DNA序列的分类方法.docVIP

DNA序列的分类方法 摘 要：本文通过对20个已知类别的DNA序列进行统计分析，由浅入深进行研究，建立了五种DNA序列分类的模型。模型一利用单个碱基在序列中的含量不同，提出单碱基分类标准；模型二根据碱基c，g的百分比之和与碱基a，t的百分比之和的比值进行分类；模型三根据各序列中氨基酸分布不同引入分类参数得到分类标准；模型四把DNA序列中氨基酸含量分布转化为空间向量的距离关系，对未知类别的DNA相对于不同类别集合的距离进行分类；模型五利用模糊聚类分析法对DNA进行分类． 关键词：DNA 分类 模糊聚类分析 问题的提出及分析 1953年，诺贝尔奖获得者沃森（Watson）和克里克（Crick）创造了DNA链的双螺旋模型，并提出遗传信息由DNA传递给蛋白质的基本法则——中心法则． DNA（脱氧核糖核酸）链是由四种不同的核苷酸（a, t, g, c）排列而成，在DNA中，每三个核苷酸顺序组成一种氨基酸，共64种排列方式对应着20种氨基酸（其中有些不同排列对应同一种氨基酸）．对于一个DNA来说，我们完全可用一个由a, t, g, c四个字母所组成的一个序列来完全表述不同核苷酸在DNA中的含量及排序方式．不同氨基酸的含量的分布与排序都表示不同生命特性的重要性质．我们对DNA进行分类时，就应该考虑分布与排序所表示出来的特性，而将特性相近的DNA分为一类． 在本文，我们主要是根据不同核苷酸的分布及不同氨基酸的分布所表现出来的相似性，对DNA进行分类． 二、模型的基本假设与符号说明 （一）基本假设 （1）题中所列40个数据为40个不同DNA的40个片段，且包含着每个DNA中我们所关注的主要信息； （2）182个DNA序列也为182个DNA中的片段，其中包含着以上40个数据中我们所关注的主要信息； （3）上面的所有DNA序列起始处都为一个完整氨基酸的起始处，每三个一组代表着不同氨基酸的排列． （二）符号说明 a, t, g, c分别表示腺嘌呤，胸腺嘧啶，鸟嘌呤，胞嘧啶； 表示DNA片段中分别含a, t, g, c的百分比含量； a, t, g, c中任意3字符的组合为一个氨基酸（包括终止符）； ； =． 三、模型的建立与求解 模型一 单碱基分类法 通过对A，B类DNA序列的细致观察，容易看出，A类的碱基g的个数较多，而B类中碱基t的个数明显多于其他碱基，于是我们对A，B 类序列进行统计得到表1． 表1 A类中碱基百分比含量 B类中碱基百分比含量 0.2973 0.1351 0.3964 0.1712 0.3545 0.5000 0.1000 0.0455 0.2703 0.1532 0.4144 0.1622 0.3273 0.5000 0.1455 0.0273 0.2703 0.0631 0.4505 0.2162 0.2545 0.5182 0.1273 0.1000 0.4234 0.2883 0.1802 0.1081 0.3000 0.5000 0.1182 0.0818 0.2342 0.1081 0.4234 0.2342 0.2909 0.6455 0.0636 0 0.3514 0.1261 0.3964 0.1261 0.3636 0.4636 0.0909 0.0818 0.3514 0.1892 0.3604 0.0991 0.3545 0.2636 0.1364 0.2455 0.2793 0.1892 0.3694 0.1622 0.2909 0.5000 0.0909 0.1182 0.2072 0.1532 0.4324 0.2072 0.2182 0.5636 0.0727 0.1455 0.1818 0.1364 0.4091 0.2727 0.2000 0.5636 0.0636 0.1727 上述表格中的数据表明，除第4个数据外，A类中的t的百分比都小于0.19，g的百分比大于0.36, 而B类除倒数第4个数据（第17个序列）中的t的百分比含量大于0.45，g的百分比含量小于0.146． 由此得到分类标准为：若且，则该序列属于A类；若且，则该序列属于B类． 对21～40序列进行统计得到表2． 表2 21～40序列中碱基百分比含量 0.2743 0.3628 0.1681 0.1947 0.2885 0.2212 0.2500 0.2404 0.1765 0.1863 0.3824 0.2549 0.2087 0.4087 0.1913 0.1913 0.2476 0.2190 0.3048 0.2286 0.