程式语言－perl final project报告 k-means clustering for protein .doc

程式語言－perl project報告 k-means Clustering forProtein Sequences Student :陳維謙翁明靖 Adviser : 鍾翊方 Abstract 我們要以weblogo製圖，得知一段已知長度胺基酸序列的conserve程度。一開始我們得到兩筆原始資料，第一筆，是由13個胺基酸為一組的序列，共298筆，另一筆是胺基酸相對應位置的對照表。透過交叉比對的方式，我們將序列中的每一個胺基酸都對應到一個數值。接著我們將每一行胺基酸的數值互相比較，算出其k-means值並進行分群，分數相近的序列會被分到同一群，代表這些序列之間的性質彼此相近。最後我們將每群胺基酸序列以weblogo製圖，看出序列conserve的程度。 Introduction k-means為一種將資料分群的方法，首先依照所要分的群數，在座標上隨機產生同樣數量的中心點，接著計算出中心點與各個資料點的距離，將距離相近的資料點暫時分為同一群，再來移動各個中心點，並再計算一次中心點與各個資料點的距離，再重新分群，然後重複進行著相同的步驟，直到中心點的距離不再移動為止。 但程式中k-means的算法有一些不同，程式是從現有的資料點中選擇中心點出來，而非隨機產生中心點，另外程式中是由一個計數來進行重複的移動中心點動作，而非以判別的方式看中心點是否不再移動。K-means可以用來計算多個維度的資料點，以我們的資料為例，進行的是13維的計算。 Weblogo是一個獨立的執行檔，用來幫助我們畫胺基酸或是核甘酸的序列分析圖，可以利用命令提示元來使用這個執行檔，將我們由程式所產生出的序列fasta檔轉換成PNG檔。 Method 首先我們將胺基酸相對應位置對照表的資料讀出，以胺基酸字母 + 對應數值1 + 對應數值2…依序下去這樣的方式存成名為lines的array。 接著我們將胺基酸的序列資料讀出，以所有序列連續排列的方式存成名為group的array。 再來我們將序列的位置與對照表交叉比對，將所有序列換成數值，存成名為points的array of array，並製作一個名為seq的array，以一行一行的方式來存所有的序列。 處理完所有資料後，要進行k-means的計算，我們使用了現成的module，將3個數據傳入名為k_means的module，第一是k_number，代表的是分群的數量，可由使用者決定分群數，第二是M_number，指的是座標的維度，以我們的資料為例，為13維度，第三是N_number指的是數據的數量，以我們的資料為例，有298個數據。這些資料由這個module計算完之後，將會回傳回來，由一個名為hash1的hash儲存，以數據數為keys，所分到的群數為values儲存 我們將回傳的hash資料針對keys做sorting，並將同一群的序列存成一個名為k_seq的array of array，第一層array指的是群數，而第二層array為各群的序列資料。 將分好群的各序列在程式中print出來。 可以根據使用者的需求，匯出指定群的序列txt檔。 程式執行完成後，會得到一個名為result的txt檔，之後我們開啟命令提示元，進到weblogo所在的目錄底下，打上perl seqlogo.pl -c -Y -n -s -6 -F PNG -f result.txt -o result指令，將序列文字檔製作成名為result的PNG圖檔。 Result 我們以圖片慢慢呈現程式執行的過程。 程式一開始執行，會要求使用者輸入想要分的群數，我們以分3群為例，按下Enter後開始分群。 程式會將分好群的結果print出來，13個為一行，將序列依序print出。 分完群後，程式會要求使用者輸入想要第幾群的序列文字檔。 在這裡以第2群為例，當文字檔輸出完成後，即可把程式關掉。 之後開啟命令提示元，先進入到weblogo所在的目錄之下。 打上weblogo的指令，將剛剛所輸出的序列文字檔result.txt製作成名為result的PNG圖檔。 這是製做完成的圖形。 Discussion 我覺得我們的程式還可以做很多的修正。 第一是從頭到尾我們都沒有使用到subroutine，也就是說事實上程式可以做很多的縮減。再來就是我們的程式其實寫得滿死的，最明顯的地方是在使用k_means module時所傳入的參數，為了方便我們用了直接打上數字的方式，其實是可以寫成可以因