2000年A题DNA序列1.pptVIP

2000A题 DNA序列分类 2000A题: DNA序列分类 2000年6月, 人类基因组计划中DNA全序列草图完成, 预计2001年可以完成精确的全序列图, 此后人类将拥有一本记录着自身生老病死及遗传进化的全部信息的“天书”。这本大自然写成的“天书”是由4个字符A, T, C, G按一定顺序排成的长约30亿的序列,其中没有“断句”也没有标点符号, 除了这4个字符表示4种碱基以外, 人们对它包含的“内容”知之甚少,难以读懂。破译这部世界上最巨量信息的“天书”是二十一世纪最重要的任务之一。在这个目标中, 研究DNA全序列具有什么结构, 由这4个字符排成的看似随机的序列中隐藏着什么规律, 又是解读这部天书的基础, 是生物信息学(Bioinformatics)最重要的课题之一。 虽然人类对这部“天书”知之甚少, 但也发现了DNA序列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DNA序列的结构也取得了一些结果。此外, 利用统计的方法还发现序列的某些片段之间具有相关性, 等等。这些发现让人们相信, DNA序列中存在着局部的和全局性的结构, 充分发掘序列的结构对理解DNA全序列是十分有意义的。目前在这项研究中最普通的思想是省略序列的某些细节, 突出特征, 然后将其表示成适当的数学对象。这种被称为粗粒化和模型化的方法往往有助于研究规律性和结构。 作为研究DNA序列的结构的尝试，提出以下对序列集合进行分类的问题： 1)下面有20个已知类别的人工制造的序列(见下页)，其中序列标号1—10 为A类, 11-20为B类。请从中提取特征, 构造分类方法, 并用这些已知类别的序列,衡量你的方法是否足够好。然后用你认为满意的方法, 对另外20个未标明类别的人工序列(标号21—40)进行分类, 把结果用序号(按从小到大的顺序)标明它们的类别(无法分类的不写入): A类______________; B类_______________ 请详细描述你的方法，给出计算程序。如果你部分地使用了现成的分类方法，也要将方法名称准确注明。 这40个序列也放在如下地址的网页上，用数据文件Art-model-data 标识，供下载. (网址略) 1.aggcacggaaaaacgggaataacggaggaggacttggcacggcattacacggaggacgaggtaaaggaggcttgtctacggccggaagtgaagggggatatgaccgcttgg 2.cggaggacaaacgggatggcggtattggaggtggcggactgttcggggaattattcggtttaaacgggacaaggaaggcggctggaacaaccggacggtggcagcaaagga (3~10略) 11.gttagatttaacgttttttatggaatttatggaattataaatttaaaaatttatattttttaggtaagtaatccaacgtttttattactttttaaaattaaatatttatt 12.gtttaattactttatcatttaatttaggttttaattttaaatttaatttaggtaagatgaatttggttttttttaaggtagttatttaattatcgttaaggaaagttaaa (13~20略) 21.tttagctcagtccagctagctagtttacaatttcgacaccagtttcgcaccatcttaaatttcgatccgtaccgtaatttagcttagatttggatttaaaggatttagattga 22.tttagtacagtagctcagtccaagaacgatgtttaccgtaacgtqacgtaccgtacgctaccgttaccggattccggaaagccgattaaggaccgatcgaaaggg 23.cgggcggatttaggccgacggggacccgggattcgggacccgaggaaattcccggattaaggtttagcttcccgggatttagggcccggatggctgggaccc 24.tttagctagctactttagctatttttagtagctagccagcctttaaggctagctttagctagcattgttctttattgggacccaagttcgacttttacgatttagttttgaccgt 25.gaccaaaggtgggctt