生物序列比对分析是生物信息学研究领域的基础工作,为序列相似性分析奠定重要的理论依据。传统的序列相似性分析方法通常是基于比对的算法,时间和空间复杂度高,对计算机的系统资源也要求较高,随着生物科技的飞速发展,生物序列以指数级的形式增长,面对目前海量级的生物数据已无法满足分析需求。虽然目前已经提出许多非比对方法分析生物序列,但很多非比对模型仍存在运行效率低、耗时且预测精确度低等问题。针对非比对序列相似性分析方法中现存的一些问题,提出以下三个方面的改进思路,并且用实验验证了所提出模型的有效性和可靠性。1.针对传统基于K-词的特征提取方法,忽略词的位置信息,从而导致序列特征提取不完整影响实验效果的问题,提出一种基于位置信息的非比对序列相似性分析模型。通过提取序列K-词,利用词频和词的位置信息计算LF摘,提取序列特征向量,用于蛋白质序列聚类。与现有技术方法相比,聚类结果证明,该模型能够有效地提取序列特征,提高聚类的准确性。2.针对现有的特征提取方法忽略序列频域特征,无法准确反应序列的变化信息,同时为了克服传统的DWT(Discrete Wavelet Transform)因下采样而造成的输入信息遗漏、丢失等问题,提出 SSAW(Sequence Similarity Analysis Method Based on the Stationary Discrete Wavelet Transform)模型。该模型提出一种新的K-词映射方式,通过幅度角的方式将K-词映射到复数域,统计词频并进行标准化,结合K-词的复数表示进行静态离散小波变换获取特征向量,进行聚类和分类。与最近提出的WFV模型和K2*模型相比,实验结果表明,SSAW在准确度、召回率和F1值上都具有优势,并且在大多数情况下,运行时间明显更少。3.针对现有的HGT检测方法准确率低,时间复杂度高等问题,提出基于SRGS(SeqRank and Gaussian Similarity Analysis)的 HGT(Horizontal Gene Transfer)检测方法,利用SR算法(SeqRank)和k-means聚类预测出HGT候选集,然后应用高斯相似性公式将候选集与基因组之间的欧氏距离映射到高维空间进行预测。实验结果表明该模型与其他模型相比,时间复杂度更低,检测效果更好。