ボックス相当配列決定処理手段 31Fにより決定した 10ボックス相当配列の位置を基準として、 35ボックスと同じ長さ（6塩基）を有する 互いに 1塩基ずつ位置のずれた複数（7個）の— 35ボックス候補配列を、― 10ボック ス相当配列と各— 35ボックス候補配列との間の隙間 (スぺーサ 35に相当する隙間） 力 15〜21塩基になるように定める（図 33のステップ S1306)。
[0212] それから、—35ボックス候補データ生成処理手段 31 Aにより、図 22の場合と同様 にして、複数（7個）の— 35ボックス候補配列について、—35ボックス用出現頻度テ 一ブル記憶手段 41 (図 1参照）に記憶された 35ボックス用出現頻度テーブル T
-35 を用いて、配列位置および A、 T、 G、 Cの記号種別に従って、それぞれ数値化して 複数（7個）の― 35ボックス候補データを生成する（図 33のステップ S1307)。
[0213] その後、—35ボックス候補データ用分離済データ生成処理手段 31Cにより、図 23 の場合と同様にして、 35ボックス用分離行列記憶手段 42 (図 1参照）に記憶された —35ボックス用分離行列 W と、—35ボックス候補データ生成処理手段 31Aにより
-35
生成された複数（7個）の— 35ボックス候補データを結合した― 35ボックス候補デー タ行列 Z とを乗じる行列演算、すなわち Y =W Z という行列演算を行い、複
-35 -35can - 35 - 35
数（7個）の― 35ボックス候補データ用分離済データが結合された— 35ボックス候補 データ用分離済データ行列 Y を生成する（図 34のステップ S 1308)。
-35 can
[0214] 続いて、—35ボックス相当配列決定処理手段 31Eにより、図 23の場合と同様にし て、 35ボックス候補データ用分離済データ生成処理手段 31Cにより生成された複 数（7個）の 35ボックス候補データ用分離済データ（すなわち、 35ボックス候補 データ用分離済データ行列 Y を構成する各列ベクトル Y (j)、但し、 j = l
-35 can -35 can 〜7) のうち、—35ボックス候補データ用分離済データ Y (j)と、—35ボックス用分離済
-3bcan データ行列 Y の真データ対応部分の各列ベクトル Y (k)との内積の和 q (j)が最
-35 -35
大になる― 35ボックス候補データ用分離済データを求め、求めた— 35ボックス候補 データ用分離済データに対応する— 35ボックス候補配列（図 22の場合と同様に、 j = 1〜7の複数の 35ボックス候補配列のうちの!/、ずれか 1つ）を— 35ボックス相当 配列として決定する（図 34のステップ S1309)。
[0215] すなわち、 q (j) =∑<Y (j) , Y (k) >という演算を行う。ここで、 j = l〜7であ
-35 can 35
り、 k= l〜72であり、∑は、 k= l〜72の和を意味し、 < · ·, · ·· >は、内積を意味す る。そして、 J =arg{max q (j) } (但し、 j = l〜7)を求め、求め^ J (j = l〜7のう
-35 -35
ちのいずれか 1つ）を、プロモータ候補配列に含まれる— 35ボックス相当配列の開始 点（一番下流側の点）とする。なお、 J = l (j = l)は、 10ボックス相当配列と 35
-35
ボックス相当配列との間の隙間 (スぺーサ 35に相当する隙間）が 15塩基になるような —35ボックス相当配列の開始点であり、 J = 7 (j = 7)は、—10ボックス相当配列と
-35
—35ボックス相当配列との間の隙間が 21塩基になるような— 35ボックス相当配列の 開始点である（図 22と同様)。
[0216] その後、プロモータ候補配列決定処理手段 31Gにより、図 37に示すように、 35 ボックス相当配列決定処理手段 31Eにより決定された 35ボックス相当配列および - 10ボックス相当配列決定処理手段 31Fにより決定された - 35ボックス相当配列、 並びにこれらに対応する転写開始点に基づき、プロモータ候補配列を決定する（図 3 4のステップ S1310)。この際、プロモータ候補配列決定処理手段 31Gにより、 - 35 ボックス相当配列および 10ボックス相当配列と、これらに対応する転写開始点を含 む転写開始点近傍領域配列との間に相関がある力否かを判定し、相関がない場合 には、それらの— 35ボックス相当配列および— 10ボックス相当配列、並びに転写開 始点近傍領域配列中の転写開始点に基づくプロモータ候補配列の決定処理は行わ ない。すなわち、それらの 35ボックス相当配列および 10ボックス相当配列、並び に転写開始点近傍領域配列中の転写開始点で定まる配列は、プロモータ候補配列 として採用されない。より具体的には、以下のようになる。
[0217] 図 35において、プロモータ候補配列決定処理手段 31Gにより、図 37に示すように 、—35ボックス相当配列および— 10ボックス相当配列、並びにこれらに対応する転 写開始点を含む転写開始点近傍領域配列を結合して相関判定配列を生成する（図 35のステップ S 13101)。
[0218] 次に、プロモータ候補配列決定処理手段 31Gにより、図 37に示すように、相関判 定用出現頻度テーブル記憶手段 71 (図 1参照）に記憶された相関判定用出現頻度 テーブル T を用いて、相関判定配列を、配列位置および A、 T、 G、 Cの記号種別
BBS
に従って数値ィ匕して相関判定データを生成する（図 35のステップ S 13102)。
[0219] 続いて、プロモータ候補配列決定処理手段 31Gにより、図 37に示すように、相関判 定用分離行列記憶手段 72 (図 1参照）に記憶された相関判定用分離行列 W と、相
BBS
関判定データまたは複数の相関判定データを結合した相関判定データ行列 X
BBS, test とを乗じる行列演算、すなわち Y =w X という行列演算を行うことにより、
BBS, test BBS BBS, test
相関判定用分離済データまたは複数の相関判定用分離済データが結合された相関 判定用分離済データ行列 Y
BBS, testを求める相関判定用分離処理を行う（図 35のステツ プ S13103)。
[0220] それから、プロモータ候補配列決定処理手段 31Gにより、相関判定用分離処理で 求めた相関判定用分離済データまたは相関判定用分離済データ行列 Y を構成 する要素のうち、推定された相関判定用基底行列 W 1に含まれる特徴要素 (例え
BBS
ば、第 1列の各要素）の行列内位置に応じて定まる相関判定要素（例えば、第 1行の 各要素、ベクトルの場合には、第 1番目の要素）の値が、予め定められた相関判定用 閾値 (例えば、ゼロ）を境界としていずれの側の値であるかを判定することにより、相 関がある力否かを判定する。そして、プロモータ候補配列決定処理手段 31Gは、相 関があると判定した場合にのみ、それらの相関のある 35ボックス相当配列および 10ボックス相当配列、並びに転写開始点近傍領域配列中の転写開始点に基づき 、プロモータ候補配列を決定する（図 35のステップ S13104)。
[0221] その後、処理中の検査配列の中で、転写開始点を 1塩基ずらせるか否かを判断し ( 図 34のステップ S 1311)、ずらせると判断した場合には、—10ボックス候補データ生 成処理手段 31Bにより、転写開始点を 1塩基ずらして設定した後（図 34のステップ S 1312)、図 33のステップ S1302の処理に戻り、以降、転写開始点がずらせなくなる まで、図 33のステップ S1302〜図 34の S1312の処理を繰り返す。一方、図 34のス テツプ S1311で、ずらせないと判断した場合には、 1つの検査配列の中での複数の プロモータ候補配列の決定処理が全て終了する。
[0222] そして、図 32において、アラインメント処理手段 31Hにより、プロモータ候補配列決 定処理手段 31Gにより決定された複数のプロモータ候補配列のそれぞれについて、 予め定められたルールに従って、ギャップ「一」の挿入により、長さを一定長（ここでは 、配列長： 65)に揃えるアラインメント処理を行う（図 32のステップ S 14)。
[0223] このアラインメント処理は、図 38に示すように、次のようなルールで行われる。ァライ ンメントされたプロモータ候補配列（配列長： 65)を格納するメモリを、上流側より、 M ( 1)〜M (65)とすると、先ず、上流側より、 M (1)〜M (14)に 35ボックス相当配列 の上流側（図中の左側）にある 14塩基を格納する。この際、もし 14塩基ない場合に は、足りない分のギャップ「一」を M (l)から順に格納した後に、残りの塩基を格納す る。
[0224] 次に、 M (15)〜M (20)に 35ボックス相当配列である 6塩基を格納し、さらに、 M
(21)〜M (25)に— 35ボックス相当配列の下流側に続 、て 、る 5塩基を格納する。 この 5塩基は、スぺーサ 35の一部である。
[0225] 続!、て、アラインメント後のスぺーサ 35の配列長を 21に揃えた!/、ので、 M (26)〜
M (41)に、（21 アラインメント前のスぺーサ 35の塩基数）個のギャップ「一」を格納 した後、前述した 5塩基を除いた残りのスぺーサ 35を格納する。
[0226] それから、 M (42)〜M (47)に 10ボックス相当配列である 6塩基を格納し、さらに
、 M (48)〜M (50)に 10ボックス相当配列の下流側に続いている 3塩基を格納す る。この 3塩基は、スぺーサ 10の一部である。
[0227] 続いて、アラインメント後のスぺーサ 10の配列長を 11に揃えたいので、 M (51)〜
M (58)〖こ、（11 アラインメント前のスぺーサ 10の塩基数）個のギャップ「一」を格納 した後、前述した 3塩基を除 、た残りのスぺーサ 10を格納する。
[0228] そして、 M (59)に転写開始点を格納し、さらに、 M (60)〜M (65)に転写開始点の 下流側に続いている 6塩基を格納する。この際、もし 6塩基ない場合には、足りない分 のギャップ「 」を最後に格納する。
[0229] 以上のようなアラインメントのルールは、前述した非特許文献 1に記載されたァライ ンメントと同じルールである力 本発明におけるアラインメントは、これに限定されるも のではなぐ要するに、一定のルールを作り、部分パターンである 35ボックスや 1 0ボックス等に相当する配列力 同一若しくは略同一の位置に来るようにすればよい 。従って、アラインメント後の配列長も 65に限定されるものではなぐ例えば、 70、 75 、 80等でもよい。
[0230] その後、プロモータ候補配列数値ィ匕処理手段 31Jにより、図 38に示すように、プロ モータ用出現頻度テーブル記憶手段 61 (図 1参照）に記憶されたプロモータ用出現 頻度テーブル T (図 19参照）を用いて、アラインメント処理手段 31Hによりァライン
prom
メントされたプロモータ候補配列を、配列位置および A、 T、 G、 C、ギャップ「―」の記 号種別に従って数値ィ匕し、検査データを生成する（図 32のステップ S 15)。
[0231] 続いて、分離処理手段 32により、前述したプロモータ学習（図 16のステップ S506) で算出されて図示されな!、メモリに記憶されて!、る平均値 (平均値のゼロ化処理のと きに得られた平均値)および V= D— 1/2GT (ホワイトユング処理のときに得られた行列 V )を用いて前処理を行う。すなわち検査データ生成処理手段 31により生成された検 查データ（縦ベクトル)または複数の検査データを結合した検査データ行列 X を構
test 成する各列ベクトル X (j)につ ヽて、 Vと X (j)とを乗じる行列演算を行 ヽ、得られ
test test
た VX (j)を新たに X (j)とし、これにより、前処理済みの検査データ (縦ベクトル） test test
または検査データ行列 X を生成する。そして、分離処理手段 32により、図 38に示
test
すように、プロモータ用分離行列記憶手段 62 (図 1参照）に記憶されたプロモータ用 分離行列 W と、前処理済みの検査データ（縦ベクトル)または複数の検査データを
prom
結合した検査データ行列 X とを乗じる行列演算、すなわち Y =W X という行
test test prom test 列演算を行うことにより、分離済データまたは複数の分離済データが結合された分離 済データ行列 Y を求める分離処理を行う（図 32のステップ S 16)。
test
[0232] この際、分離処理手段 32は、 1つの検査配列の中で、複数のプロモータ候補配列 が決定された場合（図 36参照）には、それらの各プロモータ候補配列から得られる各 検査データのそれぞれにつ 、て上記の分離処理を行 、、 1つの検査配列につ 、て、 複数の分離済データまたはこれらの複数の分離済データが結合された分離済デー タ行列 Y を求める。 [0233] それから、判定処理手段 33は、分離処理手段 32により求めた分離済データまたは 複数の分離済データが結合された分離済データ行列 Y
testを構成する要素のうち、推 定された基底行列 w 1に含まれる特徴要素 (例えば、第 1列の各要素）の行列内
prom
位置に応じて定まる特徴判定要素（例えば、図 38に示すように、第 1行の各要素、ベ タトルの場合には、第 1番目の要素）の値力 予め定められた閾値 (例えば、ゼロ）を 境界としていずれの側の値であるかを判定することにより、検査配列の中に、複数種 類の既知のプロモータのうちのいずれかのプロモータまたは既知のプロモータに類 似する新規なプロモータが含まれる力否かを判定する（図 32のステップ S 17)。例え ば、分離済データ行列 Y
testの第 1行の各要素、つまり分離済データ行列 Y
testを構成 する各列ベクトル Y (j)
test の第 1番目の要素の値が、正の値 (実際には、例えば 1近傍 の値となる。）の場合には、その列ベクトル Y (j)に対応するプロモータ候補配列は
test
、プロモータであると判定され、一方、負の値 (実際には例えば 1近傍の値となる。 ) の場合には、プロモータでないと判定される。なお、前述したように、独立成分分析 (I CA)または主成分分析 (PCA)を行って得られる結果として、正負が逆転することが あり得るので、その場合には、逆の判定を行う。
[0234] また、判定処理手段 33は、 1つの検査配列の中で、複数のプロモータ候補配列が 決定された場合（図 36参照）には、分離処理手段 32により求めた 1つの検査配列に つ！、ての複数の分離済データの各々またはこれらの複数の分離済データが結合さ れた分離済データ行列 Y を構成する要素のうち、推定された基底行列 W 1に含
test prom まれる特徴要素 (例えば、第 1列の各要素）の行列内位置に応じて定まる各特徴判定 要素 (例えば、第 1行の各要素、ベクトルの場合には、第 1番目の要素）の値が、予め 定められた閾値 (例えば、ゼロ）を境界として 、ずれの側の値であるかをそれぞれ判 定し、このうちプロモータであることを示す側の値 (例えば、正の値)であると判定され た特徴判定要素の値にっ 、て、閾値との差の絶対値が最も大き 、特徴判定要素の 値を求め、求めた特徴判定要素の値を与えた検査データに対応するプロモータ候補 配列が、複数種類の既知のプロモータのうちのいずれかのプロモータまたは既知の プロモータに類似する新規なプロモータであると認識する処理を行う。例えば、分離 済データ行列 Y を構成する各列ベクトル Y (j)の第 1番目の要素の値力 0. 9 3、 一 1. 07、 1. 03、 0. 96· ··となった場合には、プロモータであることを示す佃 Jの値 (正の値）である 1. 03、 0. 96のうち、最も大き!/、 1. 03と!ヽぅ値を与えた検査データ に対応するプロモータ候補配列力 プロモータであると認識される。
[0235] 以上により、検査段階 (テストステップ）における処理が終了する（図 32のステップ S 18)。なお、検査段階における処理結果として新規なプロモータが発見された場合に は、そのプロモータを学習データとし、学習処理手段 20により再学習処理を行うこと が好ましい。
[0236] このような第 1実施形態によれば、次のような効果がある。すなわち、プロモータ認 識システム 10は、判定対象となる DNA配列を構成する各塩基記号 A、 T、 G、 C、お よびアラインメントで挿入されたギャップ「一」を、各配列位置毎で、かつ、各記号種別 毎に求められてプロモータ用出現頻度テーブル T に格納されて 、る出現頻度を用 prom
V、て数値化するとともに、独立成分分析 (ICA)または主成分分析 (PCA)を行って得 られたプロモータ用分離行列 W (または次元縮約された W 、以下、同様である prom n,prom
。）を用いて DNA配列中にプロモータが存在するか否かを判定するので、従来の二 ユーラルネットワーク法や期待値最大化法を用いたコンピュータによるプロモータ解 祈の場合に比べ、プロモータの認識精度を向上させることができる。また、試験管中 の生物実験や X線解析によるプロモータ解析の場合と比べても、時間的'経済的に 優位なプロモータ解析を実現することができる。
[0237] また、プロモータに含まれる部分パターンである 35ボックスや 10ボックスのそ れぞれについて部分パターン用出現頻度テーブルである T や T を作成し、これら
-35 -10
を用いて配列の数値ィ匕を行うとともに、独立成分分析 (ICA)または主成分分析 (PC A)を行って得られた部分パターン用分離行列である W (または次元縮約された W
-35 n,
、以下、同様である。 ) ^w (または次元縮約された W 、以下、同様である。）を
-35 -10 η,-10
用いて 35ボックスや 10ボックスに相当する配列を見つけるので、プロモータ内 での— 35ボックスや— 10ボックスの各領域位置に多様性があり、かつ、これに伴って プロモータの全体の長さに多様性があるという状況下においても、プロモータを精度 よく認識することができる。
[0238] さらに、 35ボックスや一 10ボックスに相当する配列を見つける際には、図 21およ び図 23に示すように、内積の和 q (j)を用いるので、より確力らしい— 35ボックス相当 配列や— 10ボックス相当配列を見つけることができ、これにより、より高い精度でプロ モータを認識することができる。
[0239] そして、検査段階 (テストステップ）では、 1つの検査配列の中で、プロモータ候補配 列を 1塩基ずつずらしながら複数本決定し（図 36参照）、これらの複数のプロモータ 候補配列の中から、プロモータであると認識される配列を 1つ定める処理を行うので、 検査配列を適切な長さに設定することを前提とし、より高い精度でプロモータの認識 を行うことができる。
[0240] また、検査段階 (テストステップ)では、プロモータ候補配列を決定するにあたり、 35ボックス相当配列および 10ボックス相当配列と、転写開始点近傍領域配列との 相関判定処理を行うので、これらの間に相関がないときには、それらの 35ボックス 相当配列および 10ボックス相当配列、並びに転写開始点近傍領域配列中の転写 開始点に基づいて定まる配列は、プロモータ候補配列から除外することができる。こ のため、プロモータの認識精度をより向上させることができる。また、相関がないと判 定された場合には、それらの— 35ボックス相当配列および— 10ボックス相当配列、 並びに転写開始点近傍領域配列中の転写開始点に基づいて定まる配列は、プロモ ータ候補配列として採用されな 、ので、その配列につ!、ては検査データを生成する 必要はなぐまた、分離処理手段 32による分離処理および判定処理手段 33による判 定処理を行う必要もないため、この点で、処理時間の短縮を図ることができる。
[0241] さらに、相関判定処理は、独立成分分析 (ICA)または主成分分析 (PCA)〖こよる事 前学習で得られた相関判定用分離行列 W を用いて行われるので、相関判定の精
BBS
度向上を図ることができる。
[0242] <効果確認実験 >
また、本発明の効果を確かめるために、以下のような実験を行った。実験方法や実 験条件は、本第 1実施形態に基づくものとした。
[0243] 先ず、学習段階 (トレーニングステップ)では、本第 1実施形態で説明したように、前 述した非特許文献 1に記載された既知の 106本の大腸菌プロモータを使って学習を 行った。図 39に、学習結果として得られた 65行 X 65列のプロモータ用分離行列 W (図 26参照）の逆行列である 65行 X 65列の W の第 1列の各要素の値を示す。 om prom
横軸は、行番号に対応している（但し、 1〜65ではなぐ 0〜64としている）。なお、縦 軸は、各値の大小関係が明らかになればよいため、特に示していない。また、図 40 に、学習結果として得られた 65行 X 212列のプロモータ用分離済データ行列 Y (
prom 図 26参照）の第 1行の各要素の値を示す。横軸は、列番号 (但し、 1〜212ではなぐ 0〜211として!/ヽる。）に対応して ヽる。
[0244] 図 39によれば、プロモータ用分離行列 W の逆行列 W 1、すなわちプロモータ
prom prom
用基底行列 A を推定した行列の第 1列には、独立成分分析 (ICA)を用いて得ら
prom
れるプロモータに特有な基底が現れて!/ヽることがゎカゝる。このようなプロモータの特徴 を最も良く示す基底は、 w 1内の第 1列に現れ、他の列には、これ程顕著に特徴を
prom
示す基底は現れなかった。従って、 w 1の第 1列の各要素が、本発明における特
prom
徴パターンの特徴を示す特徴要素に該当することが確かめられた。このことは、以下 のように考えることができる。
