一种基于N-gram模型增强蛋白质肽段组装的方法

本发明公开了一种基于N‑gram模型增强蛋白质肽段组装的方法，包括：第一部分以UniRef50的非冗余蛋白质序列数据库作为训练数据，对这些序列数据进行清理和标准化格式的预处理；使用预处理后的数据进行N‑gram模型构建；使用Kneser‑Ney平滑技术优化模型并计算氨基酸的条件概率，为后续寻找deBruijn图的最优路径提供依据；第二部分以测序所得的蛋白质肽段序列作为输入，对肽段序列进行预处理；将预处理后的肽段划分为以k为长度的连续子串；使用肽段子串构建deBruijn图，用于表示肽段之间的重叠关系；再结合贪婪算法与第一部分的氨基酸概率寻找最优路径；输出蛋白质组装序列。本发明有效延长了蛋白质组装序列的长度，并提高了精确度，为确定蛋白质全长序列提供了新技术。