2014年基因组数学建模选编.doc

封一 答卷编号（参赛学校填写）： 答卷编号（竞赛组委会填写）： 论文题目： （标明A、B、C、D之一） B 组 别：(填写研究生、本科生、专科生或中学生) 本科生 参赛队员信息(必填)： 姓 名 学 号 联系电话 参赛队员1 参赛队员2 参赛队员3 参赛学校： 沈阳理工大学 封二 答卷编号（参赛学校填写）： 答卷编号（竞赛组委会填写）： 评阅情况（学校评阅专家填写）： 学校评阅1. 学校评阅2. 学校评阅3. 评阅情况（联赛评阅专家填写）： 联赛评阅1. 联赛评阅2. 联赛评阅3. 目录 摘要： 1 一、问题重述 2 二、基本假设 4 三、符号说明 4 四、模型建立与求解 4 五、模型的检验 8 六、模型的评价 9 参考文献 10 附录 10 摘要： 在世界生物界的飞速发展的今天，我国生物界对于基因组组装也有了一定的突破。尤其是在测序技术上，我国从第一代技术发展到第二代技术，现在正步入第三代技术，但是目前能直接读取的碱基对序列长度远小于基因组序列长度，为了让组装效果更完整，连续和准确，我们利用概率论与数理统计，c语言，和多目标规划，以及c++、matlab等软件，参考了国内外生物界、医学界有关基因组组装技术，以olc技术为核心，建立了集完整、准确、连续为一体的优化模型，来解决测序中可能会出现的问题。具体如下： 对于问题一： 首先利用olc技术，将附件中给出的测序之后的碱基对，建立优化模型，该模型能够利用多条约束条件来求质量的最小值。利用c++软件来进行两两比较，选择出重复的部分作为结点，其他的部分作为有向线段，利用有向图来选择一条质量最重的一条链，但是可能会存在测序中个别碱基对的错误，所以，将所测出的的最重的这条链所有的结点全部去掉，再将剩下的碱基对重新利用olc法来组装，重复该种实验3-4次，见附录的程序，一定会有质量相同的两条链，则这两条链的组成就是最完整准确的。这个程序的试验次数少，完成组装的时间少。 针对组装后的基因组中可能会出现重复片段的问题，我们利用c++软件，建立了优化模型，采取的方法是在olc技术的基础上，检测有向图，判断结点的重复次数，进行标记，直到检测出同一结点前后两条有向线段并不相同，才是无重复基因组的基因组装。 对于问题二： 现有一个全长约为120,000个碱基对的细菌人工染色体BAC）， 采用Hiseq2000测序仪equencing depth）约为70×，即基因组每个位置平均被测到约70次。利用c++软件，建立优化模型，在olc技术的基础上，基于问题一所做的程序（见附录），将附件一和附件二的碱基对输入到程序中，组装成完整、准确、连续的基因组，所得的结果就是最完整、准确、连续的基因组。 关键字：olc技术 c++ 碱基对 优化模型 matlab 多目标规划 一、问题重述 快速和准确地获取生物体的遗传信息对于生命科学研究具有重要的意义。对每个生物体来说，基因组包含了整个生物体的遗传信息，这些信息通常由组成基因组的DNA或RNA分子中碱基对的排列顺序所决定。获得目标生物基因组的序列信息，进而比较全面地揭示基因组的复杂性和多样性，成为生命科学领域的重要研究内容。 测序技术始于20世纪70年代，伴随着人类基因组计划的实施而突飞猛进。从第一代到现在普遍应用的第二代，以及近年来正在兴起的第三代，测序技术正向着高通量、低成本的方向发展。尽管如此，目前能直接读取的碱基对序列长度远小于基因组序列长度，因此需要利用一定的方法将测序得到的短片段序列组装成更长的序列。通常的做法是，将基因组复制若干份，无规律地分断成短片段后进行测序，然后寻找测得的不同短片段序列之间的重合部分，并利用这些信息进行组装。当然，由于技术的限制和实际情况的复杂性，最终组装得到的序列与真实基因组序列之间仍可能存在差异，甚至只能得到若干条无法进一步连接起来的序列。对组装效果的评价主要依据组装序列的连续性、完整性和准确性。连续性要求组装得到的（多条）序列长度尽可能长；完整性要求组装序列的总长度占基因组序列长度的比例尽可能大；准确性要求组装序列与真实序列尽可能符合。 利用现有的测序技术，可按一定的测序策略获得长度约为50–100个碱基对的