[0245] 一般に、未知の独立な情報源力ゝらのデータ (縦ベクトル)を集合させた行列を Sとし
、これらが重ね合わされた状態で観測された混合データ (縦ベクトル) ^^合させた行 列を Xとし、入力 Sに対して Xを出力する際のフィルタになる混合行列、すなわち基底 ベクトルを集合させた基底行列を Aとすると、この関係は、 X=ASと表現することがで きる。これに対し、観測された混合データ (縦べ外ル)魏合させた行列 Xが与えられ たとき、それらを混合前の元のデータに復元するための分離行列を Wとし、分離して 得られる分離済データ (縦ベクトル)を集合させた行列を Yとすると、 Y= WXと表現す ることができる。ここで、独立成分分析 (ICA)は、 Υの各成分 (Υを構成する各列べク トル）が独立になるような分離行列 Wを求めていく処理であり、分離行列 Wは、基底 行列 Αの逆行列を推定した行列であり、分離行列 Wの逆行列 W—1は、基底行列 Aを 推定した行列に相当する。従って、複数種類の既知のプロモータを、本来的にプロ モータが持つ特徴にノイズが乗った配列であると考え、複数種類の既知のプロモータ カゝら生成されたプロモータ用学習データ行列を、観測された混合データ (縦ベクトル） として X とおき、独立成分分析 (ICA)を行うことで、プロモータ用基底行列 A を prom prom 推定した行列として得られる w 1には、プロモータに特有な基底が現れることになり 、それが図 39に示す W 1の第 1列である。そして、 Y =W X (図 26参照）で
prom prom prom prom
あるから、 W _1Y =x となり、行列演算上、 w 1の第 1列の各要素と乗じられ
prom prom prom prom
るのは、 Y の第 1行の各要素であり、 Υ の第 1行の各要素の値が大きければ、 W
prom prom
1の第 1列への寄与度が大きくなることになる。従って、 Y の第 1行目に現れた prom prom
各要素の値が、本発明における特徴判定要素の値であることがわかる。
[0246] 図 40によれば、 Y の第 1行の各要素は、プロモータ用学習データ行列 X のう
prom prom ちの真データの部分 B τ (図 25参照）に対応する部分の値力 1の近傍となってお
prom
り、 X のうちの偽データの部分 C τ (図 25参照）に対応する部分の値力 1の近 prom prom
傍となっているので、上記のことを裏付ける結果となっている。従って、検査段階 (テ ストステップ)では、 Y (図 38参照）の第 1行目に現れた各要素の値が、本発明にお
test
ける特徴判定要素の値であり、この値の正負を見れば、プロモータであるか否かを判 定することができることが確認できた。なお、図 40の縦軸の各値は、 + 1近傍か—1近 傍の値となっている力 これらの近傍の値に限定されるものではなぐ要するに、 Y
prom の第 1行の各要素の値に、プロモータに対応する部分と非プロモータに対応する部 分とで差異が現れた場合に、その差異を利用して閾値を定め、 Y 38
test (図 参照)の第
1行の各要素の値で、プロモータであるか否かを判定することができればよい。従つ て、閾値は、必ずしもゼロである必要はない。また、判定結果としてプロモータの存否 の程度を出力する軟判定を行う場合には、縦軸の値を何区画かに区切り（例えば、 1 , 0. 6, 0. 2, 0. 2, 0. 6, 1で区切り）、例えば、 1以上は、「プロモータである 可能性が極めて高い」、 0. 6〜1は、「プロモータである可能性が高い」、 0. 2〜0. 6 は、「プロモータである可能性がある」、 -0. 2〜0. 2は、「どちらであるか不明」等の ように、それぞれの区画で異なる判定結果を出力するようにすることができる。
[0247] 次に、検査段階 (テストステップ)では、テストデータとして、前述した非特許文献 1に 記載された既知の 126本の大腸菌プロモータを使った。これらの 126本の大腸菌プ 口モータは、学習段階で使った既知の 106本の大腸菌プロモータとは異なるものであ る。なお、これらの 126本のプロモータについては、非特許文献 1では、既にギャップ が挿入されていたため、それらのギャップを取り除き、ギャップのない配列長 40〜50 のプロモータに戻してテストデータ (検査配列）とした。 [0248] また、テストデータ (検査配列）として、配列長が 50のランダム配列を 1000本生成し て用意した。この際、 Aと Tの出願頻度をそれぞれ 0. 3ずっとし、 Gと Cの出願頻度を それぞれ 0. 2ずっとした。従って、アラインメントされていないテストデータ (検査配列 )力 合計で 1126本用意された。
[0249] 続いて、 1126本のテストデータについて、 W および W を用いて一 10ボックス相
-10 -35
当配列および― 35ボックス相当配列を決定した後、図 38に示した方法でァラインメ ントを施し、配列長を 65に統一した。この際、転写開始点は、下流側から見て最初の Aまたは Gとし、 1つのテストデータ (検査配列）にっき、転写開始点を 1つだけ設定し た (つまり、この効果確認実験では、図 36に示すような転写開始点のスライド設定は 行わな力つた)。また、—10ボックス相当配列および— 35ボックス相当配列と、転写 開始点近傍領域配列との相関判定処理は行わな力つた。
[0250] それから、アラインメントされた 1126本のプロモータ候補配列について、プロモータ 用出現頻度テーブル T を用いて数値化し、 1126本の検査データを生成した後、 prom
図 38に示すように、プロモータ用分離行列 W と、 1126本の検査データを結合し prom
た検査データ行列 X とを乗じる行列演算を行 、、 65行 X 1126列のプロモータ用 test
分離済データ行列 Y を求めた。
test
[0251] そして、プロモータ用分離済データ行列 Y の第 1行の要素 (特徴判定要素)の値 test
について、閾値をゼロとし、正負を判定した（つまり、硬判定を行った)。この結果、 11 26本のテストデータのうち、既知の 126本のプロモータに対応する部分の特徴判定 要素の値は、ほぼ全てが正の値となり、 1000本のランダムデータ（非プロモータ）に 対応する部分の特徴判定要素の値は、殆どが負の値となり、 93. 7%という高い認識 率が得られ、これにより本発明の効果が顕著に示された。なお、この 93. 7%という認 識率は、転写開始点のスライド設定処理や相関判定処理を行うことにより、更に向上 させることが可會である。
[0252] [第 2実施形態]
図 42は、本発明の第 2実施形態のアラインメントの方法を示す説明図である。図 43 は、第 2実施形態のプロモータ用出現頻度テーブル T を示す図である。図 44には prom
、第 2実施形態における基底行例での特徴要素の現れ方と、検査段階の判定処理 で用 、られるプロモータ用分離済データ行列 Y
promのうちの真データ対応部分の特徴 判定要素との関係が示されている。図 45および図 46には、第 2実施形態の学習段 階の処理で得られたプロモータ用分離行列 W の逆行列を求めて推定された基底
prom
行列 w 1の第 1列の各要素の値と、 W とともに得られたプロモータ用分離済デ prom prom
一タ行列 Y の第 1行の各要素の値とが、それぞれ採用例として示されている。また
prom
、図 47および図 48には、 W 1の第 27列の各要素の値と、 Y の第 27行の各要素
prom prom
の値とが、それぞれ不採用の例として示されている。さら〖こ、図 49は、第 2実施形態 の検査段階の処理の説明図である。
[0253] 本第 2実施形態では、アラインメント処理を行う際に、ギャップを挿入するのではなく 、スぺーサ 35およびスぺーサ 10を構成する配列の一部を取り除くという点と、判定処 理を行う際に、 1つ（1行)の特徴判定要素だけを用いるのではなぐ複数 (複数行)の 特徴判定要素を用いるという点で、前記第 1実施形態の場合と異なるが、その他の処 理ゃシステム構成は、前記第 1実施形態の場合と略同様であるため、同一部分につ いての詳しい説明は省略し、以下では異なる部分を中心に説明を行う。
[0254] <学習段階（トレーニングステップ） >
学習段階 (トレーニングステップ)の全体の流れは、図 3に示した前記第 1実施形態 の場合と同様であり、学習用の既知のプロモータ Np本 (前記第 1実施形態の場合と 同様に、例えば 106本の大腸菌プロモータとする。）を用意し、—35ボックス学習、― 10ボックス学習、プロモータ学習、相関学習を行う。
[0255] (一 35ボックス学習および 10ボックス学習）
前記第 1実施形態の場合と同様である。なお、前記第 1実施形態では、図 4のステ ップ S304および図 11のステップ S404のランダムボックスの生成処理で、 A、 T、 G、 Cの各出現頻度に偏りを持たせることなぐ各出現頻度が 0. 25ずつになるように生 成するという説明が記載されていた力 これに限定されるものではなぐ例えば、 Aお よび Tの各出現頻度をそれぞれ 0. 3とし、 Gおよび Cの各出現頻度をそれぞれ 0. 2と してちよい。
[0256] (プロモータ学習）
前記第 1実施形態の場合とは異なり、ギャップの挿入によるアラインメント処理は行 わず、従って、プロモータ用出現頻度テーブル T には、ギャップの出現頻度は含ま
prom
れない。また、スぺーサ 35およびスぺーサ 10を構成する配列の一部を取り除くことに よるアラインメント処理を行うので、プロモータ用分離行列 W やプロモータ用分離
prom
済データ行列 Y の次元数が、前記第 1実施形態よりも小さい。さらに、前記第 1実
prom
施形態では、検査段階において、学習段階で得られたプロモータ用分離済データ行 列 Y を用いることなぐ検査段階で得られた Y の 1つ（1行)の特徴判定要素のみ prom test
を用いて判定処理を行っていたが、本第 2実施形態では、検査段階で得られた Y
test の複数 (複数行)の特徴判定要素と、学習段階で得られた Y とを用いて判定処理
prom
を行う点が異なる。より詳細には、以下の通りである。
[0257] 前記第 1実施形態のプロモータ用アラインメント処理手段 23Aは、複数種類の既知 のプロモータの長さをギャップの挿入により一定長（例えば、配列長：65)に揃えるァ ラインメント処理を行うものであった力 本第 2実施形態のプロモータ用アラインメント 処理手段は、図 42に示すようなルールでスぺーサ 35およびスぺーサ 10を構成する 配列の一部を取り除くことにより、複数種類の既知のプロモータの長さを一定長（例え ば、配列長： 31)に揃えるアラインメント処理を行う。
[0258] 図 42において、既知のプロモータにおいては、 35ボックスおよび 10ボックスの 位置は既知であるため、スぺーサ 35を構成する塩基配列のうち、—35ボックス寄りの 6塩基（ 35ボックスの下流側に繋がる 6塩基）および— 10ボックス寄りの 9塩基（― 1 0ボックスの上流側に繋がる 9塩基)を採用し、その間の配列を取り除く。従って、 106 本の既知の大腸菌プロモータのスぺーサ 35の配列長は、 15〜21塩基であるから、 スぺーサ 35のうち除去される配列長は、 0〜6塩基となる。すなわち、スぺーサ 35に おいて、ギャップの挿入を不要とし、かつ、なるべく除去する分を少なくするために、 最短のスぺーサ 35の配列長である 15塩基で配列長を揃えるようにした。なお、上記 では、—35ボックス寄りの 6塩基および— 10ボックス寄りの 9塩基を採用した力 これ に限定されず、例えば、—35ボックス寄りの 7塩基および— 10ボックス寄りの 8塩基を 採用してもよぐ要するに、採用される合計の配列長が 15塩基になればよい。また、 ギャップの挿入を不要とすることだけを目的とするならば、 14塩基以下の配列長で揃 えるようにしてもよい。 [0259] また、スぺーサ 10を構成する塩基配列のうち、 - 10ボックス寄りの 2塩基（― 10ボッ タスの下流側に繋がる 2塩基)および転写開始点寄りの 1塩基 (転写開始点の上流側 に繋がる 1塩基)を採用し、その間の配列を取り除く。従って、 106本の既知の大腸菌 プロモータのスぺーサ 10の配列長は、 3〜： L 1塩基であるから、スぺーサ 10のうち除 去される配列長は、 0〜8塩基となる。すなわち、スぺーサ 10において、ギャップの揷 入を不要とし、かつ、なるべく除去する分を少なくするために、最短のスぺーサ 10の 配列長である 3塩基で配列長を揃えるようにした。なお、上記では、—10ボックス寄り の 2塩基および転写開始点寄りの 1塩基を採用したが、これに限定されず、例えば、 10ボックス寄りの 1塩基および転写開始点寄りの 2塩基を採用してもよぐ要するに 、採用される合計の配列長が 3塩基になればよい。また、ギャップの挿入を不要とす ることだけを目的とするならば、 2塩基以下の配列長で揃えるようにしてもよい。
[0260] 前記第 1実施形態のプロモータ用出現頻度テーブル作成処理手段 23Bは、プロモ ータ用アラインメント処理手段 23Aにより一定長（例えば、配列長： 65)に揃えられた 複数種類の既知のプロモータにギャップが含まれているため、 A、 T、 G、 Cに、ギヤッ プを加え、各記号毎の出現頻度 (frequency)を求めていたが、本第 2実施形態のプロ モータ用出現頻度テーブル作成処理手段は、一定長（例えば、配列長： 31)に揃え られた複数種類の既知のプロモータにギャップは含まれて 、な 、ので、ギャップ無し で、 A、 T、 G、 Cについて、各記号毎の出現頻度を求める。従って、前記第 1実施形 態では、プロモータ用出現頻度テーブル記憶手段 61 (図 1参照）に記憶させるプロモ ータ用出現頻度テーブル T は、ギャップの出現頻度を含んでいたが（図 19参照）、 prom
本第 2実施形態では、プロモータ用出現頻度テーブル記憶手段に記憶させるプロモ ータ用出現頻度テーブル T は、図 43に示すように、ギャップの出現頻度を含んで prom
いないので、記憶させるデータ量が減少している。また、配列長も 65から 31に減少し て 、るので、その点でも記憶させるデータ量が減少して 、る。
[0261] 前記第 1実施形態の非プロモータ生成処理手段 23Cは、複数本の非プロモータ生 成用配列をランダムに自動生成し、これらの非プロモータ生成用配列の中で、部分 パターン用分離行列（― 10ボックス用分離行列 W および— 35ボックス用分離行列
-10
W )と、部分パターン用分離済データ行列（図 21の 10ボックス用分離済データ 35 行列 Y 、および図 23の— 35ボックス用分離済データ行列 Υ )の真データ対応部
-10 -35
分の各列ベクトルとを用いて、非特徴パターンである非プロモータに含まれる部分パ ターン相当配列（― 10ボックス相当配列および— 35ボックス相当配列）を決定し（図 17のステップ S50305, S50306および図 18のステップ S50309, S50310参照）、 さらに決定された各領域の部分パターン相当配列（一 10ボックス相当配列および— 35ボックス相当配列）に基づき非プロモータを決定していたが（図 18のステップ S50 311参照）、本第 2実施形態の非プロモータ生成処理手段は、部分パターン用分離 行列（一 10ボックス用分離行列 W および— 35ボックス用分離行列 W )や部分パ
-10 -35 ターン用分離済データ行列（ 10ボックス用分離済データ行列 Υ および 35ボッ
-10
タス用分離済データ行列 Υ )を用いた部分パターン相当配列（一 10ボックス相当配
-35
列および— 35ボックス相当配列）の決定処理を行わずに、非プロモータを生成する。
[0262] 先ず、本第 2実施形態では、 Αおよび Τの出現頻度をそれぞれ 0. 3とし、 Gおよび C の出現頻度をそれぞれ 0. 2として 65塩基長のランダム配列を生成した後、ホモロジ ~ .スコア（homology score)を計算し、求めたホモロジ^ ~ ·スコアの値の大小に基づき 、プロモータに近い配列（ホモロジ一'スコア力 適宜、定めた閾値を超える配列）を 排除することにより、例えば、既知のプロモータの本数（106本）と同数本のランダム 配列（ホモロジ一'スコアが閾値以下の配列）を用意する。なお、ホモロジ一'スコアの 詳細につ ヽては、前述した非特許文献 4に記載されて ヽる。
[0263] ここで、ホモロジ^ ~ ·スコアは、拡大 35ボックス（extended -35 region)および拡大 —10ボックス（extended -10 region)を定義し、次のような手順 1〜3で求めることがで きる。拡大— 35ボックスは、—35ボックスの上流側に繋がる 9塩基と、—35ボックスの 下流側に繋がる 1塩基とを、—35ボックス（6塩基）に加えた合計 16塩基長の配列で ある。また、拡大— 10ボックスは、—10ボックスの上流側に繋がる 5塩基と、—10ボッ タスの下流側に繋がる 3塩基とを、—10ボックス（6塩基）に加えた合計 14塩基長の 配列である。
[0264] 手順 1では、前記第 1実施形態と同様にしてギャップの挿入により 65塩基長に揃え た例えば 106本の既知のプロモータについて、拡大 35ボックスおよび拡大 10ボ ッタスの各配列位置毎に A, T, G, Cの各出現頻度を求め、それぞれの出現頻度を 標準偏差 (例えば、（101Z4) 1/2となる。）で割ったスコアを求める。この際、標準偏差 のルート内の分子の「101」は、拡大 35ボックスおよび拡大 10ボックスの中にギ ヤップのある 5本のプロモータを除いたため、「106」が「101」になったものであり、ル ート内の分母の「4」は、シンボルの種別が、 A, T, G, Cの 4種別であることを意味し ている。
[0265] 手順 2では、拡大— 35ボックスおよび拡大— 10ボックスの中にギャップのある 5本 のプロモータを除いた例えば 101本の既知のプロモータのスぺーサ 35の配列長に ついて、 15〜21塩基の各配列長毎に出現頻度を求め（つまり、スぺーサ 35の配列 長が 15塩基となる頻度、 16塩基となる頻度、 · ··、 21塩基となる頻度を求める。）、そ れぞれの出現頻度を標準偏差 (例えば、（101Z7) 1/2となる。）で割ったスコアを求め る。この際、標準偏差のルート内の分母の「7」は、配列長の種別が、 15〜21塩基の 7種別であることを意味して 、る。
[0266] 手順 3では、既知のプロモータの本数（106本）と同数本用意されたランダム配列の それぞれにつ!/、て、ホモロジ^ ~ ·スコア = 100 X { (ベース ·ペア'スコアの総和 +スぺ 一シング 'スコア ベースライン 'スコア） Z (マキシマム 'スコア ベースライン ·スコア ) }という式を用いて、ホモロジ一'スコアを求める。
[0267] ここで、ベース 'ペア'スコアの総和（sum of base pair scores)とは、ランダム配列に おける拡大— 35ボックスおよび拡大— 10ボックスの各塩基を、手順 1で求めたスコア (A, T, G, Cの各出現頻度を標準偏差で割ったスコア）により数値ィ匕し、これらの値 の和をとつたものである。
[0268] スペーシング 'スコア（spacing score)とは、ランダム配列におけるスぺーサ 35の配 列長を、手順 2で求めたスコア（15〜21塩基の各配列長の出現頻度を標準偏差で 割ったスコア）により数値ィ匕したものである。
[0269] マキシマム 'スコア（maximum score)とは、拡大 35ボックスの各配列位置のスコア のうち最もよいスコア（最大スコア）と、拡大— 10ボックスの各配列位置のスコアのうち 最もよいスコア（最大スコア）と、スぺーサ 35の配列長のスコアとの和をとつたものであ る。
[0270] ベースライン'スコア（baseline score)とは、拡大 35ボックスの各配列位置のスコア の平均値と、拡大 10ボックスの各配列位置のスコアの平均値と、スぺーサ 35の配 列長のスコアとの和をとつたものである。
[0271] そして、手順 3では、 65塩基長のランダム配列における— 35ボックス、—10ボックス 、および転写開始点に相当する部分の各位置は、下流側の端力 6塩基置いて、 7 塩基目を転写開始点と仮定し、ここ力 上流側に向力つて、 11塩基のスぺーサ 10、 6塩基の 10ボックス、 21塩基のスぺーサ 35、 6塩基の 35ボックスをとり、上流側 の端力も 14塩基を残すことにより決定する。つまり、前記第 1実施形態でギャップの 挿入により一定長 (配列長： 65)に揃えられた非プロモータ（図 24参照）における— 3 5ボックス、 10ボックス、および転写開始点に相当する部分の各位置と同じ位置と する。但し、前記第 1実施形態の場合と同様に、部分パターン用分離行列（一 10ボッ タス用分離行列 W および— 35ボックス用分離行列 W )や部分パターン用分離済
-10 -35
データ行列（― 10ボックス用分離済データ行列 Y および— 35ボックス用分離済デ
-10
一タ行列 Y )を用いて位置を決定してもよい。なお、ホモロジ一'スコアの計算は、 6
-35
5塩基長に限定されるものではなぐ従って、用意するランダム配列の長さも 65塩基 長に限定されるものではない。また、ホモロジ一'スコアの計算によりプロモータに近 V、配列を排除する処理は省略してもよ ヽ。
[0272] それから、以上のようにホモロジ一'スコアの計算をしてプロモータに近い配列を排 除して得られた例えば 106本の 65塩基長のランダム配列を、本第 2実施形態の非プ 口モータ用アラインメント処理手段により、図 42に示したルールで配列長を 31塩基長 に揃える。従って、本第 2実施形態では、前記第 1実施形態の非プロモータ用ァライ ンメント処理手段 23Dのようなギャップの挿入によるアラインメント処理は行わない。
