分析化学
分析化學
분석화학
CHINESE JOURNAL OF ANALYTICAL CHEMISTRY
2011年
11期
1701-1705
,共5页
汪雪娇%牟红元%鲁辉%豆兴茹%邱婷%谢洪平
汪雪嬌%牟紅元%魯輝%豆興茹%邱婷%謝洪平
왕설교%모홍원%로휘%두흥여%구정%사홍평
短串联重复序列%紫外光谱%人工神经网络%基因分型
短串聯重複序列%紫外光譜%人工神經網絡%基因分型
단천련중복서렬%자외광보%인공신경망락%기인분형
以STR基因座D16S539中的总核心重复串数相差较小的10-11,10-12,11-11和10-13基因型为研究对象,以紫外光谱为判别变量,建立了以人工神经网络(ANN)提取富信息变量为基础的ANN基因分型方法.在优化条件下,对4个基因型样本进行了聚合酶链式反应扩增,以扩增样本在200～310 nm范围内的检测光谱进行预处理和偶合的ANN-ANN网络优化.结果表明,提取富信息变量和基因分型的ANN的最优网络结构分别为391-50-391和50-6-4,该结构下的判别模型的校正相对均方根误差(RMS)和预测RMS分别是0.0279和0.0418,模型表现出了良好的稳健性和100％的基因型正确预测率.成功实现了基于紫外光谱对STR基因型的快速、简单和低成本检测.
以STR基因座D16S539中的總覈心重複串數相差較小的10-11,10-12,11-11和10-13基因型為研究對象,以紫外光譜為判彆變量,建立瞭以人工神經網絡(ANN)提取富信息變量為基礎的ANN基因分型方法.在優化條件下,對4箇基因型樣本進行瞭聚閤酶鏈式反應擴增,以擴增樣本在200～310 nm範圍內的檢測光譜進行預處理和偶閤的ANN-ANN網絡優化.結果錶明,提取富信息變量和基因分型的ANN的最優網絡結構分彆為391-50-391和50-6-4,該結構下的判彆模型的校正相對均方根誤差(RMS)和預測RMS分彆是0.0279和0.0418,模型錶現齣瞭良好的穩健性和100％的基因型正確預測率.成功實現瞭基于紫外光譜對STR基因型的快速、簡單和低成本檢測.
이STR기인좌D16S539중적총핵심중복천수상차교소적10-11,10-12,11-11화10-13기인형위연구대상,이자외광보위판별변량,건립료이인공신경망락(ANN)제취부신식변량위기출적ANN기인분형방법.재우화조건하,대4개기인형양본진행료취합매련식반응확증,이확증양본재200～310 nm범위내적검측광보진행예처리화우합적ANN-ANN망락우화.결과표명,제취부신식변량화기인분형적ANN적최우망락결구분별위391-50-391화50-6-4,해결구하적판별모형적교정상대균방근오차(RMS)화예측RMS분별시0.0279화0.0418,모형표현출료량호적은건성화100％적기인형정학예측솔.성공실현료기우자외광보대STR기인형적쾌속、간단화저성본검측.
