DNA序列分类（2015年竞赛题）.docVIP

DNA序列分类 摘要 本问题是一个“有人管理分类问题”． 首先分别列举出20个学习样本序列中1字符串、2字符串、3字符串出现的频率，构成含41个变量的基本特征集，接着用主成分分析法从中提取出4个特征．然后用Fisher线性判别法进行分类，得出了所求20个人工制造序列及182个自然序列的分类结果如下： 20个人工序列：22, 23，25，27，29，34，35，36，37为A类，其余为B类． 182个自然序列：1，4，8，10，27，29，32，41，43，48，54，63，70，72，75，76，81，86，90，92，102，110，116，119，126，131，144，150，157，159，160，161，162，163，164，165，166，169，170，182为B类，其余为A类． 最后通过检验证明所用的分类数学模型效率较高． 一、问 题 重 述 人类基因组计划中DNA全序列草图是由4个字符A，T，C，G按一定顺序排成的长约30亿的字符序列，其中没有“断句”也没有标点符号．虽然人类对它知之甚少，但也发现了其中的一些规律性和结构．例如，在全序列中有一些是用于编码蛋白质的序列片段，即由这4个字符组成的64种不同的3字符串，其中大多数用于编码构成蛋白质的20种氨基酸．又例如，在不用于编码蛋白质的序列片段中，A和T的含量特别多些，于是以某些碱基特别丰富作为特征去研究