[0273] 続いて、前記第 1実施形態では、プロモータ用数値ィ匕処理手段 23Eにより、プロモ ータ用出現頻度テーブル T を用いて、一定長（配列長： 65)に揃えられた例えば 1 prom
06本のプロモータおよび 106本の非プロモータを、それぞれ数値化する処理を行つ たが（図 25参照）、本第 2実施形態のプロモータ用数値ィ匕処理手段も同様な処理を 行う。但し、使用するプロモータ用出現頻度テーブル T は、図 19に示された前記 prom
第 1実施形態のものとは異なり、図 43に示すようなギャップの出現頻度がなぐ配列 位置も 1〜31とされたものである。 [0274] その後、前記第 1実施形態では、プロモータ用数値化処理手段 23Eにより数値化し て得られた B および C (図 25参照）を、プロモータ用学習データ行列生成処理
prom prom
手段 23Fにより、それぞれ転置して B τおよび C τとし、これらを結合してプロモー
prom prom
タ用学習データ行列 X (図 25参照)を生成する処理を行ったが、本第 2実施形態
prom
のプロモータ用学習データ行列生成処理手段も同様な処理を行う。但し、前記第 1 実施形態では、図 25に示すように、 B τおよび C τが、それぞれ 65行 X 106列で
prom prom
あり、 X 1S 65行 X 212列であったのに対し、本第 2実施形態では、 B τおよび C prom prom
Tが、それぞれ 31行 X 106列であり、 X 力 31行 X 212列となる（図 44参照）。 prom prom
[0275] そして、前記第 1実施形態では、プロモータ用分析処理手段 23Gにより、プロモー タ用学習データ行列 X (図 25参照）について、前処理として、平均値のゼロ化処理
prom
およびホワイトユング処理を行った後（図 9と同様）、前処理を経たプロモータ用学習 データ行列 X を用いて、独立成分分析 (ICA)を行うことにより、プロモータ用分離
prom
行列 W およびプロモータ用分離済データ行列 Y を求める処理を行ったが（図 2 prom prom
6参照）、本第 2実施形態のプロモータ用分析処理手段も同様な処理を行う。但し、 前記第 1実施形態では、図 26に示すように、 W 1S 65行 X 65列であり、 Y 力
prom prom
65行 X 212列であった力 本第 2実施形態では、図 44に示すように、 W 力 31行
prom
X 31列であり、 Y 力 31行 X 212列となる。
prom
[0276] なお、前記第 1実施形態では、 Y は、後に検査段階の処理で使用されるデータ
prom
ではな!/、ものの、検査段階の処理で得られる分離済データ行列 Y (図 38参照）の
test
特徴判定要素 (第 1行の各要素）の値が、正負のいずれの場合にプロモータであると 判定されるのかを確認するために求められてプロモータ用分離済データ行列記憶手 段 63 (図 26参照）に記憶されていたが、本第 2実施形態では、 Y は、後に検査段
prom
階の判定処理で使用されるので、プロモータ用分離済データ行列記憶手段へ記憶 させておくことが必要となる。但し、検査段階の判定処理で使用されるのは、後述す るように、 Y のうち、真データ対応部分 (B τに対応する部分)の特徴判定要素で
prom prom
あるから、記憶させておくのは、 Y のうち真データ対応部分の特徴判定要素の値
prom
だけでもよい。また、 Y のうち真データ対応部分の特徴判定要素の値により構成さ
prom
れる各列ベクトルの重心ベクトルを用いて判定処理を行う場合には、予め重心べタト ルを求めておき、それを記憶しておくだけでもよ!/、。
[0277] (基底行列における特徴要素の決定）
前記第 1実施形態では、基底行列のうちの 1列にプロモータの特徴を示す基底が 現れ、この 1列のみが特徴要素となる場合 (例えば、図 39に示すように、 W 1の第 1
prom 列が特徴要素となる場合)、すなわちプロモータの特徴を最も顕著に示す唯一の基 底を選択し、それを特徴要素とする場合について説明が行われていたが、本第 2実 施形態では、図 44に示すように、基底行列のうちの複数列にプロモータの特徴を示 す基底が現れ、これらの複数列が特徴要素となる場合について説明を行う。このよう な特徴要素となる列 (基底)を決定するには、プロモータ用分離行列 W の逆行列
prom
W 1を求めて基底行列を推定し、この推定された基底行列である W 1の各列（各 prom prom 基底）の要素の値をグラフ化してみることにより、目視による判断で、プロモータの特 徴を示す列 (基底)を選択して決定することができる。また、特徴要素の決定作業は、 このような w 1の各列（各基底）のグラフ化による目視判断で行ってもよいが、人為
prom
的な判断を少なくするという観点から、プロモータ用分離済データ行列 Y
promの各行の 要素の値を、次のような方法で解析することにより行ってもよい。
[0278] W 1の ヽずれかの列（基底）に、プロモータの特徴を示す列（基底）が現れるとす
prom
れば、これに対応するプロモータ用分離済データ行列 Y
promの行の要素の値は、プロ モータを結合した B Tに対応する部分 (真データ対応部分）と、非プロモータを結合
prom
したじ τに対応する部分 (偽データ対応部分)とで、相違が生じるはずである（図 40 prom
参照)。従って、このことを利用し、プロモータ用分離済データ行列 Y
promの各行の要 素の値を、真データ対応部分と偽データ対応部分とに分けて整理し、解析を行う。
[0279] 上記の解析にあたっては、 X を構成する B τにおけるプロモータの並び順、お
prom prom
よび X を構成する C τにおける非プロモータの並び順は、特に意味があるもので prom prom
はなぐ従って、プロモータ用分離済データ行列 Y の真データ対応部分 (Β τに
prom prom 対応する部分）における各列の並び順、および Y の偽データ対応部分 (C τに対
prom prom 応する部分）における各列の並び順も、特に意味があるものではないので、 Y
promの各 行にっ 、て、それぞれの行を構成する各要素の値を大小順に並べ替えてグラフ化す る。ここでは、 Y の真データ対応部分では、左側力も右側へ向かって値の大き 、順 に並べ、 Y の偽データ対応部分では、左側から右側へ向かって値の小さ!/、順に並 prom
ベるものとする。また、 Y の各行のグラフ化にあたっては、 w 1の各列（各基底）
prom prom
のグラフのうち、ピーク値 (正負を問わず、最も大きな値）が正の値となる列のグラフの 場合には、対応する Y の行を構成する各要素の値をそのまま用いてグラフ化し、
prom
一方、ピーク値が負の値となる列のグラフの場合には、対応する Y の行を構成する
prom
各要素の値に 1を乗じた値をグラフ化する。
[0280] 例えば、図 45に示すように、 W 1の第 1列のグラフでは、— 10ボックスに反応して
prom
いると思われる山形部分がある力 これを目視で確認し、 10ボックスに反応してい る部分があるので、第 1列は特徴要素であると人為的に決定してもよい。一方、図 46 に示すように、 W 1の第 1列に対応する Y の第 1行のグラフでは、真データ対応
prom prom
部分（106列）で正の値が多ぐ偽データ対応部分（106例）で負の値が多ぐ真デー タ対応部分と偽データ対応部分とで、はっきりとした符号の相違が出ているので、こ の状態を、閾値を設定して自動的に判定することにより、 W 1
prom 1の第 列が特徴要素 である、すなわち Y の
prom 第 1行が特徴判定要素であると決定することができる。
[0281] また、図 47に示すように、 W 1の第 27列のグラフでは、 35ボックス、 10ボッ
prom
タス、転写開始点の 、ずれかに反応して 、ると思われる山形部分を目視で確認する ことができないので、第 27列は特徴要素ではないと人為的に決定してもよい。一方、 図 48に示すように、 W 1の第 27列に対応する Y の第 27行のグラフでは、真デ
prom prom
ータ対応部分（106列）と偽データ対応部分（106例）とで、はっきりとした符号の相違 が出ていないので、この状態を、閾値を設定して自動的に判定することにより、 W ―
prom
1の第 27列が特徴要素ではない、すなわち Y の第 27行が特徴判定要素ではない
prom
と決定することができる。 w 1の他の列や Y の他の行の場合も同様である。
prom prom
[0282] W 1の各列が特徴要素である力否力、すなわち Y の各行が特徴判定要素であ
prom prom
る力否かを決定するための閾値は、 Y の各行のグラフにおける零交差 (zero- cross
prom
ing)を調べ、次のように設定することができる。
[0283] 真データ対応部分 (Np= 106列）において、各要素の値が正の値力 負の値に転 じる位置を Z とし、偽データ対応部分 (Np = 106例）において、各要素の値が負の
down
値から正の値に転じる位置を Z とする。このとき、 Z > (1 + Θ ) X NpZ2であり 、かつ、 Z >{(1+ Θ ) XNpZ2}+Npであれば、 Y の当該行は、特徴判定要 up up prom
素として採用され、 w 1の対応する列 (基底）は、特徴要素であると決定される。こ
prom
の場合は、真データ対応部分および偽データ対応部分の双方を用いて判定が行わ れたことになる。プロモータの特徴を示す基底として採用されるには、 Z が真デー
down
タ対応部分の中央位置 (NpZ2)よりも、なるべく大きい方がよぐ Z が偽データ対応
up
部分の中央位置 (Νρ/2+Νρ)よりも、なるべく大きい方がよいので、中央位置から の乖離度合 、を定める Θ や Θ を大き!/、値に設定すれば、より厳し!/、採用条件と
down up
なり、良好な基底のみが採用されることになる。例えば、 θ =θ =0.1と設定す
down up
れば、真データ対応部分の中央位置 (NpZ2 = 53)に対し、（1+0 ) XNp/2 =
down
58なので、 Z > 58という採用条件となり、偽データ対応部分の中央位置 (NpZ2 down
+Np = 159)に対し、 {(1+ 0 ) XNp/2}+Np = 164なので、 Z >164と!ヽぅ採
up up
用条件となる。
[0284] また、上記のように真データ対応部分および偽データ対応部分で設定された条件 の双方を満たすことができな 、場合であっても、 V、ずれか一方の条件を満たす場合 には、その基底を採用するようにしてもよい。この場合には、いずれか一方の条件で 判定するため、上記のように双方の条件で判定する場合に比べ、採用条件を厳しく すればよい。例えば、上記のような、 Z >(1+ Θ ) XNpZ2であり、かつ、 Z >
down down up
{(1+ θ )ΧΝρΖ2}+Νρであるという条件を満たさなくても、 Ζ >(1+ θ *) X up down down
NpZ2である力、、または、 Z >{(1+ Θ *) XNp/2} +Npであれば、 Y の当該
up up prom
行を、特徴判定要素として採用し、 w 1の対応する列 (基底)を、特徴要素であると
prom
決定してもよい。ここで、 0 *や 0 *の値は、 0 や 0 の値よりも大きくし、例えば
down up down up
、 0 *= θ *=0.15と設定すれば、真データ対応部分の中央位置 (NpZ2 = 53) down up
に対し、（1+0 *) XNpZ2 = 61なので、 Z > 61という厳しい採用条件となり、
down down
偽データ対応部分の中央位置 (NpZ2+Np=159)に対し、 {(1+ Θ *) XNp/2}
up
+Np = 167なので、 Z > 167という厳しい採用条件となる。
up
[0285] このようにして 0 や 0 の値、あるいは 0 *や 0 *の値を設定しておき、 Y の
down up down up prom 各行が特徴判定要素であるカゝ否か、すなわち w 1の各列 (各基底）が特徴要素で
prom
ある力否を決定した後、図 44に示すように、 Y のうち真データ対応部分の特徴判 定要素だけを抽出し、これを Y 'として、プロモータ用分離済データ行列記憶手段 prom
に記憶しておく。例えば、 Y の 31行のうち、合計 23行が特徴判定要素であると決 prom
定された場合には、 Y ，は、 23行 X Np列（106列）の行列となる。この Y ，は、後 prom prom に行われる検査段階の判定処理で使用される。なお、 Y 'を構成する各列ベクトル prom
Y ， (j) (j = l〜106)の重心ベクトルを求め、この重心ベクトルを記憶しておいても prom
よい。
[0286] (相関学習）
本第 2実施形態では、前記第 1実施形態の場合と同様な相関学習を行うことができ る。
[0287] <検査段階 (テストステップ） >
前記第 1実施形態の検査段階の処理では、検査データ生成処理手段 31の各処理 手段 31A〜31Gにより、部分パターン用分離行列（一 10ボックス用分離行列 W お
-10 よび— 35ボックス用分離行列 W )や部分パターン用分離済データ行列（― 10ボッ
-35
タス用分離済データ行列 Y および 35ボックス用分離済データ行列 Y )を用いて
-10 -35 部分パターン相当配列（― 10ボックス相当配列および— 35ボックス相当配列）を決 定し、プロモータ候補配列の決定処理を行っていたが、本第 2実施形態の検査段階 でも同様な処理を行う。
[0288] なお、前記第 1実施形態では、プロモータ候補配列の決定処理にぉ 、て、 - 10ボ ックス相当配列および 35ボックス相当配列と、転写開始点近傍領域配列との間に 相関がある力否かを判定し、相関がないと判定された場合には、プロモータ候補配 列として採用しない処理を行い（図 34のステップ S1310参照）、この相関判定処理の 際には、 1行のみの相関判定要素を用いて相関判定を行っていたが（図 35のステツ プ S13104、図 37参照）、本第 2実施形態の相関判定処理も同様の処理としてもよく 、あるいは複数行の相関判定要素を用いて相関判定を行ってもよい。複数行の相関 判定要素を用いて相関判定を行う場合には、例えば、後述するプロモータであるか 否かの判定処理の場合と同様に、複数行の相関判定要素の値により構成される列べ タトル (相関判定データ力^つの場合には、 1つの縦ベクトルである。）と、学習段階で 相関判定用分離行列 W (図 31参照)とともに得られた相関判定用分離済データ行 列 Y の真データ対応部分（図 30の Β τに対応する部分)の相関判定要素の値に
BBS BBS
より構成される各列ベクトルとの類似度を示す値 (例えば、各列ベクトルの総体との類 似度を示す値、より具体的には、各列ベクトルの重心ベクトルとの内積の値またはこ れと等価な値)を算出し、算出された類似度を示す値が、予め定められた閾値を境界 としていずれの側の値である力 または値の大きさの程度を判定することにより、相関 がある力否力、あるいは相関の程度を判定することができる。
[0289] その後、前記第 1実施形態の検査段階の処理では、検査データ生成処理手段 31 のアラインメント処理手段 31Hにより、検査配列の中で決定されたプロモータ候補配 列を、ギャップを挿入して一定長（配列長： 65)に揃えるアラインメント処理を行ってい たのに対し、本第 2実施形態の検査段階の処理では、図 42に示したルールでスぺー サ 35の一部の配列およびスぺーサ 10の一部の配列を取り除くことにより一定長（配 列長：31)に揃えるアラインメント処理を行う点が異なる。
[0290] そして、前記第 1実施形態では、プロモータ候補配列数値ィ匕処理手段 31Jにより、 プロモータ用出現頻度テーブル T を用いて、アラインメントされたプロモータ候補 prom
配列を数値化する処理を行ったが（図 38参照）、本第 2実施形態のプロモータ候補 配列数値化処理手段も同様な処理を行う（図 49参照)。但し、使用するプロモータ用 出現頻度テーブル T は、図 19に示された前記第 1実施形態のものとは異なり、図 prom
43に示すようなギャップの出現頻度がなぐ配列位置も 1〜31とされたものである。
[0291] それから、前記第 1実施形態では、分離処理手段 32により、検査データ生成処理 手段 31により生成された検査データ (縦ベクトル)または複数の検査データを結合し た検査データ行列 X について前処理を行った後、プロモータ用分離行列 W と、 test prom 前処理済みの検査データ（縦ベクトル)または複数の検査データを結合した検査デ 一タ行列 X とを乗じる行列演算を行うことにより、分離済データまたは複数の分離 test
済データが結合された分離済データ行列 Y を求める分離処理を行ったが（図 38参 test
照）、本第 2実施形態の分離処理手段も同様な処理を行う（図 49参照)。但し、使用 するプロモータ用分離行列 W は、前記第 1実施形態の 65行 X 65列のものではな prom
ぐ本第 2実施形態の 31行 X 31列のものである。
[0292] その後、前記第 1実施形態の判定処理手段 33による判定処理では、分離処理手 段 32により求めた分離済データまたは分離済データ行列 Y を構成する要素のうち
test
、推定された基底行列 w 1に含まれる 1列の特徴要素 (例えば、第 1列の各要素）
prom
の行列内位置に応じて定まる 1行の特徴判定要素（例えば、第 1行の各要素、ベタト ルの場合には、第 1番目の要素）のみを用い、この特徴判定要素の値力 予め定めら れた閾値 (例えば、ゼロ）を境界としていずれの側の値であるかを判定することにより、 検査配列中のプロモータの存否を判定する処理を行っていた（図 32のステップ S17 、図 38参照)。これに対し、本第 2実施形態では、図 49に示すように、 Y を構成する
test
要素のうち、推定された基底行列 W 1 (図 44参照）に含まれる複数列の特徴要素
prom
の行列内位置に応じて定まる複数行の特徴判定要素を用いて、検査配列中のプロ モータの存否を判定する処理を行う。なお、前記 1実施形態の場合も、本第 2実施形 態の場合も、プロモータの存否を判定する硬判定ではなぐプロモータの存否の程度 を判定する軟判定を行ってもょ ヽ。
具体的には、本第 2実施形態の判定処理手段は、図 49に示すように、 31行 (ベタト ルの場合には 31要素）の Y を構成する要素のうち、複数行の特徴判定要素だけを
test
抽出して、例えば 23行 (ベクトルの場合には 23要素）の Y ，を生成し、この Y ，の
test test 各列ベクトル Y ，（k) (k= l, 2, 3, · ··。但し、検査データが 1つの場合には、 1つの
test
縦ベクトルである。 )のそれぞれにつ ヽて、 Y のうち真データ対応部分の特徴判定
prom
要素だけを抽出して生成された Y ，（図 44参照）の各列ベクトル Y ， (j) (j = 1〜1
prom prom
06)との類似度を示す値を求める。ここで、類似度を示す値とは、例えば、 Y ，の任
test 意の 1つの列ベクトル Y ，0 と、丫 ，（図 44参照）の各列ベクトル Y ' (j) (j = l
test prom prom
〜106)とのそれぞれの内積の値を算出し、これらの Np個（106個）の内積の値の平 均値をとつたものとすることができる。なお、 Y ，（図 44参照）の各列ベクトル Y ， (j
prom prom
) (j = l〜106)の重心ベクトルを学習段階で予め求めておき、記憶させておけば、 Y
t
，の任意の 1つの列ベクトル Y ，（k)と、この重心ベクトルとの内積の値を算出する est test
ことにより、等価な値を算出することができる。また、類似度を示す値は、以上のような Y ，の各列ベクトル Y ，（j) (j = l〜106)との内積の値の平均値、あるいは Y
prom prom prom， の各列ベクトル γ ， (j) (j = l〜106)の重心ベクトルとの内積の値に限定されるもの
prom
ではなぐこれら以外の値であっても、 Y ，の各列ベクトル Y ， (j) (j = 1〜106)の 総体との類似度を示す値を採用すれば、特定の既知のプロモータに近いか否かを 判定するといつた偏った判定を回避することができる。そして、このようにして求めた 類似度を示す値が、予め定められた閾値 (例えば、ゼロ）を境界としていずれの側の 値であるかを判定することにより、その類似度を示す値の算出に用いられた Y ' (k)
test の元になつた Y (k)に対応する検査データ X (k)の数値ィ匕前の状態であるプロモ
test test
ータ候補配列がプロモータであるか否かがわかるので、検査配列の中にプロモータ が存在するカゝ否かを判定することができる。例えば、類似度を示す値が、正の値であ れば、プロモータが存在すると判定し、負の値であれば、プロモータは存在しないと 判定することができる。なお、軟判定の場合には、求めた類似度を示す値の大きさの 程度を判定することにより、検査配列の中のプロモータの存否の程度を判定すること ができる。
[0294] このような第 2実施形態によれば、前記第 1実施形態と同様な効果を得ることができ ることに加え、 1行の特徴判定要素だけではなぐ複数行の特徴判定要素を用いて 判定処理を行うようにしたので、判定制度を向上させることができるうえ、ギャップの挿 入ではなぐスぺーサ 35の一部の配列およびスぺーサ 10の一部の配列を取り除くこ とによりアラインメント処理を行うようにしたので、プロモータ用分離行列 W 等の各
prom
行列の次元数を小さくすることができ、演算量の低減、処理速度の向上を図ることが できる。
[0295] <効果確認実験 >
