数学模型结课论文.doc

数学模型结课论文 学院： 专业： 姓名： 学号： 针对14个病毒的RNA序列建树问题 摘要 RNA病毒的发现改变了人们对RNA的认识，它具有完成各种不同功能的能力。RNA既可以作为遗传物质被一代又一代的传下去，又可以像蛋白酶一样催化生物反应的进行。而蛋白质的组装器核糖体本身就是一个RNA与蛋白质形成的复合物。因此，对RNA的研究成为分子生物学界的研究热点，本文选取了14个病毒RNA二级结构，它们是：Halobacterium sp.，Pyrodictium occultum，Suifolobus sp.，Actinia equina，Planocera reticulata，Chrysaora quinquecirrba，Diatoma tenue，Christiansenia pallida，Basidiobolus magnus，Filobasidiella depauperata，Linderina macrospora，Hydrurus foetidus，Saprolegnia ferax，Pythium hydnosporum. Lempel-Ziv是一种序列压缩算法，常被广泛的应用于生物序列的进化树构建中。本文采用LZ算法的数学思想，选取关键字k，求出RNA序列的k字子串个数并与该RNA序列的碱基个数做商，从而生成频率向量。而在这里有14条RNA序列，可以生成一个距离矩阵并求出基于条件LZ复杂度的序列间距离，通过MATLAB软件刻画1这14个病毒的进化树，从而粗略的比较RNA二级结构。将本文做出的结果与经典结果进行对比，发现大体上一致，所以本文具有一定的可行性。 关键字：RNA序列 LZ算法 距离矩阵 进化树 MATLAB  问题重述 RNA分子功能多样化，它不仅携带遗传信息，还发现它具有进化信息。由于RNA二级结构比以及序列更具有保守性，从而选取14种病毒的RNA数据，它们的RNA链链长是120个碱基左右。这些RNA二级结构之间的差异很小，对应的RNA编码序列之间的差异也不大，从而试着采取数学方法来反映出它们的进化关系。 模型假设 所有采集数据均真实有效，不考虑数据在测量时产生的系统误差K S的字汇或k-字 S的子串 子串的频数 子串的频率 母串的长度或RNA碱基个数 频率向量 第条RNA序列的频率向量 RNA链个数 子串个数 距离矩阵中的元素 距离矩阵 问题分析 RNA二级结构由多种结构元素组成，其中假结结构是一种极其重要的结构，它能影响RNA分子的功能，当形成RNA二级结构的链很长的时候，链上的碱基配对情况一般很复杂，致使相应的RNA二级结构难于处理，尤其是包含假结的二级结构。在这部分我们把假结结构看作二级结构的特殊组成元素。我们希望使用某种表示方式，使得能够保留尽可能多的信息，构建进化树。构建进化树的方法主要有：距离法、最大简约法、最大似然法贝叶斯法等，本文采取距离法，依据一定的原则及算法构建系统发生树。主要思路是根据RNA序列，选取关键字，列出所有可能的序列对，计算序列之间的遗传距离，选出相似程度较大或非常相关的序列对，利用遗传距离预测进化关系。 模型的建立与求解 4.1模型的建立 在这里采用LZ算法，将一个RNA序列看成集合S，S可以根据k-字生成对应的子串： 其中k称为S的字汇或k-字。 再将每个子串在对应母串中出现的频数写成： 为了求出RNA序列的k字子串的频率，可以将对应频数与对应母串碱基个数做比： 从而生成频率向量： T=[] 而在这里有14条RNA序列，可以生成14个频率向量： 通过求向量的最大特征值来确定距离矩阵的元素： 故有刻画向量之间关系的距离矩阵： 并求出基于条件LZ复杂度的序列间距离，从而刻画出进化树。 4.2模型的求解 根据算法，利用MATLAB程序可以进行求解（程序见附录），本文取1-字、2-字、3字，运行程序，结果分别见图1、图2、图3。 图1：1-字对应的进化树 图2：2-字对应的进化树 图3：3-字对应的进化树 根据以上进化树可以看出，随着k-字的增加，得到的结果渐趋于精确。本文选取3-字的进化树进行分析。图3中Halobacterium sp.，Pyrodictium occultum和Sulfolobus sp.被聚类在一起，并且他们明显和其它物种分开，这与它们同属于Archaebacteria的事实相符，从而可见此方法有一定的可行性；属于Stramenopiles的Saprolegnia ferax和Pythium hydnosporum被聚