深圳杯建模B题.pdf

基因组组装 摘要 为了探索生命的本质，人们希望尽可能多的获得新物种个体 DNA 分子的全 部碱基序列。基因组测序的新的测序技术大量涌现，产生的读长长度更短，数量 更多，覆盖率更大，能直接读取的碱基对序列长度远小于基因组长度。随着第二 代，第三代测序技术的产生，人们在较短时间内能够获得大量的测序数据。测序 技术以高通量，低成本，高精度为发展方向，现在积累的测序数据越来越多。如 何快速准确的处理海量测序数据已成为DNA 测序发展的瓶颈。 由于测序的策略题目已经给出，本文主要研究测序策略已知前提下，基于所 获读长序列信息，如何组装出相对合理的基因组。通过对问题进行分解，处理相 关读长数据，将问题明确为尽可能使组装序列总长度最大，从而建立了基因组组 装算法的优化模型，并根据既有数据对模型进行检验与修正。 从问题一出发，我们可以将问题一简单的分为三个小模块，包括探析当前主 流组装算法优缺点、明确本题模型的评价标准（准确性，连续性，完整性，）、 分析题目的内涵及具体的要求。然后查阅相关文献资料，在基于理解基因组组装 的de bruijin 图算法核心思想上，即将从多头测序转化成在 de bruijn 图的欧拉路 径问题，并采用启发式搜索，能够快速地处理大量测序数据，而且能得到质量较 高的重叠群，要获取整个DNA 片段，需要把这些片段利用重合部分信息组织连 接。如何在保证组装序列的连续性、完整性和准确性的同时，建立最终满足所需 Z 基因组条件的某一条组装序列的长度 的目标函数表达式。此时通过分析又可 Z R 知， 定然满足与其他读长序列不能再匹配，又每一读长碱基个数均为 （常数 88np L K ），与它相匹配序列中的相同碱基个数为 查阅资料并进行相关推倒得 4 read=88np M 87 （最少匹配相同的个数取 ），由于预处理了读长为 ，所以 取 （最多匹配相同的个数）并且将read2 中的读长序列全部转换进read1，利用的 原则为碱基互补配对原则，最后建立一个模型。然后用Matlab 设计求解模型的 算法程序。 从问题二出发，首先我们对题目给出的数据进行预处理，用 EXCEL 软件相 关函数，从两组reads（读长）筛选出所需碱基序列，相应的得到两个碱基序列 的附件，接着为了降低运算的复杂度，通过Matlab 软件调用并自动读取碱基序 列的ASCII 码值，可以有效的降低了运算的复杂度，然后结合问题二的已知数 据，在Matlab 软件中输入相关求解代码，得出结果，最后对所得结果进行分析， 同时作为检验模型的指标之一。此模型的优点主要为 一、问题重述 1 确定基因组碱基对序列的过程称为测序。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。例如，若有两个短片段序列分别为 GCTAGCGT GCTAGCGT ATACCTTGGCCTTAAGGCCGGTT GCTAGCGT GCTAGCGT GGCCTTAAGGCCGGTTAGGTCTGA