また、本発明の効果を確かめるために、以下のような実験を行った。実験方法や実 験条件は、本第 2実施形態に基づくものとした。
[0296] 先ず、学習段階 (トレーニングステップ)では、本第 2実施形態で説明したように、前 述した非特許文献 1に記載された既知の 106本の大腸菌プロモータを使って学習を 行った。この学習結果として得られた 31行 X 31列のプロモータ用分離行列 W (図
prom
44参照）の逆行列である 31行 X 31列の W 1の第 1列の各要素の値力 前述した
prom
図 45に示され、第 27列の各要素の値力 前述した図 47に示されている。これらの横 軸は、行番号に対応している。また、学習結果として W とともに得られた 31行 X 21
prom
2列のプロモータ用分離済データ行列 Y (図 44参照）の第 1行の各要素の値が、 前述した図 46に示され、第 27行の各要素の値力 前述した図 48に示されている。こ れらの横軸は、列番号に対応している。
[0297] そして、図 45の W 1の第 1列および図 46の Y の第 1行は、特徴要素および特 prom prom
徴判定要素として採用されたものであり、一方、図 47の W 1の第 27列および図 48 prom
の Y の第 27行は、採用されなかったものであり、このようにして、 W 1を構成する prom prom
31列（31基底)のうち、合計 23列（23基底）が特徴要素として採用され、従って、 31 行の Y のうち、合計 23行が特徴判定要素として採用された。なお、採用条件を、よ prom
り厳しくして 23行未満の特徴判定要素を採用してもよい。
[0298] 次に、検査段階 (テストステップ)では、テストデータとして、前述した非特許文献 1に 記載された既知の 126本の大腸菌プロモータを使った。これらの 126本の大腸菌プ 口モータは、学習段階で使った既知の 106本の大腸菌プロモータとは異なるものであ る。なお、これらの 126本のプロモータについては、非特許文献 1では、既にギャップ が挿入されていたため、それらのギャップを取り除き、ギャップのない配列長 40〜50 のプロモータに戻してテストデータ (検査配列）とした。
[0299] また、テストデータ（検査配列）として、配列長が 65のランダム配列を 5000本生成し て用意した。この際、 Aと Tの出願頻度をそれぞれ 0. 3ずっとし、 Gと Cの出願頻度を それぞれ 0. 2ずっとした。従って、アラインメントされていないテストデータ (検査配列 )が、合計で 5126本用意された。但し、ランダム配列の配列長を 65にしたのは、前述 したホモロジ'スコアの計算をしてプロモータに近い配列を排除するためである。従つ て、ホモロジ 'スコアの計算を行わない場合には、プロモータであるか否かが未知の 配列について判定を行う実際の検査段階の処理で採用される検査配列の配列長と 同じ配列長とし、例えば配列長が 50のランダム配列を 5000本生成して用意してもよ い。
[0300] 続いて、 5126本のテストデータについて、 W および W を用いて一 10ボックス相
-10 -35
当配列および 35ボックス相当配列を決定した後、図 42に示した方法でァラインメ ントを施し、配列長を 31に統一した。この際、転写開始点は、下流側から見て 7塩基 目と仮定し、 1つのテストデータ (検査配列）にっき、転写開始点を 1つだけ設定した（ つまり、この効果確認実験では、図 36に示すような転写開始点のスライド設定は行わ な力つた)。また、—10ボックス相当配列および— 35ボックス相当配列と、転写開始 点近傍領域配列との相関判定処理は行わな力つた。
[0301] それから、アラインメントされた 5126本のプロモータ候補配列について、プロモータ 用出現頻度テーブル T を用いて数値化し、 5126本の検査データを生成した後、
prom
図 49に示すように、プロモータ用分離行列 W と、 5126本の検査データを結合し
prom
た検査データ行列 X とを乗じる行列演算を行 、、 31行 X 5126列のプロモータ用
test
分離済データ行列 Y を求めた。
test
[0302] そして、プロモータ用分離済データ行列 Y のうち、学習段階で W 1および Y
test prom prom のグラフ化および解析を行って既に決定されて ヽる複数行 (ここでは、合計 23行)の 特徴判定要素を抽出して、 23行 X 5126列の Y ，を生成した。それから、 Y ，の任
test test 意の 1つの列ベクトル Y ，（k) (k= l〜5126)と、 Y ，（図 44参照）の各列ベクトル
test prom
Y ， (j) (j = l〜106)とのそれぞれの内積の値を算出し、これらの Np個（106個）の prom
内積の値の平均値を求めた。このような類似度を示す値の算出は、 Y 'を構成する
test
5126列の全ての列ベクトル Y
test，（k) (k= l〜5126)について行う。なお、 Y ，（図
prom
44参照）の各列ベクトル Y
prom， (j) (j = 1〜106)の重心ベクトルを学習段階で予め求 めておいた場合には、 Y ，の任意の 1つの列ベクトル Y ，（k) (k= l〜5126)と、こ
test test
の重心ベクトルとの内積の値を算出することにより、等価な値を算出することができる [0303] このようにして各列ベクトル Y ' (k) (k= l
test 〜5126)毎に求めた類似度を示す値に ついて、閾値をゼロとし、正負を判定した (つまり、硬判定を行った)。この結果、 95.
04%という高い認識率が得られ、これにより本発明の効果が顕著に示された。なお、 この 95. 04%という認識率は、転写開始点のスライド設定処理や相関判定処理を行 うことにより、更に向上させることが可能である。
[0304] [変形の形態]
なお、本発明は前記各実施形態に限定されるものではなぐ本発明の目的を達成 できる範囲内での変形等は本発明に含まれるものである。
[0305] すなわち、前記各実施形態では、特定点である転写開始点は、部分パターンであ る― 35ボックスおよび— 10ボックスよりも下流側に配置されて 、たが、特定点と各部 分パターンとの位置関係は、これに限定されるものではなぐ本発明における特定点 は、全ての部分パターンの下流側にあってもよぐ全ての部分パターンの上流側にあ つてもよく、部分パターン同士の間に介在して 、てもよ!/、。
[0306] また、前記各実施形態では、 2つの 35ボックスおよび 10ボックスと、転写開始 点近傍領域配列との相関を判定していたが、必ずしも全ての部分パターンと特定点 近傍領域配列との相関を判定するのではなぐ一部の部分パターンと特定点近傍領 域配列との相関を判定してもよ 、。
[0307] さらに、前記各実施形態では、各部分パターンと特定点近傍領域配列との相関を 判定していたが、多重化されていない特徴パターンの認識処理を行う場合には、そ の多重化されていない特徴パターンと、特定点近傍領域配列との相関を判定しても よい。
[0308] そして、前記各実施形態では、独立成分分析 (ICA)または主成分分析 (PCA)に より相関判定を行っていた力 これに限定されるものではなぐ例えば、ニューラルネ ットワーク法等により相関判定を行ってもよい。ニューラルネットワーク法の場合には、 例えば、学習段階で、互いに相関のある既知の各部分パターンと既知の特定点近傍 領域配列とを入力したときには、相関があることを示す数値 (例えば 1)が出力され、 一方、相関のない配列（ランダム配列等）を入力したときには、相関がないことを示す 数値 (例えば 0)が出力されるように係数を定めておき、検査段階で、特徴パターン候 補配列に含まれる各部分パターン相当配列および特定点近傍領域配列を入力した ときに、その出力結果が、相関があることを示す数値 (例えば 1)になる力、あるいは相 関がないことを示す数値 (例えば 0)になるかを判定する方法等を採用することができ る。
[0309] また、前記各実施形態では、転写開始点を設定 (仮定)して― 35ボックス相当配列 および— 10ボックス相当配列を決定した後に、これらの— 35ボックス相当配列およ び 10ボックス相当配列と転写開始点近傍領域配列との間に相関がある力否かを 判断するだけであった力 このような 1回の往復処理だけではなぐ例えば、転写開 始点を設定 (仮定)して— 35ボックス相当配列および— 10ボックス相当配列を決定し た後に、これらの— 35ボックス相当配列および— 10ボックス相当配列と転写開始点 近傍領域配列との間の相関が高くなる転写開始点を見つけ、再度、その転写開始点 に基づき— 35ボックス相当配列および— 10ボックス相当配列を決定するという具合 に、複数回の反復処理を行ってもよい。
[0310] さらに、前記各実施形態では、図 36の二点鎖線で示すように、 1つの検査配列の 中で、複数のプロモータ候補配列を決定する処理を行うが、それぞれのプロモータ 候補配列を決定するにあたり、さらに複数（9個）の 10ボックス候補配列や複数（7 個）の 35ボックス候補配列に関する演算処理を行うので、重複した演算処理を回 避するために、一度算出した結果を適宜保存して再利用する力 または一度にまと めて実行できる演算については、まとめて行うようにしてもよい。例えば、ある点に設 定された転写開始点にっ 、てのプロモータ候補配列を決定する際に行われる j = 5 の 10ボックス候補配列に関する演算処理と、 1つ上流側の点に設定された転写開 始点にっ 、てのプロモータ候補配列を決定する際に行われる j =4の 10ボックス候 補配列に関する演算処理とは、重複する部分があるので、前者の演算処理の結果の 一部（例えば、図 21の Y (j)のうちの重複するデータ）を保存し、後者の演算処理
-lOcan
の際に用いるようにしてもよい。また、図 21の Y (j)
-lOcan のデータを、 9個の一 10ボック ス候補配列に区切って求めるのではなぐ一度にまとめて多数の 10ボックス候補 配列に対応する Y (j)
-lOcan のデータを求めておき、そこから 9個のデータを抜き出して
(1個ずつずらしながら 9個のデータを抜き出していく。 )内積の和 q (j)を求める処理 に用いてもよい。
[0311] また、前記各実施形態のプロモータ認識システム 10等は、多重化された特徴バタ ーンであり、かつ、特徴パターンの全体の長さに多様性があるプロモータについての 認識処理を行うシステムであった力 本発明の特徴パターン認識システムは、多重化 されていない特徴パターンであり、かつ、特徴パターンの全体の長さが一定である場 合の特徴パターンを認識するシステムにも適用することができ、また、特徴パターン の長さに多様性がある場合 (複数種類の長さが存在する場合）において、多重化され て 、な 、特徴パターンを認識するシステム、あるいは多重化されて 、る特徴パターン であるが、多重化されて ヽな 、場合と同様な処理でその特徴パターンを認識するシ ステムにも適用することができる。 [0312] 例えば、特徴パターンの長さに多様性がある場合において、多重化されていない 特徴パターンを認識するか、あるいは多重化されている特徴パターンである力 多重 ィ匕されていない場合と同様な処理でその特徴パターンを認識する処理を行う際には 、クラスタルダブリュー (ClustalW)という既存のアルゴリズムを実行する既存の標準 的なツールであるブラスト（BLAST)等を用いて候補配列の長さをギャップの挿入に より一定長に揃えるアラインメント処理を行うことができる。また、この場合において、 判定処理の対象となる配列若しくはその一部の配列断片から切り出された 1つの検 查配列の中で、候補配列を 1離散シンボルずつずらし、かつ各箇所で長さを変えな 力 決定し、決定された複数の候補配列の長さをギャップの挿入により一定長に揃え るアラインメント処理を行 ヽ、長さを揃えた複数の候補配列のそれぞれにつ 、て検査 データを生成し、 1つの検査配列力 得られたそれらの複数の検査データにっ 、て、 分離処理手段による分離処理および判定処理手段による判定処理を行うことにより、 1つの検査配列の中で定められた複数の候補配列の中から、特徴パターンであると 認識される配列を 1つ定める（つまり、最も確からしい候補配列を特徴パターンである と認識する）か、あるいは 1つも定めない（つまり、検査配列の中には特徴パターンは 存在しないと判定する）処理を行うことができる。例えば、 25〜30の間で配列長が変 動する特徴パターン (新規に発見される特徴パターンの想定長も考慮することが好ま しい。）の場合であれば、検査配列の中で、ある点を基準 (特徴パターンの右端)とし て、 25〜30の各長さの候補配列を決定し、次に、 1つ上流側の点を基準 (特徴バタ ーンの右端）として、同様に 25〜30の各長さの候補配列を決定するという具合にし て、 1つの検査配列の中で、複数の候補配列を決定することができる。
産業上の利用可能性
[0313] 以上のように、本発明の特徴パターン認識システムおよびその方法、並びにプログ ラムは、例えば、 DNA配列中のプロモータゃェンハンサ、アミノ酸配列中のモチーフ 、 DNA配列とアミノ酸配列との混在型配列中のパターン等を認識する場合に用いる のに適している。
図面の簡単な説明
[0314] [図 1]本発明の第 1実施形態のプロモータ認識システムの全体構成図。 圆 2]第 1実施形態のプロモータ認識システムの一部である学習処理手段の詳細構 成図。
圆 3]第 1実施形態の学習段階 (トレーニングステップ)の全体の流れを示すフローチ ヤートの図。
[図 4]第 1実施形態の—35ボックス学習の流れを示すフローチャートの図。
[図 5]第 1実施形態の DNA配列力 切り出された既知のプロモータを含む配列の例 示図。
圆 6]第 1実施形態の— 35ボックス学習に伴う処理の第 1の説明図。
[図 7]第 1実施形態の 35ボックス学習に伴う処理の第 2の説明図。
[図 8]第 1実施形態の 35ボックス学習に伴う処理の第 3の説明図。
[図 9]第 1実施形態の 35ボックス学習に伴う処理の第 4の説明図。
圆 10]第 1実施形態の— 35ボックス学習に伴う処理の第 5の説明図。
[図 11]第 1実施形態の— 10ボックス学習の流れを示すフローチャートの図。
圆 12]第 1実施形態の— 10ボックス学習に伴う処理の第 1の説明図。
圆 13]第 1実施形態の— 10ボックス学習に伴う処理の第 2の説明図。
圆 14]第 1実施形態の— 10ボックス学習に伴う処理の第 3の説明図。
圆 15]第 1実施形態の— 10ボックス学習に伴う処理の第 4の説明図。
[図 16]第 1実施形態のプロモータ学習の流れを示すフローチャートの図。
[図 17]第 1実施形態のプロモータ学習の流れの詳細（その 1)を示すフローチャートの 図。
[図 18]第 1実施形態のプロモータ学習の流れの詳細（その 2)を示すフローチャートの 図。
圆 19]第 1実施形態のプロモータ学習に伴う処理の第 1の説明図。
圆 20]第 1実施形態のプロモータ学習に伴う処理の第 2の説明図。
圆 21]第 1実施形態のプロモータ学習に伴う処理の第 3の説明図。
圆 22]第 1実施形態のプロモータ学習に伴う処理の第 4の説明図。
圆 23]第 1実施形態のプロモータ学習に伴う処理の第 5の説明図。
圆 24]第 1実施形態のプロモータ学習に伴う処理の第 6の説明図。 圆 25]第 1実施形態のプロモータ学習に伴う処理の第 7の説明図。
圆 26]第 1実施形態のプロモータ学習に伴う処理の第 8の説明図。
圆 27]第 1実施形態の相関学習の流れを示すフローチャートの図。
[図 28]第 1実施形態の相関学習に伴う処理の第 1の説明図。
[図 29]第 1実施形態の相関学習に伴う処理の第 2の説明図。
[図 30]第 1実施形態の相関学習に伴う処理の第 3の説明図。
圆 31]第 1実施形態の相関学習に伴う処理の第 4の説明図。
圆 32]第 1実施形態の検査段階 (テストステップ)の全体の流れを示すフローチャート の図。
[図 33]第 1実施形態の検査段階における詳細処理 (その 1)の流れを示すフローチヤ ートの図。
[図 34]第 1実施形態の検査段階における詳細処理 (その 2)の流れを示すフローチヤ ートの図。
圆 35]第 1実施形態の検査段階における相関判定処理の流れを示すフローチャート の図。
圆 36]第 1実施形態の検査段階における処理の第 1の説明図。
圆 37]第 1実施形態の検査段階における処理の第 2の説明図。
圆 38]第 1実施形態の検査段階における処理の第 3の説明図。
[図 39]本発明の効果確認実験 (第 1実施形態に基づく実験）におけるプロモータ用分 離行列 W の逆行列 W 1の第 1列の各要素の値を示すグラフの図。
prom prom
圆 40]本発明の効果確認実験 (第 1実施形態に基づく実験）におけるプロモータ用分 離済データ行列 Y 1
promの第 行の各要素の値を示すグラフの図。
圆 41]大腸菌塩基配列中で RNAポリメラーゼが大腸菌プロモータを探す様子を示 す図。
圆 42]本発明の第 2実施形態のアラインメントの方法を示す説明図。
[図 43]第 2実施形態のプロモータ用出現頻度テーブル T を示す図。
prom
圆 44]第 2実施形態における基底行例での特徴要素の現れ方と、検査段階の判定 処理で用 、られるプロモータ用分離済データ行列 Y のうちの真データ対応部分の 特徴判定要素との関係を示す図。
[図 45]第 2実施形態の学習段階の処理で得られたプロモータ用分離行列 W の逆
prom 行列 w 1の第 1列の各要素の値を示すグラフの図。
prom
[図 46]第 2実施形態の学習段階の処理で得られたプロモータ用分離済データ行列 Y の第 1行の各要素の値を示すグラフの図。
prom
[図 47]第 2実施形態の学習段階の処理で得られたプロモータ用分離行列 W の逆
prom 行列 W 1の第 27列の各要素の値を示すグラフの図。
prom
[図 48]第 2実施形態の学習段階の処理で得られたプロモータ用分離済データ行列 Y の第 27行の各要素の値を示すグラフの図。
prom
[図 49]第 2実施形態の検査段階の処理の説明図。
符号の説明
10 特徴パターン認識システムであるプロモータ認識システム
31 検査データ生成処理手段
31A 部分パターン候補データ生成処理手段である― 35ボックス候補データ生成 処理手段
31B 部分パターン候補データ生成処理手段である― 10ボックス候補データ生成 処理手段
31C 部分パターン候補データ用分離済データ生成処理手段である― 35ボックス 候補データ用分離済データ生成処理手段
31D 部分パターン候補データ用分離済データ生成処理手段である— 10ボックス 候補データ用分離済データ生成処理手段
31E 部分パターン相当配列決定処理手段である 35ボックス相当配列決定処 理手段
31F 部分パターン相当配列決定処理手段である 10ボックス相当配列決定処理 手段
31G 特徴パターン候補配列決定処理手段であるプロモータ候補配列決定処理 手段
31H アラインメント処理手段 31J 特徴パターン候補配列数値化処理手段であるプロモータ候補配列数値化処 理手段
32 分離処理手段
33 判定処理手段
41 部分パターン用出現頻度テーブル記憶手段である 35ボックス用出現頻度 テーブル記憶手段
42 部分パターン用分離行列記憶手段である 35ボックス用分離行列記憶手段 43 部分パターン用分離済データ行列記憶手段である— 35ボックス用分離済デ 一タ行列記憶手段
51 部分パターン用出現頻度テーブル記憶手段である 10ボックス用出現頻度 テーブル記憶手段
52 部分パターン用分離行列記憶手段である 10ボックス用分離行列記憶手段 53 部分パターン用分離済データ行列記憶手段である— 10ボックス用分離済デ 一タ行列記憶手段
61 パターン全体用出現頻度テーブル記憶手段であるプロモータ用出現頻度テ 一ブル記憶手段
62 パターン全体用分離行列記憶手段であるプロモータ用分離行列記憶手段
70 相関学習結果記憶手段
71 相関判定用出現頻度テーブル記憶手段
72 相関判定用分離行列記憶手段
A, T, G, C 離散シンボル
T 部分パターン用出現頻度テーブルである 35ボックス用出現頻度テーブル
-35
T 部分パターン用出現頻度テーブルである 10ボックス用出現頻度テーブル
-10
τ パターン全体用出現頻度テーブルであるプロモータ用出現頻度テーブル prom
τ 相関判定用出現頻度テーブル
BBS
W 部分パターン用分離行列である— 35ボックス用分離行列
-35
W 部分パターン用分離行列である 10ボックス用分離行列
-10
w パターン全体用分離行列であるプロモータ用分離行列 w 相関判定用分離行列
BBS
X
-35 部分パターン用学習データ行列である一 35ボックス用学習データ行列
X 部分パターン用学習データ行列である一 10ボックス用学習データ行列 X パターン全体用学習データ行列であるプロモータ用学習データ行列 prom
X
BBS 相関判定用学習データ行列
X
BBS, test 相関判定データ行列
X
test 検査データ行列
Y
- 35 部分パターン用分離済データ行列である一 35ボックス用分離済データ行列
Y 部分パターン用分離済データ行列である一 10ボックス用分離済データ行列 Y
-35can 部分パターン候補データ用分離済データ行列である― 35ボックス候補デ ータ用分離済データ行列
Y
-lOcan 部分パターン候補データ用分離済データ行列である― 10ボックス候補デ ータ用分離済データ行列
γ パターン全体用分離済データ行列であるプロモータ用分離済データ行列 prom
Y BBS, test 相関判定用分離済データ行列
Z 部分パターン候補データ行列である一 35ボックス
35 候補データ行列
Z 部分パターン候補データ行列である一 10ボックス候補データ行列

