CUMCM优秀论文-DNA序列的分类模型【数学建模】.pdfVIP

第 31 卷第 1 期 数学的实践与认识 V o l31　N o 1　 2001 年 1 月 M A TH EM A T ICS IN PRA CT ICE AND TH EO R Y Jan. 2001　 D NA 序 列 的 分 类 模 型 汤诗杰, 　周　亮, 　王晓玲 指导老师: 　孙广中 ( 中国科技大学, 合肥　230026) 编者按: 　本文提出了 序列分类的三种模型, 其一, 基于 、 、 、 四种碱基出现的频率; 其二利用了 DNA A G T C 同一碱基在序列中的间隔, 这一信息是单纯考虑频率所不能包含的; 在第三种模型中, 作者把 序列视 DNA 为一个信息流, 考虑每增加一个字符所带来的信息增量. 尽管文中信息量的定义方式仍可讨论, 但本文思想 新颖活跃, 有其独特之处. 本文最后的分类方法, 是以上三种的综合使用. 摘要: 　本文针对DNA 序列分类这个实际问题, 提出了相应的数学模型. 为了很好的体现DNA 序列的局 部性和全局性的特征, 我们给出了衡量分类方法优劣的标准, 即在满足一定限制条件的情况下, 是否能充分 反映序列的各方面特性. 依据我们提出的判别标准, 单一标准的分类是无法满足要求的. 我们的方法是侧重点不同的三种方法 的综合集成. 这三种方法分别体现了序列中元素出现的概率, 序列中元素出现的周期性, 序列所带有的信息 含量. 利用这个方法, 完成了对未知类型的人工序列及 自然序列的分类工作. 最后, 对分类模型的优缺点进 行了分析, 并就模型的推广作了讨论. 1　问题的提出( 略) 2　问题的分析 这是一个比较典型的分类问题, 为了表述的严格和方便, 我们用数学的方法来重述这个 问题. 已知字母序列 , , …… , = … , 其中 ∈{ , , , }; 有字符序列 S 1 S 2 S 3 S 40 S i x 1x 2x 3 x n i x j a t c g 集合 , , 满足 ∩ = , 并当 1 10 时, ∈ ; 当 11 20 时, ∈ . 现要求考虑 A B A B i S i A i S i B 当21 i 40 时, S i 与集合A 及集合B 的关系. 在这里, 问题的关键就是要从已知的分好类的20 个字母序列中提取用于分类的特征. 知道了这些特征, 我们就可以比较容易的对那些未标明类型的序列进行分类. 下面我们将 首先对用于分类的标准问题进行必要的讨论. 3　分类的标准及评价 首先, 我们提取的特征应该满足以下两个条件: ( 1) 所取特征必须可以标志A 组和B 组. 也就是说, 我们利用这些特征应该可以很好 的区分已经标示分类的20 个序列. 这是比较显然的一个理由. (2) 所取特征必须是有一定的实际意义的. 这一点是决不能被忽视的. 比如, 如果不考 虑模型的实际意义, 我们就可以以序列的开头字母为分类标准: 已知在B 类中的十个序列 都是以g t 开始的, 而已知在A 类中 10 个序列没有以g t 开始的, 甚至以g 开始的都没有. 显然这是满足上面的第一个条件的. 如果仅因此就认为这种特征是主要的, 并简单的利用 这个特征将所有待分类的序列分成两类, 显然是不甚合理的. ©