Komprese genomických signálů pro klasifikaci a identifikaci organismů

Abstract

Moderní klasifikace organismů je založena na molekulárních datech. Přitom tyto metody spoléhají na vícenásobné zarovnání znakových sekvencí, což je činí výpočetně velmi náročnými. Proto je také možné zpracovávat pouze krátké úseky genomu. Tato práce ukazuje zcela nový algoritmus postavený na konverzi celogenomových sekvencí do signálů kumulované fáze. Ty jsou podrobeny ztrátové kompresi spočívající v odstranění nadbytečných frekvenčních pásem pomocí vlnkové transformace. Klasifikace organismů je následně provedena jako shluková analýza s využitím euklidovské vzdálenosti dvojic komprimovaných signálů, kde je zarovnání provedeno algoritmem pro dynamické borcení časové osy.Modern classification of organisms is performed on molecular data. These methods rely on multiple alignment of sequences of characters which make them computationally demanding. Only small parts of genomes can be compared in reasonable time. In this paper, the novel algorithm based on conversion of the whole genome sequences to cumulative phase signals is presented. Dyadic wavelet transform is used for lossy compression of signals by redundant frequency bands elimination. Signal classification is then performed as a cluster analysis using Euclidian metrics where multiple alignment is replaced by dynamic time warping.