Claims

請求の範囲
有限個の離散シンボルにより構成された配列若しくはその一部の配列断片またはこ れらの配列若しくは配列断片力 切り出された検査配列の中に、既に発見されて 、 る互いに類似する複数種類の既知の特徴パターンのうちのいずれかの特徴パターン または前記既知の特徴パターンに類似する新規な特徴パターンが含まれる力否かを 判定する処理を行う特徴パターン認識システムであって、
前記複数種類の既知の特徴パターンを用いてこれらの特徴パターン内での各配列 位置毎に前記離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前 記特徴パターン内での各配列位置および前記離散シンボルの各種別とを対応させ て形成された出現頻度テーブルを記憶する出現頻度テーブル記憶手段と、
前記複数種類の既知の特徴パターンおよびこれらの既知の特徴パターンとは異な る複数種類の非特徴パターンを、前記出現頻度テーブルを用いて前記配列位置お よび前記離散シンボルの種別に従ってそれぞれ数値ィ匕した後、これらを結合して学 習データ行列を生成し、この学習データ行列を用いて独立成分分析または主成分 分析を行うことにより、前記特徴パターンの特徴を示す特徴要素を含む基底行列の 逆変換を行う行列として得られた分離行列を記憶する分離行列記憶手段と、 判定処理の対象となる前記配列若しくはその一部の配列断片またはこれらの配列 若しくは配列断片から切り出された検査配列を、前記出現頻度テーブル記憶手段に 記憶された前記出現頻度テーブルを用 ヽて前記配列位置および前記離散シンボル の種別に従って数値化することにより、検査データを生成する処理を行う検査データ 生成処理手段と、
前記分離行列記憶手段に記憶された前記分離行列と前記検査データ生成処理手 段により生成された前記検査データまたは複数の前記検査データを結合した検査デ 一タ行列とを乗じる行列演算を行うことにより、分離済データまたは複数の前記分離 済データが結合された分離済データ行列を求める処理を行う分離処理手段と、 この分離処理手段により求めた前記分離済データまたは前記分離済データ行列を 構成する要素のうち、前記基底行列に含まれる前記特徴要素の行列内位置に応じ て定まる特徴判定要素の値を用いて、判定処理の対象となる前記配列若しくはその 一部の配列断片またはこれらの配列若しくは配列断片から切り出された検査配列の 中に、前記複数種類の既知の特徴パターンのうちのいずれかの特徴パターンまたは 前記既知の特徴パターンに類似する新規な特徴パターンが含まれる力否力または 存否の程度を判定する処理を行う判定処理手段と
を備えたことを特徴とする特徴パターン認識システム。
請求項 1に記載の特徴パターン認識システムにお 、て、
前記特徴パターンは、異なる領域に位置する複数の部分パターンを含んで構成さ れる多重化された特徴パターンであり、前記特徴パターン内での前記各部分パター ンの領域位置および前記特徴パターンの全体の長さには、前記特徴パターンの種 類の相違により複数種類の領域位置および複数種類の長さが存在し、
前記出現頻度テーブル記憶手段は、前記複数種類の既知の特徴パターンのバタ ーン全体の長さをギャップの挿入または部分パターン以外の領域の離散シンボルの 除去により一定長に揃えた後、パターン全体の長さを揃えた前記複数種類の既知の 特徴パターンを用いてこれらの特徴パターン内での各配列位置毎に前記ギャップを 含む前記離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前記特 徴パターン内での各配列位置および前記ギャップを含む前記離散シンボルの各種 別とを対応させて形成されたパターン全体用出現頻度テーブルを記憶するパターン 全体用出現頻度テーブル記憶手段であり、
前記分離行列記憶手段は、パターン全体の長さを揃えた前記複数種類の既知の 特徴パターンおよびこれらと同じ長さに揃えた前記複数種類の非特徴パターンから 生成されたパターン全体用学習データ行列を用いて独立成分分析または主成分分 析を行うことにより得られたパターン全体用分離行列を記憶するパターン全体用分離 行列記憶手段であり、
前記各領域の部分パターン毎に形成された部分パターン用出現頻度テーブルを 記憶する前記各領域の部分パターン毎の部分パターン用出現頻度テーブル記憶手 段と、
前記各領域の部分パターン毎に得られた部分パターン用分離行列を記憶する前 記各領域の部分パターン毎の部分パターン用分離行列記憶手段と、 前記各領域の部分パターン毎に学習段階で前記部分パターン用分離行列とともに 得られた部分パターン用分離済データ行列のうちの少なくとも真データ対応部分の 要素を記憶する部分パターン用分離済データ行列記憶手段とを備え、
前記各領域の部分パターン毎の部分パターン用出現頻度テーブル記憶手段には 前記既知の特徴パターンに含まれる前記各領域の部分パターンのそれぞれにつ V、て、複数種類の既知の部分パターンを用いてこれらの部分パターン内での各配列 位置毎に前記離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前 記部分パターン内での各配列位置および前記離散シンボルの各種別とを対応させ て形成された前記各領域の部分パターン毎の部分パターン用出現頻度テーブルが れ、
前記各領域の部分パターン毎の部分パターン用分離行列記憶手段には、 前記既知の特徴パターンに含まれる前記各領域の部分パターンのそれぞれにつ V、て、複数種類の既知の部分パターンおよびこれらの既知の部分パターンとは異な る複数種類の非部分パターンを、前記部分パターン用出現頻度テーブルを用いて 前記配列位置および前記離散シンボルの種別に従ってそれぞれ数値ィ匕した後、こ れらを結合して部分パターン用学習データ行列を生成し、この部分パターン用学習 データ行列を用いて独立成分分析または主成分分析を行うことにより、前記部分バタ ーンの特徴を示す特徴要素を含む部分パターン用基底行列の逆変換を行う行列と して得られた部分パターン用分離行列が記憶され、
前記部分パターン用分離済データ行列記憶手段には、
独立成分分析または主成分分析を行うことにより前記部分パターン用分離行列を 得る際に前記部分パターン用分離行列と前記部分パターン用学習データ行列とを 乗じた結果として得られた部分パターン用分離済データ行列のうちの少なくとも真デ ータ対応部分の要素が記憶され、
前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片またはこれらの配列 若しくは配列断片から切り出された検査配列の中で、前記各領域の部分パターンの それぞれについて、前記部分パターンと同じ長さを有する互いに位置のずれた複数 の部分パターン候補配列を定め、これらの複数の部分パターン候補配列につ 、て前 記部分パターン用出現頻度テーブル記憶手段に記憶された前記部分パターン用出 現頻度テーブルを用いて前記配列位置および前記離散シンボルの種別に従って数 値化して複数の部分パターン候補データを生成する処理を行う部分パターン候補デ ータ生成処理手段と、
前記部分パターン用分離行列記憶手段に記憶された前記部分パターン用分離行 列と前記部分パターン候補データ生成処理手段により生成された前記複数の部分 パターン候補データの各々または前記複数の部分パターン候補データを結合した部 分パターン候補データ行列とを乗じる行列演算を行うことにより、複数の部分パター ン候補データ用分離済データまたは前記複数の部分パターン候補データ用分離済 データが結合された部分パターン候補データ用分離済データ行列を生成する処理 を行う部分パターン候補データ用分離済データ生成処理手段と、
この部分パターン候補データ用分離済データ生成処理手段により生成された前記 複数の部分パターン候補データ用分離済データのうち、前記部分パターン用分離済 データ行列の真データ対応部分の各列ベクトルに最も近い部分パターン候補データ 用分離済データを求め、求めた前記部分パターン候補データ用分離済データに対 応する前記部分パターン候補配列を、前記特徴パターンの候補となる特徴パターン 候補配列に含まれる部分パターン相当配列として決定する処理を行う部分パターン 相当配列決定処理手段と、
この部分パターン相当配列決定処理手段により決定された各領域の前記部分バタ ーン相当配列に基づき前記特徴パターン候補配列を決定する処理を行う特徴バタ ーン候補配列決定処理手段と、
前記部分パターン相当配列決定処理手段により決定された各領域の前記部分パ ターン相当配列をそれぞれ一塊の状態に保ったままで、前記特徴パターン候補配列 決定処理手段により決定された前記特徴パターン候補配列の長さをギャップの挿入 または部分パターン以外の領域の離散シンボルの除去により一定長に揃えるァライ ンメント処理を行うアラインメント処理手段と、 このアラインメント処理手段により長さを揃えた前記特徴パターン候補配列を、前記 パターン全体用出現頻度テーブル記憶手段に記憶された前記パターン全体用出現 頻度テーブルを用いて前記配列位置および前記ギャップを含む前記離散シンボル の種別に従って数値化することにより、前記検査データを生成する処理を行う特徴パ ターン候補配列数値化処理手段と
を含んで構成されていることを特徴とする特徴パターン認識システム。
請求項 2に記載の特徴パターン認識システムにおいて、
前記パターン全体用分離行列記憶手段に記憶された前記パターン全体用分離行 列を得る際に用いられる前記パターン全体用学習データ行列を構成するためのバタ ーン全体の長さを揃えた前記複数種類の非特徴パターンは、
これらの非特徴パターンを生成するために用意された非特徴パターン生成用配列 の中で、前記各領域の部分パターンのそれぞれについて、前記部分パターンと同じ 長さを有する互いに位置のずれた複数の部分パターン候補配列を定め、これらの複 数の部分パターン候補配列にっ 、て前記部分パターン用出現頻度テーブルを用い て前記配列位置および前記離散シンボルの種別に従って数値ィ匕して複数の部分パ ターン候補データを生成し、前記部分パターン用分離行列と前記複数の部分パター ン候補データの各々または前記複数の部分パターン候補データを結合した部分バタ ーン候補データ行列とを乗じる行列演算を行うことにより、複数の部分パターン候補 データ用分離済データまたは前記複数の部分パターン候補データ用分離済データ が結合された部分パターン候補データ用分離済データ行列を生成し、生成された前 記複数の部分パターン候補データ用分離済データのうち、前記部分パターン用分離 済データ行列の真データ対応部分の各列ベクトルに最も近い部分パターン候補デ ータ用分離済データを求め、求めた前記部分パターン候補データ用分離済データ に対応する前記部分パターン候補配列を、前記非特徴パターンに含まれる部分バタ ーン相当配列として決定し、さらに決定された各領域の前記部分パターン相当配列 に基づき前記非特徴パターンを決定した後、決定された各領域の前記部分パターン 相当配列をそれぞれ一塊の状態に保ったままで、決定された前記非特徴パターンの 長さをギャップの挿入または部分パターン以外の領域の離散シンボルの除去により 一定長に揃えるアラインメント処理を行って生成されたものである
ことを特徴とする特徴パターン認識システム。
[4] 請求項 3に記載の特徴パターン認識システムにお 、て、
前記複数種類の非特徴パターンは、
前記複数の部分パターン候補データ用分離済データのうち、前記部分パターン用 分離済データ行列の真データ対応部分の各列ベクトルに最も近い部分パターン候 補データ用分離済データを求める際に、前記部分パターン候補データ用分離済デ ータと前記部分パターン用分離済データ行列の真データ対応部分の各列ベクトルの 総体との類似度が最大になる部分パターン候補データ用分離済データを求める処 理を行って生成されたものである
ことを特徴とする特徴パターン認識システム。
[5] 請求項 4に記載の特徴パターン認識システムにお 、て、
前記類似度は、前記部分パターン候補データ用分離済データと前記部分パターン 用分離済データ行列の真データ対応部分の各列ベクトルとの内積の和であることを 特徴とする特徴パターン認識システム。
[6] 請求項 2〜5のいずれかに記載の特徴パターン認識システムにおいて、
前記検査データ生成処理手段の前記部分パターン相当配列決定処理手段は、 前記部分パターン候補データ用分離済データ生成処理手段により生成された前記 複数の部分パターン候補データ用分離済データのうち、前記部分パターン用分離済 データ行列の真データ対応部分の各列ベクトルに最も近い部分パターン候補データ 用分離済データを求める際に、前記部分パターン候補データ用分離済データと前記 部分パターン用分離済データ行列の真データ対応部分の各列ベクトルの総体との 類似度が最大になる部分パターン候補データ用分離済データを求める処理を行う構 成とされている
ことを特徴とする特徴パターン認識システム。
[7] 請求項 6に記載の特徴パターン認識システムにお 、て、
前記類似度は、前記部分パターン候補データ用分離済データと前記部分パターン 用分離済データ行列の真データ対応部分の各列ベクトルとの内積の和であることを 特徴とする特徴パターン認識システム。
[8] 請求項 1〜7のいずれかに記載の特徴パターン認識システムにおいて、
前記判定処理手段は、
前記分離処理手段により求めた前記分離済データまたは前記分離済データ行列 のうちの前記特徴判定要素の値力 予め定められた閾値を境界としていずれの側の 値である力または値の大きさの程度を判定することにより、判定処理の対象となる前 記配列若しくはその一部の配列断片またはこれらの配列若しくは配列断片力 切り 出された検査配列の中に、前記複数種類の既知の特徴パターンのうちのいずれか の特徴パターンまたは前記既知の特徴パターンに類似する新規な特徴パターンが 含まれるか否かまたは存否の程度を判定する処理を行う構成とされている
ことを特徴とする特徴パターン認識システム。
[9] 請求項 1〜7のいずれかに記載の特徴パターン認識システムにおいて、
前記基底行列には、複数列の前記特徴要素が現れ、
前記分離処理手段により求めた前記分離済データまたは前記分離済データ行列 を構成する要素のうちの複数行の要素が前記特徴判定要素として採用され、 前記判定処理手段は、
前記分離処理手段により求めた前記分離済データまたは前記分離済データ行列 のうちの複数行の前記特徴判定要素の値を用いて、判定処理の対象となる前記配 列若しくはその一部の配列断片またはこれらの配列若しくは配列断片から切り出され た検査配列の中に、前記複数種類の既知の特徴パターンのうちのいずれかの特徴 ノ ターンまたは前記既知の特徴パターンに類似する新規な特徴パターンが含まれる か否力または存否の程度を判定する処理を行う構成とされている
ことを特徴とする特徴パターン認識システム。
[10] 請求項 9に記載の特徴パターン認識システムにお ヽて、
前記判定処理手段は、
前記分離処理手段により求めた前記分離済データまたは前記分離済データ行列 のうちの複数行の前記特徴判定要素の値により構成される列ベクトルと、学習段階で 前記分離行列とともに得られた分離済データ行列のうちの真データ対応部分の特徴 判定要素の値により構成される各列ベクトルとの類似度を示す値を算出し、算出され た類似度を示す値が予め定められた閾値を境界としていずれの側の値である力また は値の大きさの程度を判定することにより、判定処理の対象となる前記配列若しくは その一部の配列断片またはこれらの配列若しくは配列断片力 切り出された検査配 列の中に、前記複数種類の既知の特徴パターンのうちの 、ずれかの特徴パターンま たは前記既知の特徴パターンに類似する新規な特徴パターンが含まれる力否力また は存否の程度を判定する処理を行う構成とされて ヽる
ことを特徴とする特徴パターン認識システム。
[11] 請求項 10に記載の特徴パターン認識システムにおいて、
前記判定処理手段は、
前記類似度を示す値として、前記分離処理手段により求めた前記分離済データま たは前記分離済データ行列のうちの複数行の前記特徴判定要素の値により構成さ れる列ベクトルと、学習段階で前記分離行列とともに得られた分離済データ行列のう ちの真データ対応部分の特徴判定要素の値により構成される各列ベクトルの総体と の類似度を示す値を算出する処理を行う構成とされている
ことを特徴とする特徴パターン認識システム。
[12] 請求項 11に記載の特徴パターン認識システムにお 、て、
前記判定処理手段は、
前記類似度を示す値として、前記分離処理手段により求めた前記分離済データま たは前記分離済データ行列のうちの複数行の前記特徴判定要素の値により構成さ れる列ベクトルと、学習段階で前記分離行列とともに得られた分離済データ行列のう ちの真データ対応部分の特徴判定要素の値により構成される各列ベクトルの重心べ タトルとの内積の値またはこれと等価な値を算出する処理を行う構成とされている ことを特徴とする特徴パターン認識システム。
[13] 請求項 2〜7のいずれかに記載の特徴パターン認識システムにおいて、
前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片力 切り出された検 查配列の中で、前記特徴パターン候補配列を 1離散シンボルずつずらしながら決定 し、決定された複数の前記特徴パターン候補配列の長さをギャップの挿入または部 分パターン以外の領域の離散シンボルの除去により一定長に揃えるアラインメント処 理を行 ヽ、長さを揃えた複数の前記特徴パターン候補配列のそれぞれを前記パター ン全体用出現頻度テーブル記憶手段に記憶された前記パターン全体用出現頻度テ 一ブルを用いて前記配列位置および前記ギャップを含む前記離散シンボルの種別 に従って数値ィ匕することにより、任意の一つの前記検査配列について複数の前記検 查データを生成する処理を行う構成とされ、
前記分離処理手段は、
前記パターン全体用分離行列と前記検査データ生成処理手段により生成された複 数の前記検査データの各々またはこれらの複数の前記検査データを結合した検査 データ行列とを乗じる行列演算を行うことにより、任意の一つの前記検査配列につい て複数の分離済データまたはこれらの複数の分離済データが結合された分離済デ 一タ行列を求める処理を前記各検査配列毎に行う構成とされ、
前記判定処理手段は、
前記分離処理手段により求めた任意の一つの前記検査配列についての前記複数 の分離済データの各々または前記分離済データ行列を構成する要素のうち、前記基 底行列に含まれる前記特徴要素の行列内位置に応じて定まる各特徴判定要素の値 力 予め定められた閾値を境界としていずれの側の値である力または値の大きさの程 度をそれぞれ判定し、このうち前記特徴パターンであることを示す側の値であるかま たは前記特徴パターン寄りの程度を示す値であると判定された前記特徴判定要素の 、て、前記閾値との差の絶対値が最も大き 、かまたは前記特徴パターン寄り の程度が最も高い前記特徴判定要素の値を求め、求めた特徴判定要素の値を与え た前記検査データに対応する前記特徴パターン候補配列が、前記複数種類の既知 の特徴パターンのうちのいずれかの特徴パターンまたは前記既知の特徴パターンに 類似する新規な特徴パターンであると認識する処理を行う構成とされている
ことを特徴とする特徴パターン認識システム。
請求項 2〜7のいずれかに記載の特徴パターン認識システムにおいて、 前記検査データ生成処理手段は、 判定処理の対象となる前記配列若しくはその一部の配列断片力 切り出された検 查配列の中で、前記特徴パターン候補配列を 1離散シンボルずつずらしながら決定 し、決定された複数の前記特徴パターン候補配列の長さをギャップの挿入または部 分パターン以外の領域の離散シンボルの除去により一定長に揃えるアラインメント処 理を行 ヽ、長さを揃えた複数の前記特徴パターン候補配列のそれぞれを前記パター ン全体用出現頻度テーブル記憶手段に記憶された前記パターン全体用出現頻度テ 一ブルを用いて前記配列位置および前記ギャップを含む前記離散シンボルの種別 に従って数値ィ匕することにより、任意の一つの前記検査配列について複数の前記検 查データを生成する処理を行う構成とされ、
前記分離処理手段は、
前記パターン全体用分離行列と前記検査データ生成処理手段により生成された複 数の前記検査データの各々またはこれらの複数の前記検査データを結合した検査 データ行列とを乗じる行列演算を行うことにより、任意の一つの前記検査配列につい て複数の分離済データまたはこれらの複数の分離済データが結合された分離済デ 一タ行列を求める処理を前記各検査配列毎に行う構成とされ、
前記判定処理手段は、
前記分離処理手段により求めた任意の一つの前記検査配列についての前記複数 の分離済データの各々または前記分離済データ行列を構成する要素のうち、前記基 底行列に含まれる複数列の前記特徴要素の行列内位置に応じて定まる複数行の前 記特徴判定要素の値により構成される各列ベクトルのそれぞれについて、学習段階 で前記パターン全体用分離行列とともに得られた分離済データ行列のうちの真デー タ対応部分の特徴判定要素の値により構成される各列ベクトルとの類似度を示す値 を算出し、算出された各類似度を示す値が予め定められた閾値を境界としていずれ の側の値である力または値の大きさの程度をそれぞれ判定し、このうち前記特徴バタ ーンであることを示す側の値であるカゝまたは前記特徴パターン寄りの程度を示す値 であると判定された前記類似度を示す値につ!、て、前記閾値との差の絶対値が最も 大きいかまたは前記特徴パターン寄りの程度が最も高い前記類似度を示す値を求め 、求めた類似度を示す値を与えた前記検査データに対応する前記特徴パターン候 補配列力 前記複数種類の既知の特徴パターンのうちのいずれかの特徴パターンま たは前記既知の特徴パターンに類似する新規な特徴パターンであると認識する処理 を行う構成とされている
ことを特徴とする特徴パターン認識システム。
[15] 請求項 2〜7, 13, 14のいずれかに記載の特徴パターン認識システムにおいて、 多重化された前記特徴パターンに含まれる前記各領域の部分パターンが、前記配 列中の特定点を含む特定点近傍領域配列と相関している場合に、
前記各領域の部分パターンと前記特定点近傍領域配列との相関を判定するため に用いられる情報として予め学習して得られた相関学習結果を含む情報を記憶する 相関学習結果記憶手段を備え、
前記検査データ生成処理手段の前記部分パターン候補データ生成処理手段は、 前記各領域の部分パターンのそれぞれにつ 、て、前記特定点との相対的な位置 関係または前記特定点との相対的な位置関係で定められた他の領域の部分パター ン候補配列との相対的な位置関係で、前記複数の部分パターン候補配列を定める 処理を行う構成とされ、
前記検査データ生成処理手段の前記特徴パターン候補配列決定処理手段は、 前記相関学習結果記憶手段に記憶された前記相関学習結果を含む情報を用いて 、前記検査データ生成処理手段の前記部分パターン相当配列決定処理手段により 決定された各領域の前記部分パターン相当配列と前記特定点近傍領域配列との間 に相関がある力否力 または相関の程度を判定し、相関がないか、または低いと判定 された場合には、それらの各領域の前記部分パターン相当配列および前記特定点 近傍領域配列中の前記特定点に基づく前記特徴パターン候補配列の決定処理は 行わな 、構成とされて 、る
ことを特徴とする特徴パターン認識システム。
[16] 請求項 15に記載の特徴パターン認識システムにおいて、
前記相関学習結果記憶手段は、
前記既知の特徴パターンに含まれる複数の領域のうちの少なくとも一つの領域の 既知の部分パターンおよび既知の特徴点近傍領域配列を結合して形成された複数 種類の相関結合配列を用いて、これらの相関結合配列内での各配列位置毎に前記 離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前記相関結合配 列内での各配列位置および前記離散シンボルの各種別とを対応させて形成された 相関判定用出現頻度テーブルを記憶する相関判定用出現頻度テーブル記憶手段 と、
前記各領域の部分パターンと前記特定点近傍領域配列との相関を判定する相関 判定処理に用いられる相関判定用分離行列を記憶する相関判定用分離行列記憶 手段とを含んで構成され、
前記相関判定用分離行列記憶手段には、
複数の領域のうちの少なくとも一つの領域の前記既知の部分パターンおよび前記 既知の特定点近傍領域配列を結合して生成された相関結合配列、並びに複数の領 域のうちの少なくとも一つの領域の前記既知の部分パターンおよび前記既知の特定 点近傍領域配列とは異なる非特定点近傍領域配列を結合して形成された非相関結 合配列を、前記相関判定用出現頻度テーブルを用いて前記配列位置および前記離 散シンボルの種別に従つてそれぞれ数値化した後、これらを結合して相関判定用学 習データ行列を生成し、この相関判定用学習データ行列を用いて独立成分分析ま たは主成分分析を行うことにより、前記相関結合配列の特徴を示す特徴要素を含む 相関判定用基底行列の逆変換を行う行列として得られた相関判定用分離行列が記 憶され、
前記検査データ生成処理手段の前記特徴パターン候補配列決定処理手段は、 決定された各領域の前記部分パターン相当配列と前記特定点近傍領域配列との 間に相関がある力否力 または相関の程度を判定する際には、複数の領域のうちの 少なくとも一つの領域の前記部分パターン相当配列および前記特定点近傍領域配 列を結合して相関判定配列を生成し、この相関判定配列を前記相関判定用出現頻 度テーブル記憶手段に記憶された前記相関判定用出現頻度テーブルを用いて前記 配列位置および前記離散シンボルの種別に従って数値ィ匕して相関判定データを生 成した後、前記相関判定用分離行列記憶手段に記憶された前記相関判定用分離行 列と、前記相関判定データまたは複数の前記相関判定データを結合した相関判定 データ行列とを乗じる行列演算を行うことにより、相関判定用分離済データまたは複 数の前記相関判定用分離済データが結合された相関判定用分離済データ行列を 求める相関判定用分離処理を行 、、この相関判定用分離処理で求めた前記相関判 定用分離済データまたは前記相関判定用分離済データ行列を構成する要素のうち 、前記相関判定用基底行列に含まれる前記特徴要素の行列内位置に応じて定まる 相関判定要素の値を用いて、相関がある力否力、または相関の程度を判定する処理 を行う構成とされている
ことを特徴とする特徴パターン認識システム。
[17] 請求項 16に記載の特徴パターン認識システムにおいて、
前記検査データ生成処理手段の前記特徴パターン候補配列決定処理手段は、 前記相関判定要素の値が予め定められた相関判定用閾値を境界として 、ずれの 側の値である力または値の大きさの程度を判定することにより、相関がある力否力、ま たは相関の程度を判定する処理を行う構成とされている
ことを特徴とする特徴パターン認識システム。
[18] 請求項 1〜17のいずれかに記載の特徴パターン認識システムにおいて、
前記配列は、 DNA配列であり、前記離散シンボルは、前記 DNA配列を構成する 塩基を示す A、 T、 G、 Cの記号またはこれらの代替記号であり、前記特徴パターンは 、前記 DNA配列中のプロモータである
ことを特徴とする特徴パターン認識システム。
[19] 請求項 2〜7, 13〜17のいずれかに記載の特徴パターン認識システムにおいて、 前記配列は、 DNA配列であり、前記離散シンボルは、前記 DNA配列を構成する 塩基を示す A、 T、 G、 Cの記号またはこれらの代替記号であり、前記特徴パターンは 、前記 DNA配列中のプロモータであり、前記部分パターンは、前記プロモータに含 まれる 35ボックスおよび 10ボックスである
ことを特徴とする特徴パターン認識システム。
[20] 請求項 15〜17のいずれかに記載の特徴パターン認識システムにおいて、
前記配列は、 DNA配列であり、前記離散シンボルは、前記 DNA配列を構成する 塩基を示す A、 T、 G、 Cの記号またはこれらの代替記号であり、前記特徴パターンは 、前記 DNA配列中のプロモータであり、前記部分パターンは、前記プロモータに含 まれる— 35ボックスおよび— 10ボックスであり、前記特定点は、前記 DNA配列の転 写開始点であり、前記特徴点近傍領域配列は、転写開始点近傍領域配列である ことを特徴とする特徴パターン認識システム。
[21] 請求項 1〜17のいずれかに記載の特徴パターン認識システムにおいて、
前記配列は、タンパク質を構成するアミノ酸配列であり、前記離散シンボルは、前記 アミノ酸配列を構成するアミノ酸を示す記号であり、前記特徴パターンは、前記アミノ 酸配列中のモチーフである
ことを特徴とする特徴パターン認識システム。
[22] 請求項 1に記載の特徴パターン認識システムにお 、て、
前記特徴パターンの長さには、前記特徴パターンの種類の相違により複数種類の 長さが存在し、
前記出現頻度テーブル記憶手段には、前記複数種類の既知の特徴パターンの長 さをギャップの挿入により一定長に揃えた後、長さを揃えた前記複数種類の既知の 特徴パターンを用いてこれらの特徴パターン内での各配列位置毎に前記ギャップを 含む前記離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前記特 徴パターン内での各配列位置および前記ギャップを含む前記離散シンボルの各種 別とを対応させて形成された前記出現頻度テーブルが記憶され、
前記分離行列記憶手段には、長さを揃えた前記複数種類の既知の特徴パターン およびこれらと同じ長さに揃えた前記複数種類の非特徴パターン力も生成された前 記学習データ行列を用いて独立成分分析または主成分分析を行うことにより得られ た前記分離行列が記憶され、
前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片またはこれらの配列 若しくは配列断片から切り出された検査配列の中で、前記特徴パターンの候補となる 候補配列を決定した後、決定された前記候補配列の長さをギャップの挿入により一 定長に揃えるアラインメント処理を行い、長さを揃えた前記候補配列を前記出現頻度 テーブル記憶手段に記憶された前記出現頻度テーブルを用いて前記配列位置およ び前記ギャップを含む前記離散シンボルの種別に従って数値ィ匕することにより、前記 検査データを生成する処理を行う構成とされて ヽる
ことを特徴とする特徴パターン認識システム。
請求項 22に記載の特徴パターン認識システムにおいて、
前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片力 切り出された検 查配列の中で、前記候補配列を 1離散シンボルずつずらし、かつ各箇所で長さを変 えながら決定し、決定された複数の前記候補配列の長さをギャップの挿入により一定 長に揃えるアラインメント処理を行い、長さを揃えた複数の前記候補配列のそれぞれ を前記出現頻度テーブル記憶手段に記憶された前記出現頻度テーブルを用 V、て前 記配列位置および前記ギャップを含む前記離散シンボルの種別に従って数値ィ匕す ることにより、任意の一つの前記検査配列について複数の前記検査データを生成す る処理を行う構成とされ、
前記分離処理手段は、
前記分離行列と前記検査データ生成処理手段により生成された複数の前記検査 データまたはこれらの複数の前記検査データを結合した検査データ行列とを乗じる 行列演算を行うことにより、任意の一つの前記検査配列について複数の分離済デー タまたはこれらの複数の分離済データが結合された分離済データ行列を求める処理 を前記各検査配列毎に行う構成とされ、
前記判定処理手段は、
前記分離処理手段により求めた任意の一つの前記検査配列についての前記複数 の分離済データの各々または前記分離済データ行列を構成する要素のうち、前記基 底行列に含まれる前記特徴要素の行列内位置に応じて定まる特徴判定要素の値が 、予め定められた閾値を境界として 、ずれの側の値であるかまたは値の大きさの程 度を判定し、このうち前記特徴パターンであることを示す側の値である力または前記 特徴パターン寄りの程度を示す値であると判定された前記特徴判定要素の値につい て、前記閾値との差の絶対値が最も大きいかまたは前記特徴パターン寄りの程度が 最も高い前記特徴判定要素の値を求め、求めた特徴判定要素の値を与えた前記検 查データに対応する前記候補配列が、前記複数種類の既知の特徴パターンのうち のいずれかの特徴パターンまたは前記既知の特徴パターンに類似する新規な特徴 パターンであると認識する処理を行う構成とされて 、る ことを特徴とする特徴パターン認識システム。
請求項 22に記載の特徴パターン認識システムにおいて、
前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片力 切り出された検 查配列の中で、前記候補配列を 1離散シンボルずつずらし、かつ各箇所で長さを変 えながら決定し、決定された複数の前記候補配列の長さをギャップの挿入により一定 長に揃えるアラインメント処理を行い、長さを揃えた複数の前記候補配列のそれぞれ を前記出現頻度テーブル記憶手段に記憶された前記出現頻度テーブルを用 V、て前 記配列位置および前記ギャップを含む前記離散シンボルの種別に従って数値ィ匕す ることにより、任意の一つの前記検査配列について複数の前記検査データを生成す る処理を行う構成とされ、
前記分離処理手段は、
前記分離行列と前記検査データ生成処理手段により生成された複数の前記検査 データまたはこれらの複数の前記検査データを結合した検査データ行列とを乗じる 行列演算を行うことにより、任意の一つの前記検査配列について複数の分離済デー タまたはこれらの複数の分離済データが結合された分離済データ行列を求める処理 を前記各検査配列毎に行う構成とされ、
前記判定処理手段は、
前記分離処理手段により求めた任意の一つの前記検査配列についての前記複数 の分離済データの各々または前記分離済データ行列を構成する要素のうち、前記基 底行列に含まれる複数列の前記特徴要素の行列内位置に応じて定まる複数行の前 記特徴判定要素の値により構成される各列ベクトルのそれぞれについて、学習段階 で前記分離行列とともに得られた分離済データ行列のうちの真データ対応部分の特 徴判定要素の値により構成される各列ベクトルとの類似度を示す値を算出し、算出さ れた各類似度を示す値が予め定められた閾値を境界としていずれの側の値であるか または値の大きさの程度をそれぞれ判定し、このうち前記特徴パターンであることを 示す側の値である力または前記特徴パターン寄りの程度を示す値であると判定され た前記類似度を示す値にっ 、て、前記閾値との差の絶対値が最も大き!、かまたは前 記特徴パターン寄りの程度が最も高い前記類似度を示す値を求め、求めた類似度を 示す値を与えた前記検査データに対応する前記候補配列が、前記複数種類の既知 の特徴パターンのうちのいずれかの特徴パターンまたは前記既知の特徴パターンに 類似する新規な特徴パターンであると認識する処理を行う構成とされている
ことを特徴とする特徴パターン認識システム。
有限個の離散シンボルにより構成された配列若しくはその一部の配列断片またはこ れらの配列若しくは配列断片力 切り出された検査配列の中に、既に発見されて 、 る互いに類似する複数種類の既知の特徴パターンのうちのいずれかの特徴パターン または前記既知の特徴パターンに類似する新規な特徴パターンが含まれる力否かを 判定するための特徴パターン認識方法であって、
前記複数種類の既知の特徴パターンを用意するとともに、これらの既知の特徴バタ 一ンとは異なる複数種類の非特徴パターンを生成または用意し、
前記複数種類の既知の特徴パターンを用いてこれらの特徴パターン内での各配列 位置毎に前記離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前 記特徴パターン内での各配列位置および前記離散シンボルの各種別とを対応させ て出現頻度テーブルを作成し、この出現頻度テーブルを出現頻度テーブル記憶手 段に記憶させておくとともに、
前記複数種類の既知の特徴パターンおよび前記複数種類の非特徴パターンを、 前記出現頻度テーブルを用いて前記配列位置および前記離散シンボルの種別に従 つてそれぞれ数値ィ匕した後、これらを結合して学習データ行列を生成し、この学習デ 一タ行列を用いて独立成分分析または主成分分析を行うことにより、前記特徴パター ンの特徴を示す特徴要素を含む基底行列の逆変換を行う行列として得られた分離 行列を分離行列記憶手段に記憶させておき、
検査データ生成処理手段が、判定処理の対象となる前記配列若しくはその一部の 配列断片またはこれらの配列若しくは配列断片力 切り出された検査配列を、前記 出現頻度テーブル記憶手段に記憶された前記出現頻度テーブルを用いて前記配列 位置および前記離散シンボルの種別に従って数値ィヒすることにより、検査データを 生成する処理を行い、
分離処理手段が、前記分離行列記憶手段に記憶された前記分離行列と、前記検 查データ生成処理手段により生成された前記検査データまたは複数の前記検査デ ータを結合した検査データ行列とを乗じる行列演算を行うことにより、分離済データま たは複数の前記分離済データが結合された分離済データ行列を求める処理を行い 判定処理手段が、前記分離処理手段により求めた前記分離済データまたは前記 分離済データ行列を構成する要素のうち、前記基底行列に含まれる前記特徴要素 の行列内位置に応じて定まる特徴判定要素の値を用いて、判定処理の対象となる前 記配列若しくはその一部の配列断片またはこれらの配列若しくは配列断片力 切り 出された検査配列の中に、前記複数種類の既知の特徴パターンのうちのいずれか の特徴パターンまたは前記既知の特徴パターンに類似する新規な特徴パターンが 含まれるか否かまたは存否の程度を判定する処理を行う
ことを特徴とする特徴パターン認識方法。
請求項 25に記載の特徴パターン認識方法において、
前記特徴パターンは、異なる領域に位置する複数の部分パターンを含んで構成さ れる多重化された特徴パターンであり、前記特徴パターン内での前記各部分パター ンの領域位置および前記特徴パターンの全体の長さには、前記特徴パターンの種 類の相違により複数種類の領域位置および複数種類の長さが存在し、
前記出現頻度テーブル記憶手段は、前記複数種類の既知の特徴パターンのバタ ーン全体の長さをギャップの挿入または部分パターン以外の領域の離散シンボルの 除去により一定長に揃えた後、パターン全体の長さを揃えた前記複数種類の既知の 特徴パターンを用いてこれらの特徴パターン内での各配列位置毎に前記ギャップを 含む前記離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前記特 徴パターン内での各配列位置および前記ギャップを含む前記離散シンボルの各種 別とを対応させて形成されたパターン全体用出現頻度テーブルを記憶するパターン 全体用出現頻度テーブル記憶手段であり、
前記分離行列記憶手段は、パターン全体の長さを揃えた前記複数種類の既知の 特徴パターンおよびこれらと同じ長さに揃えた前記複数種類の非特徴パターンから 生成されたパターン全体用学習データ行列を用いて独立成分分析または主成分分 析を行うことにより得られたパターン全体用分離行列を記憶するパターン全体用分離 行列記憶手段であり、
前記各領域の部分パターン毎に形成された部分パターン用出現頻度テーブルを 前記各領域の部分パターン毎の部分パターン用出現頻度テーブル記憶手段に記憶 させておくとともに、
前記各領域の部分パターン毎に得られた部分パターン用分離行列を前記各領域 の部分パターン毎の部分パターン用分離行列記憶手段に記憶させ、
さらに、前記各領域の部分パターン毎に学習段階で前記部分パターン用分離行列 とともに得られた部分パターン用分離済データ行列のうちの少なくとも真データ対応 部分の要素を部分パターン用分離済データ行列記憶手段に記憶させておき、 前記各領域の部分パターン毎の部分パターン用出現頻度テーブル記憶手段には 前記既知の特徴パターンに含まれる前記各領域の部分パターンのそれぞれにつ V、て、複数種類の既知の部分パターンを用いてこれらの部分パターン内での各配列 位置毎に前記離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前 記部分パターン内での各配列位置および前記離散シンボルの各種別とを対応させ て形成された前記各領域の部分パターン毎の部分パターン用出現頻度テーブルを 記憶させておき、
前記各領域の部分パターン毎の部分パターン用分離行列記憶手段には、 前記既知の特徴パターンに含まれる前記各領域の部分パターンのそれぞれにつ
V、て、複数種類の既知の部分パターンおよびこれらの既知の部分パターンとは異な る複数種類の非部分パターンを、前記部分パターン用出現頻度テーブルを用いて 前記配列位置および前記離散シンボルの種別に従ってそれぞれ数値ィ匕した後、こ れらを結合して部分パターン用学習データ行列を生成し、この部分パターン用学習 データ行列を用いて独立成分分析または主成分分析を行うことにより、前記部分バタ ーンの特徴を示す特徴要素を含む部分パターン用基底行列の逆変換を行う行列と して得られた部分パターン用分離行列を記憶させておき、
前記部分パターン用分離済データ行列記憶手段には、
独立成分分析または主成分分析を行うことにより前記部分パターン用分離行列を 得る際に前記部分パターン用分離行列と前記部分パターン用学習データ行列とを 乗じた結果として得られた部分パターン用分離済データ行列のうちの少なくとも真デ ータ対応部分の要素を記憶させておき、
前記検査データ生成処理手段により前記検査データを生成する際には、 部分パターン候補データ生成処理手段が、判定処理の対象となる前記配列若しく はその一部の配列断片またはこれらの配列若しくは配列断片から切り出された検査 配列の中で、前記各領域の部分パターンのそれぞれについて、前記部分パターンと 同じ長さを有する互いに位置のずれた複数の部分パターン候補配列を定め、これら の複数の部分パターン候補配列にっ 、て前記部分パターン用出現頻度テーブル記 憶手段に記憶された前記部分パターン用出現頻度テーブルを用いて前記配列位置 および前記離散シンボルの種別に従って数値化して複数の部分パターン候補デー タを生成する処理を行い、
部分パターン候補データ用分離済データ生成処理手段が、前記部分パターン用 分離行列記憶手段に記憶された前記部分パターン用分離行列と前記部分パターン 候補データ生成処理手段により生成された前記複数の部分パターン候補データの 各々または前記複数の部分パターン候補データを結合した部分パターン候補デー タ行列とを乗じる行列演算を行うことにより、複数の部分パターン候補データ用分離 済データまたは前記複数の部分パターン候補データ用分離済データが結合された 部分パターン候補データ用分離済データ行列を生成する処理を行い、
部分パターン相当配列決定処理手段が、前記部分パターン候補データ用分離済 データ生成処理手段により生成された前記複数の部分パターン候補データ用分離 済データのうち、前記部分パターン用分離済データ行列の真データ対応部分の各 列ベクトルに最も近い部分パターン候補データ用分離済データを求め、求めた前記 部分パターン候補データ用分離済データに対応する前記部分パターン候補配列を 、前記特徴パターンの候補となる特徴パターン候補配列に含まれる部分パターン相 当配列として決定する処理を行 ヽ、
特徴パターン候補配列決定処理手段が、前記部分パターン相当配列決定処理手 段により決定された各領域の前記部分パターン相当配列に基づき前記特徴パターン 候補配列を決定する処理を行 ヽ、
アラインメント処理手段が、前記部分パターン相当配列決定処理手段により決定さ れた各領域の前記部分パターン相当配列をそれぞれ一塊の状態に保ったままで、 前記特徴パターン候補配列決定処理手段により決定された前記特徴パターン候補 配列の長さをギャップの挿入または部分パターン以外の領域の離散シンボルの除去 により一定長に揃えるアラインメント処理を行い、
特徴パターン候補配列数値化処理手段が、前記アラインメント処理手段により長さ を揃えた前記特徴パターン候補配列を、前記パターン全体用出現頻度テーブル記 憶手段に記憶された前記パターン全体用出現頻度テーブルを用いて前記配列位置 および前記ギャップを含む前記離散シンボルの種別に従って数値ィ匕することにより、 前記検査データを生成する処理を行う
ことを特徴とする特徴パターン認識方法。
請求項 26に記載の特徴パターン認識方法において、
前記パターン全体用分離行列記憶手段に記憶させる前記パターン全体用分離行 列を得る際に用いられる前記パターン全体用学習データ行列を構成するためのバタ ーン全体の長さを揃えた前記複数種類の非特徴パターンを生成する際には、 これらの非特徴パターンを生成するために用意された非特徴パターン生成用配列 の中で、前記各領域の部分パターンのそれぞれについて、前記部分パターンと同じ 長さを有する互いに位置のずれた複数の部分パターン候補配列を定め、これらの複 数の部分パターン候補配列にっ 、て前記部分パターン用出現頻度テーブルを用い て前記配列位置および前記離散シンボルの種別に従って数値ィ匕して複数の部分パ ターン候補データを生成し、前記部分パターン用分離行列と前記複数の部分パター ン候補データの各々または前記複数の部分パターン候補データを結合した部分バタ ーン候補データ行列とを乗じる行列演算を行うことにより、複数の部分パターン候補 データ用分離済データまたは前記複数の部分パターン候補データ用分離済データ が結合された部分パターン候補データ用分離済データ行列を生成し、生成された前 記複数の部分パターン候補データ用分離済データのうち、前記部分パターン用分離 済データ行列の真データ対応部分の各列ベクトルに最も近い部分パターン候補デ ータ用分離済データを求め、求めた前記部分パターン候補データ用分離済データ に対応する前記部分パターン候補配列を、前記非特徴パターンに含まれる部分バタ ーン相当配列として決定し、さらに決定された各領域の前記部分パターン相当配列 に基づき前記非特徴パターンを決定した後、決定された各領域の前記部分パターン 相当配列をそれぞれ一塊の状態に保ったままで、決定された前記非特徴パターンの 長さをギャップの挿入または部分パターン以外の領域の離散シンボルの除去により 一定長に揃えるアラインメント処理を行う
ことを特徴とする特徴パターン認識方法。
[28] 請求項 27に記載の特徴パターン認識方法にぉ 、て、
前記複数種類の非特徴パターンの生成時に、
前記複数の部分パターン候補データ用分離済データのうち、前記部分パターン用 分離済データ行列の真データ対応部分の各列ベクトルに最も近い部分パターン候 補データ用分離済データを求める際には、前記部分パターン候補データ用分離済 データと前記部分パターン用分離済データ行列の真データ対応部分の各列ベクトル の総体との類似度が最大になる部分パターン候補データ用分離済データを求める ことを特徴とする特徴パターン認識方法。
[29] 請求項 28に記載の特徴パターン認識方法にぉ 、て、
前記類似度は、前記部分パターン候補データ用分離済データと前記部分パターン 用分離済データ行列の真データ対応部分の各列ベクトルとの内積の和であることを 特徴とする特徴パターン認識方法。
[30] 請求項 26〜29に記載の特徴パターン認識方法において、
前記検査データ生成処理手段の前記部分パターン相当配列決定処理手段は、 前記部分パターン候補データ用分離済データ生成処理手段により生成された前記 複数の部分パターン候補データ用分離済データのうち、前記部分パターン用分離済 データ行列の真データ対応部分の各列ベクトルに最も近い部分パターン候補データ 用分離済データを求める際に、前記部分パターン候補データ用分離済データと前記 部分パターン用分離済データ行列の真データ対応部分の各列ベクトルの総体との 類似度が最大になる部分パターン候補データ用分離済データを求める処理を行う ことを特徴とする特徴パターン認識方法。
[31] 請求項 30に記載の特徴パターン認識方法において、
前記類似度は、前記部分パターン候補データ用分離済データと前記部分パターン 用分離済データ行列の真データ対応部分の各列ベクトルとの内積の和であることを 特徴とする特徴パターン認識方法。
[32] 請求項 25〜31のいずれかに記載の特徴パターン認識方法において、
前記判定処理手段は、
前記分離処理手段により求めた前記分離済データまたは前記分離済データ行列 のうちの前記特徴判定要素の値力 予め定められた閾値を境界としていずれの側の 値である力または値の大きさの程度を判定することにより、判定処理の対象となる前 記配列若しくはその一部の配列断片またはこれらの配列若しくは配列断片力 切り 出された検査配列の中に、前記複数種類の既知の特徴パターンのうちのいずれか の特徴パターンまたは前記既知の特徴パターンに類似する新規な特徴パターンが 含まれるか否かまたは存否の程度を判定する処理を行う
ことを特徴とする特徴パターン認識方法。
[33] 請求項 25〜31のいずれかに記載の特徴パターン認識方法において、
前記基底行列に、複数列の前記特徴要素が現れるときには、
前記分離処理手段により求めた前記分離済データまたは前記分離済データ行列 を構成する要素のうちの複数行の要素を前記特徴判定要素として採用し、
前記判定処理手段は、
前記分離処理手段により求めた前記分離済データまたは前記分離済データ行列 のうちの複数行の前記特徴判定要素の値を用いて、判定処理の対象となる前記配 列若しくはその一部の配列断片またはこれらの配列若しくは配列断片から切り出され た検査配列の中に、前記複数種類の既知の特徴パターンのうちのいずれかの特徴 ノターンまたは前記既知の特徴パターンに類似する新規な特徴パターンが含まれる か否力または存否の程度を判定する処理を行う
ことを特徴とする特徴パターン認識方法。
[34] 請求項 33に記載の特徴パターン認識方法にぉ 、て、
前記判定処理手段は、
前記分離処理手段により求めた前記分離済データまたは前記分離済データ行列 のうちの複数行の前記特徴判定要素の値により構成される列ベクトルと、学習段階で 前記分離行列とともに得られた分離済データ行列のうちの真データ対応部分の特徴 判定要素の値により構成される各列ベクトルとの類似度を示す値を算出し、算出され た類似度を示す値が予め定められた閾値を境界としていずれの側の値である力また は値の大きさの程度を判定することにより、判定処理の対象となる前記配列若しくは その一部の配列断片またはこれらの配列若しくは配列断片力 切り出された検査配 列の中に、前記複数種類の既知の特徴パターンのうちの 、ずれかの特徴パターンま たは前記既知の特徴パターンに類似する新規な特徴パターンが含まれる力否力また は存否の程度を判定する処理を行う
ことを特徴とする特徴パターン認識方法。
[35] 請求項 34に記載の特徴パターン認識方法にぉ 、て、
前記判定処理手段は、
前記類似度を示す値として、前記分離処理手段により求めた前記分離済データま たは前記分離済データ行列のうちの複数行の前記特徴判定要素の値により構成さ れる列ベクトルと、学習段階で前記分離行列とともに得られた分離済データ行列のう ちの真データ対応部分の特徴判定要素の値により構成される各列ベクトルの総体と の類似度を示す値を算出する処理を行う
ことを特徴とする特徴パターン認識方法。
[36] 請求項 35に記載の特徴パターン認識方法にぉ 、て、
前記判定処理手段は、
前記類似度を示す値として、前記分離処理手段により求めた前記分離済データま たは前記分離済データ行列のうちの複数行の前記特徴判定要素の値により構成さ れる列ベクトルと、学習段階で前記分離行列とともに得られた分離済データ行列のう ちの真データ対応部分の特徴判定要素の値により構成される各列ベクトルの重心べ タトルとの内積の値またはこれと等価な値を算出する処理を行う
ことを特徴とする特徴パターン認識方法。
請求項 26〜31のいずれかに記載の特徴パターン認識方法において、 前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片力 切り出された検 查配列の中で、前記特徴パターン候補配列を 1離散シンボルずつずらしながら決定 し、決定された複数の前記特徴パターン候補配列の長さをギャップの挿入または部 分パターン以外の領域の離散シンボルの除去により一定長に揃えるアラインメント処 理を行 ヽ、長さを揃えた複数の前記特徴パターン候補配列のそれぞれを前記パター ン全体用出現頻度テーブル記憶手段に記憶された前記パターン全体用出現頻度テ 一ブルを用いて前記配列位置および前記ギャップを含む前記離散シンボルの種別 に従って数値ィ匕することにより、任意の一つの前記検査配列について複数の前記検 查データを生成する処理を行 ヽ、
前記分離処理手段は、
前記パターン全体用分離行列と前記検査データ生成処理手段により生成された複 数の前記検査データの各々またはこれらの複数の前記検査データを結合した検査 データ行列とを乗じる行列演算を行うことにより、任意の一つの前記検査配列につい て複数の分離済データまたはこれらの複数の分離済データが結合された分離済デ 一タ行列を求める処理を前記各検査配列毎に行い、
前記判定処理手段は、
前記分離処理手段により求めた任意の一つの前記検査配列についての前記複数 の分離済データの各々または前記分離済データ行列を構成する要素のうち、前記基 底行列に含まれる前記特徴要素の行列内位置に応じて定まる各特徴判定要素の値 力 予め定められた閾値を境界としていずれの側の値である力または値の大きさの程 度をそれぞれ判定し、このうち前記特徴パターンであることを示す側の値であるかま たは前記特徴パターン寄りの程度を示す値であると判定された前記特徴判定要素の 、て、前記閾値との差の絶対値が最も大き 、かまたは前記特徴パターン寄り の程度が最も高い前記特徴判定要素の値を求め、求めた特徴判定要素の値を与え た前記検査データに対応する前記特徴パターン候補配列が、前記複数種類の既知 の特徴パターンのうちのいずれかの特徴パターンまたは前記既知の特徴パターンに 類似する新規な特徴パターンであると認識する処理を行う
ことを特徴とする特徴パターン認識方法。
請求項 26〜31のいずれかに記載の特徴パターン認識方法において、 前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片力 切り出された検 查配列の中で、前記特徴パターン候補配列を 1離散シンボルずつずらしながら決定 し、決定された複数の前記特徴パターン候補配列の長さをギャップの挿入または部 分パターン以外の領域の離散シンボルの除去により一定長に揃えるアラインメント処 理を行 ヽ、長さを揃えた複数の前記特徴パターン候補配列のそれぞれを前記パター ン全体用出現頻度テーブル記憶手段に記憶された前記パターン全体用出現頻度テ 一ブルを用いて前記配列位置および前記ギャップを含む前記離散シンボルの種別 に従って数値ィ匕することにより、任意の一つの前記検査配列について複数の前記検 查データを生成する処理を行 ヽ、
前記分離処理手段は、
前記パターン全体用分離行列と前記検査データ生成処理手段により生成された複 数の前記検査データの各々またはこれらの複数の前記検査データを結合した検査 データ行列とを乗じる行列演算を行うことにより、任意の一つの前記検査配列につい て複数の分離済データまたはこれらの複数の分離済データが結合された分離済デ 一タ行列を求める処理を前記各検査配列毎に行い、
前記判定処理手段は、
前記分離処理手段により求めた任意の一つの前記検査配列についての前記複数 の分離済データの各々または前記分離済データ行列を構成する要素のうち、前記基 底行列に含まれる複数列の前記特徴要素の行列内位置に応じて定まる複数行の前 記特徴判定要素の値により構成される各列ベクトルのそれぞれについて、学習段階 で前記パターン全体用分離行列とともに得られた分離済データ行列のうちの真デー タ対応部分の特徴判定要素の値により構成される各列ベクトルとの類似度を示す値 を算出し、算出された各類似度を示す値が予め定められた閾値を境界としていずれ の側の値である力または値の大きさの程度をそれぞれ判定し、このうち前記特徴バタ ーンであることを示す側の値であるカゝまたは前記特徴パターン寄りの程度を示す値 であると判定された前記類似度を示す値につ!、て、前記閾値との差の絶対値が最も 大きいかまたは前記特徴パターン寄りの程度が最も高い前記類似度を示す値を求め 、求めた類似度を示す値を与えた前記検査データに対応する前記特徴パターン候 補配列力 前記複数種類の既知の特徴パターンのうちのいずれかの特徴パターンま たは前記既知の特徴パターンに類似する新規な特徴パターンであると認識する処理 を行う
ことを特徴とする特徴パターン認識方法。
請求項 26〜31, 37, 38のいずれかに記載の特徴パターン認識方法において、 多重化された前記特徴パターンに含まれる前記各領域の部分パターンが、前記配 列中の特定点を含む特定点近傍領域配列と相関している場合に、
前記各領域の部分パターンと前記特定点近傍領域配列との相関を判定するため に用いられる情報として予め学習して得られた相関学習結果を含む情報を相関学習 結果記憶手段に記憶させておき、
前記検査データ生成処理手段の前記部分パターン候補データ生成処理手段は、 前記各領域の部分パターンのそれぞれにつ 、て、前記特定点との相対的な位置 関係または前記特定点との相対的な位置関係で定められた他の領域の部分パター ン候補配列との相対的な位置関係で、前記複数の部分パターン候補配列を定める 処理を行い、
前記検査データ生成処理手段の前記特徴パターン候補配列決定処理手段は、 前記相関学習結果記憶手段に記憶された前記相関学習結果を含む情報を用いて 、前記検査データ生成処理手段の前記部分パターン相当配列決定処理手段により 決定された各領域の前記部分パターン相当配列と前記特定点近傍領域配列との間 に相関がある力否力 または相関の程度を判定し、相関がないか、または低いと判定 された場合には、それらの各領域の前記部分パターン相当配列および前記特定点 近傍領域配列中の前記特定点に基づく前記特徴パターン候補配列の決定処理は 行わない
ことを特徴とする特徴パターン認識方法。
請求項 39に記載の特徴パターン認識方法において、
前記相関学習結果記憶手段に、
前記既知の特徴パターンに含まれる複数の領域のうちの少なくとも一つの領域の 既知の部分パターンおよび既知の特徴点近傍領域配列を結合して形成された複数 種類の相関結合配列を用いて、これらの相関結合配列内での各配列位置毎に前記 離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前記相関結合配 列内での各配列位置および前記離散シンボルの各種別とを対応させて形成された 相関判定用出現頻度テーブルを記憶する相関判定用出現頻度テーブル記憶手段 と、
前記各領域の部分パターンと前記特定点近傍領域配列との相関を判定する相関 判定処理に用いられる相関判定用分離行列を記憶する相関判定用分離行列記憶 手段とを設けておき、
前記相関判定用分離行列記憶手段には、
複数の領域のうちの少なくとも一つの領域の前記既知の部分パターンおよび前記 既知の特定点近傍領域配列を結合して生成された相関結合配列、並びに複数の領 域のうちの少なくとも一つの領域の前記既知の部分パターンおよび前記既知の特定 点近傍領域配列とは異なる非特定点近傍領域配列を結合して形成された非相関結 合配列を、前記相関判定用出現頻度テーブルを用いて前記配列位置および前記離 散シンボルの種別に従つてそれぞれ数値化した後、これらを結合して相関判定用学 習データ行列を生成し、この相関判定用学習データ行列を用いて独立成分分析ま たは主成分分析を行うことにより、前記相関結合配列の特徴を示す特徴要素を含む 相関判定用基底行列の逆変換を行う行列として得られた相関判定用分離行列を記 憶させておき、 前記検査データ生成処理手段の前記特徴パターン候補配列決定処理手段は、 決定された各領域の前記部分パターン相当配列と前記特定点近傍領域配列との 間に相関がある力否力 または相関の程度を判定する際には、複数の領域のうちの 少なくとも一つの領域の前記部分パターン相当配列および前記特定点近傍領域配 列を結合して相関判定配列を生成し、この相関判定配列を前記相関判定用出現頻 度テーブル記憶手段に記憶された前記相関判定用出現頻度テーブルを用いて前記 配列位置および前記離散シンボルの種別に従って数値ィ匕して相関判定データを生 成した後、前記相関判定用分離行列記憶手段に記憶された前記相関判定用分離行 列と、前記相関判定データまたは複数の前記相関判定データを結合した相関判定 データ行列とを乗じる行列演算を行うことにより、相関判定用分離済データまたは複 数の前記相関判定用分離済データが結合された相関判定用分離済データ行列を 求める相関判定用分離処理を行 、、この相関判定用分離処理で求めた前記相関判 定用分離済データまたは前記相関判定用分離済データ行列を構成する要素のうち 、前記相関判定用基底行列に含まれる前記特徴要素の行列内位置に応じて定まる 相関判定要素の値を用いて、相関がある力否力、または相関の程度を判定する処理 を行う
ことを特徴とする特徴パターン認識方法。
[41] 請求項 40に記載の特徴パターン認識方法にぉ 、て、
前記検査データ生成処理手段の前記特徴パターン候補配列決定処理手段は、 前記相関判定要素の値が予め定められた相関判定用閾値を境界として 、ずれの 側の値である力または値の大きさの程度を判定することにより、相関がある力否力、ま たは相関の程度を判定する処理を行う
ことを特徴とする特徴パターン認識方法。
[42] 請求項 25〜41のいずれかに記載の特徴パターン認識方法において、
前記配列は、 DNA配列であり、前記離散シンボルは、前記 DNA配列を構成する 塩基を示す A、 T、 G、 Cの記号またはこれらの代替記号であり、前記特徴パターンは 、前記 DNA配列中のプロモータである
ことを特徴とする特徴パターン認識方法。 [43] 請求項 26〜31, 37〜41のいずれかに記載の特徴パターン認識方法において、 前記配列は、 DNA配列であり、前記離散シンボルは、前記 DNA配列を構成する 塩基を示す A、 T、 G、 Cの記号またはこれらの代替記号であり、前記特徴パターンは 、前記 DNA配列中のプロモータであり、前記部分パターンは、前記プロモータに含 まれる 35ボックスおよび 10ボックスである
ことを特徴とする特徴パターン認識方法。
[44] 請求項 39〜41に記載の特徴パターン認識方法にぉ 、て、
前記配列は、 DNA配列であり、前記離散シンボルは、前記 DNA配列を構成する 塩基を示す A、 T、 G、 Cの記号またはこれらの代替記号であり、前記特徴パターンは 、前記 DNA配列中のプロモータであり、前記部分パターンは、前記プロモータに含 まれる— 35ボックスおよび— 10ボックスであり、前記特定点は、前記 DNA配列の転 写開始点であり、前記特徴点近傍領域配列は、転写開始点近傍領域配列である ことを特徴とする特徴パターン認識方法。
[45] 請求項 25〜41のいずれかに記載の特徴パターン認識方法において、
前記配列は、タンパク質を構成するアミノ酸配列であり、前記離散シンボルは、前記 アミノ酸配列を構成するアミノ酸を示す記号であり、前記特徴パターンは、前記アミノ 酸配列中のモチーフである
ことを特徴とする特徴パターン認識方法。
[46] 請求項 25に記載の特徴パターン認識方法にぉ 、て、
前記特徴パターンの長さには、前記特徴パターンの種類の相違により複数種類の 長さが存在し、
前記出現頻度テーブル記憶手段には、前記複数種類の既知の特徴パターンの長 さをギャップの挿入により一定長に揃えた後、長さを揃えた前記複数種類の既知の 特徴パターンを用いてこれらの特徴パターン内での各配列位置毎に前記ギャップを 含む前記離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前記特 徴パターン内での各配列位置および前記ギャップを含む前記離散シンボルの各種 別とを対応させて形成された前記出現頻度テーブルを記憶させておくとともに、 前記分離行列記憶手段には、長さを揃えた前記複数種類の既知の特徴パターン およびこれらと同じ長さに揃えた前記複数種類の非特徴パターン力も生成された前 記学習データ行列を用いて独立成分分析または主成分分析を行うことにより得られ た前記分離行列を記憶させておき、
前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片またはこれらの配列 若しくは配列断片から切り出された検査配列の中で、前記特徴パターンの候補となる 候補配列を決定した後、決定された前記候補配列の長さをギャップの挿入により一 定長に揃えるアラインメント処理を行い、長さを揃えた前記候補配列を前記出現頻度 テーブル記憶手段に記憶された前記出現頻度テーブルを用いて前記配列位置およ び前記ギャップを含む前記離散シンボルの種別に従って数値ィ匕することにより、前記 検査データを生成する処理を行う
ことを特徴とする特徴パターン認識方法。
請求項 46に記載の特徴パターン認識方法において、
前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片力 切り出された検 查配列の中で、前記候補配列を 1離散シンボルずつずらし、かつ各箇所で長さを変 えながら決定し、決定された複数の前記候補配列の長さをギャップの挿入により一定 長に揃えるアラインメント処理を行い、長さを揃えた複数の前記候補配列のそれぞれ を前記出現頻度テーブル記憶手段に記憶された前記出現頻度テーブルを用 V、て前 記配列位置および前記ギャップを含む前記離散シンボルの種別に従って数値ィ匕す ることにより、任意の一つの前記検査配列について複数の前記検査データを生成す る処理を行い、
前記分離処理手段は、
前記分離行列と前記検査データ生成処理手段により生成された複数の前記検査 データまたはこれらの複数の前記検査データを結合した検査データ行列とを乗じる 行列演算を行うことにより、任意の一つの前記検査配列について複数の分離済デー タまたはこれらの複数の分離済データが結合された分離済データ行列を求める処理 を前記各検査配列毎に行 、、 前記判定処理手段は、
前記分離処理手段により求めた任意の一つの前記検査配列についての前記複数 の分離済データの各々または前記分離済データ行列を構成する要素のうち、前記基 底行列に含まれる前記特徴要素の行列内位置に応じて定まる特徴判定要素の値が 、予め定められた閾値を境界として 、ずれの側の値であるかまたは値の大きさの程 度を判定し、このうち前記特徴パターンであることを示す側の値である力または前記 特徴パターン寄りの程度を示す値であると判定された前記特徴判定要素の値につい て、前記閾値との差の絶対値が最も大きいかまたは前記特徴パターン寄りの程度が 最も高い前記特徴判定要素の値を求め、求めた特徴判定要素の値を与えた前記検 查データに対応する前記候補配列が、前記複数種類の既知の特徴パターンのうち のいずれかの特徴パターンまたは前記既知の特徴パターンに類似する新規な特徴 パターンであると認識する処理を行う
ことを特徴とする特徴パターン認識方法。
請求項 46に記載の特徴パターン認識方法において、
前記検査データ生成処理手段は、
判定処理の対象となる前記配列若しくはその一部の配列断片力 切り出された検 查配列の中で、前記候補配列を 1離散シンボルずつずらし、かつ各箇所で長さを変 えながら決定し、決定された複数の前記候補配列の長さをギャップの挿入により一定 長に揃えるアラインメント処理を行い、長さを揃えた複数の前記候補配列のそれぞれ を前記出現頻度テーブル記憶手段に記憶された前記出現頻度テーブルを用 V、て前 記配列位置および前記ギャップを含む前記離散シンボルの種別に従って数値ィ匕す ることにより、任意の一つの前記検査配列について複数の前記検査データを生成す る処理を行い、
前記分離処理手段は、
前記分離行列と前記検査データ生成処理手段により生成された複数の前記検査 データまたはこれらの複数の前記検査データを結合した検査データ行列とを乗じる 行列演算を行うことにより、任意の一つの前記検査配列について複数の分離済デー タまたはこれらの複数の分離済データが結合された分離済データ行列を求める処理 を前記各検査配列毎に行 、、
前記判定処理手段は、
前記分離処理手段により求めた任意の一つの前記検査配列についての前記複数 の分離済データの各々または前記分離済データ行列を構成する要素のうち、前記基 底行列に含まれる複数列の前記特徴要素の行列内位置に応じて定まる複数行の前 記特徴判定要素の値により構成される各列ベクトルのそれぞれについて、学習段階 で前記分離行列とともに得られた分離済データ行列のうちの真データ対応部分の特 徴判定要素の値により構成される各列ベクトルとの類似度を示す値を算出し、算出さ れた各類似度を示す値が予め定められた閾値を境界としていずれの側の値であるか または値の大きさの程度をそれぞれ判定し、このうち前記特徴パターンであることを 示す側の値である力または前記特徴パターン寄りの程度を示す値であると判定され た前記類似度を示す値にっ 、て、前記閾値との差の絶対値が最も大き!、かまたは前 記特徴パターン寄りの程度が最も高い前記類似度を示す値を求め、求めた類似度を 示す値を与えた前記検査データに対応する前記候補配列が、前記複数種類の既知 の特徴パターンのうちのいずれかの特徴パターンまたは前記既知の特徴パターンに 類似する新規な特徴パターンであると認識する処理を行う
ことを特徴とする特徴パターン認識方法。
有限個の離散シンボルにより構成された配列若しくはその一部の配列断片またはこ れらの配列若しくは配列断片力 切り出された検査配列の中に、既に発見されて 、 る互いに類似する複数種類の既知の特徴パターンのうちのいずれかの特徴パターン または前記既知の特徴パターンに類似する新規な特徴パターンが含まれる力否かを 判定する処理を行う特徴パターン認識システムとして、コンピュータを機能させるため のプログラムであって、
前記複数種類の既知の特徴パターンを用いてこれらの特徴パターン内での各配列 位置毎に前記離散シンボルの各種別毎の出現頻度を求め、これらの出現頻度と前 記特徴パターン内での各配列位置および前記離散シンボルの各種別とを対応させ て形成された出現頻度テーブルを記憶する出現頻度テーブル記憶手段と、
前記複数種類の既知の特徴パターンおよびこれらの既知の特徴パターンとは異な る複数種類の非特徴パターンを、前記出現頻度テーブルを用いて前記配列位置お よび前記離散シンボルの種別に従ってそれぞれ数値ィ匕した後、これらを結合して学 習データ行列を生成し、この学習データ行列を用いて独立成分分析または主成分 分析を行うことにより、前記特徴パターンの特徴を示す特徴要素を含む基底行列の 逆変換を行う行列として得られた分離行列を記憶する分離行列記憶手段と、 判定処理の対象となる前記配列若しくはその一部の配列断片またはこれらの配列 若しくは配列断片から切り出された検査配列を、前記出現頻度テーブル記憶手段に 記憶された前記出現頻度テーブルを用 ヽて前記配列位置および前記離散シンボル の種別に従って数値化することにより、検査データを生成する処理を行う検査データ 生成処理手段と、
前記分離行列記憶手段に記憶された前記分離行列と前記検査データ生成処理手 段により生成された前記検査データまたは複数の前記検査データを結合した検査デ 一タ行列とを乗じる行列演算を行うことにより、分離済データまたは複数の前記分離 済データが結合された分離済データ行列を求める処理を行う分離処理手段と、 この分離処理手段により求めた前記分離済データまたは前記分離済データ行列を 構成する要素のうち、前記基底行列に含まれる前記特徴要素の行列内位置に応じ て定まる特徴判定要素の値を用いて、判定処理の対象となる前記配列若しくはその 一部の配列断片またはこれらの配列若しくは配列断片から切り出された検査配列の 中に、前記複数種類の既知の特徴パターンのうちのいずれかの特徴パターンまたは 前記既知の特徴パターンに類似する新規な特徴パターンが含まれる力否力または 存否の程度を判定する処理を行う判定処理手段と
を備えたことを特徴とする特徴パターン認識システムとして、コンピュータを機能さ せるためのプログラム。
PCT/JP2005/014130 2004-08-10 2005-08-02 特徴パターン認識システムおよびその方法、並びにプログラム Ceased WO2006027913A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2006535074A JP3976331B2 (ja) 2004-08-10 2005-08-02 特徴パターン認識システムおよびその方法、並びにプログラム
US11/658,130 US8244474B2 (en) 2004-08-10 2005-08-02 Feature pattern recognition system, method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2004-233848 2004-08-10
JP2004233848 2004-08-10

Publications (1)

Publication Number Publication Date
WO2006027913A1 true WO2006027913A1 (ja) 2006-03-16

Family

ID=36036207

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2005/014130 Ceased WO2006027913A1 (ja) 2004-08-10 2005-08-02 特徴パターン認識システムおよびその方法、並びにプログラム

Country Status (3)

Country Link
US (1) US8244474B2 (ja)
JP (1) JP3976331B2 (ja)
WO (1) WO2006027913A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007334769A (ja) * 2006-06-16 2007-12-27 Institute Of Physical & Chemical Research 配列抽出装置、配列抽出方法、プログラムおよび記録媒体
CN112488060A (zh) * 2020-12-18 2021-03-12 北京百度网讯科技有限公司 目标检测方法、装置、设备、介质和程序产品
JP2023515248A (ja) * 2020-04-02 2023-04-12 上海之江生物科技股▲ふん▼有限公司 微生物の標的断片における特異的領域の識別方法、装置及び応用

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9141945B2 (en) * 2010-12-02 2015-09-22 Appmobi Iplc, Inc. Secure distributed single action payment system
CN104462818B (zh) * 2014-12-08 2017-10-10 天津大学 一种基于Fisher准则的嵌入流形回归模型
US10635909B2 (en) * 2015-12-30 2020-04-28 Texas Instruments Incorporated Vehicle control with efficient iterative triangulation
CN107066938B (zh) * 2017-02-08 2020-02-07 清华大学 视频分析设备、方法和计算机程序产品

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3817161B2 (ja) 2001-11-05 2006-08-30 独立行政法人理化学研究所 化学物質分類装置、化学物質分類方法、ならびに、プログラム

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JONSSON J. ET AL.: "Quantitative sequence-activity models (QSAM)- tools for sequence design.", NUCLEIC ACIDS RES., vol. 21, no. 3, 1993, pages 733 - 739, XP002983711 *
MA Q. ET AL.: "DNA Sequence Classification via an Expectation Maximization Algorithm and Neural Networks: A Case Study.", IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS, PART C., vol. 31, no. 4, November 2001 (2001-11-01), pages 468 - 475, XP002993033 *
MATSUYAMA Y. AND KAWAMURA R. ET AL.: "Promoter Recognition for E. coli DNA Segments by Independent Component Analysis.", IEEE COMPUTATIONAL SYSTEMS BIOINFORMATICS CONFERENCE (CBS'04), 16 August 2004 (2004-08-16), pages 686 - 691, XP002993035 *
SHAHMURADOV I. ET AL.: "PlantProm: a database of plant promoter sequences.", NUCLEIC ACIDS RES., vol. 31, no. 1, 2003, pages 114 - 117, XP002993034 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007334769A (ja) * 2006-06-16 2007-12-27 Institute Of Physical & Chemical Research 配列抽出装置、配列抽出方法、プログラムおよび記録媒体
JP2023515248A (ja) * 2020-04-02 2023-04-12 上海之江生物科技股▲ふん▼有限公司 微生物の標的断片における特異的領域の識別方法、装置及び応用
JP7366289B2 (ja) 2020-04-02 2023-10-20 上海之江生物科技股▲ふん▼有限公司 微生物の標的断片における特異的領域の識別方法、装置及び応用
CN112488060A (zh) * 2020-12-18 2021-03-12 北京百度网讯科技有限公司 目标检测方法、装置、设备、介质和程序产品
CN112488060B (zh) * 2020-12-18 2023-08-08 北京百度网讯科技有限公司 目标检测方法、装置、设备和介质

Also Published As

Publication number Publication date
JPWO2006027913A1 (ja) 2008-05-08
JP3976331B2 (ja) 2007-09-19
US8244474B2 (en) 2012-08-14
US20070297676A1 (en) 2007-12-27

Similar Documents

Publication Publication Date Title
Clauwaert et al. Novel transformer networks for improved sequence labeling in genomics
US7761238B2 (en) Method and apparatus for discovering patterns in binary or categorical data
Katoh et al. Recent developments in the MAFFT multiple sequence alignment program
Juhl Jensen et al. Automatic discovery of regulatory patterns in promoter regions based on whole cell expression data and functional annotation
CN115240775B (zh) 基于stacking集成学习策略的Cas蛋白预测方法
US8832139B2 (en) Associative memory and data searching system and method
WO2006027913A1 (ja) 特徴パターン認識システムおよびその方法、並びにプログラム
KR102927037B1 (ko) 조직 특이적 조절 지역의 무세포 dna 분포를 이용한 인공지능 기반 암 조기진단 방법
Manju et al. Prediction of aptamer protein interaction using random forest algorithm
CN113593641A (zh) 一种基于序列频率信息识别dna增强子元件的方法
Iqbal et al. Data mining of protein sequences with amino acid position-based feature encoding technique
Basha Gutierrez et al. A genetic algorithm for motif finding based on statistical significance
US20100304983A1 (en) Method for protein structure determination, gene identification, mutational analysis, and protein design
US20040171063A1 (en) Local descriptors of protein structure
CN116097361A (zh) 用于在来自单细胞分区的多基因组特征数据中鉴定特征连锁的系统和方法
Alhamdoosh et al. Modelling the transcription factor DNA-binding affinity using genome-wide ChIP-based data
Park et al. IdMotif: An Interactive Motif Identification in Protein Sequences
JP2000285120A (ja) 遺伝子発現探索方法及びその装置
Hu et al. Sequential model selection-based segmentation to detect DNA copy number variation
Dozono et al. An algorithm of SOM using simulated annealing in the batch update phase for sequence analysis
JP2005284595A (ja) Ｒｎａ配列情報処理方法、プログラムおよび装置
Chen et al. Protein fold classification with genetic algorithms and feature selection
Zeng et al. Human promoter recognition using Kullback-Leibler divergence
WO2003056460A1 (en) Method of calculating occurrence frequency of sequence, method of calulating degree of isolation and method of estimating degree of adequacy for primer
Oueslati et al. Exon_Intron Separation Using Amino Acids Groups Frenquency Repartition as Coding Technique

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KM KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NG NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SM SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): BW GH GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LT LU LV MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 2006535074

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 11658130

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase
WWP Wipo information: published in national office

Ref document number: 11658130

Country of ref document: US