DNA序列分类(2017年数模竞赛题).doc

DNA序列分类 摘要 本问题是一个“有人管理分类问题”． 首先分别列举出20个学习样本序列中1字符串、2字符串、3字符串出现的频率，构成含41个变量的基本特征集，接着用主成分分析法从中提取出4个特征．然后用Fisher线性判别法进行分类，得出了所求20个人工制造序列及182个自然序列的分类结果如下： 20个人工序列：22, 23，25，27，29，34，35，36，37为A类，其余为B类． 182个自然序列：1，4，8，10，27，29，32，41，43，48，54，63，70，72，75，76，81，86，90，92，102，110，116，119，126，131，144，150，157，159，160，161，162，163，164，165，166，169，170，182为B类，其余为A类． 最后通过检验证明所用的分类数学模型效率较高． 一、问 题 重 述 人类基因组计划中DNA全序列草图是由4个字符A，T，C，G按一定顺序排成的长约30亿的字符序列，其中没有“断句”也没有标点符号．虽然人类对它知之甚少，但也发现了其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． 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）请从20个已知类别的人工制造的序列（其中序列标号1～10 为A类，11～20为B类）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）标明他们的类别（无法分类的不写入） 2）同样方法对182个自然DNA序列(他们都较长)进行分类，像1）一样地给出分类结果． 二、模型的合理假设 各序列中DNA碱基三联组（即3字符串）的起始位置和基因表达不影响分类的结果． 64种3字符串压缩为20组后不影响分类的结果． 较长的182个自然序列与已知类别的20个样本序列具有共同的特征． 三、模型建立与求解 研究DNA序列具有什么结构，其A，T，C，G 4个碱基排成的看似随机的序列中隐藏着什么规律，是解读人类基因组计划中DNA全序列草图的基础，也是生物信息学（Bioinformatcs）最重要的课题之一． 题目给出了20个已知为两个类别的人工制造的DNA序列，要求我们从中提取特征，构造分类方法，从而对20个未标明类别的人工DNA序列和182个自然DNA序列进行分类．这是模式识别中的“有人管理分类”问题，即事先规定了分类的标准和种类的数目，通过大批已知样本的信息处理找出规律，再用计算机预报未知．给出的已知类别的样本称为学习样本．对于此类问题，我们通过建立分类数学模型（这包括形成和提取特征以及制定分类决策）、考查分类模型的效率、预报未知这几个步骤来进行． （一）特征的形成和提取 为了有效地实现分类识别，首先要根据被识别的对象产生一组基本特征，并对基本特征进行变换，得到最能反映分类本质的特征．这就是特征形成和提取的过程．在列举了尽可能完备的特征参数集之后，就要借助于数学的方法，使特征参数的数目（在保证分类良好的前提下）减到最小．这是因为：1.多余的特征参数不但没有多少好处，而且会带来噪音，干扰分类和数学模型的建立．2.为了保证样本数和特征参数个数的比值足够大，而又不必要用太多的样本，最好使特征参数的个数降至最少．模式识别计算一般要求样本数至少为变量数的3倍，否则结果不够可靠．本问题的学习样本数为20个，故特征参数的个数以6～8个为宜． 我们通过研究4个字符A,T,C,G在DNA序列中的排列、组合特性，主要是研究字符和字符串的排列在序列中出现的频率，从中提取DNA序列的结构特征参数． 1．特征的形成 分别列举一个字符，2个字符，3个字符的排列在序列中出现的频率，构成基本特征集． （1）1个字符的出现频率 表1列出了20个样本中A，T，C，G这4个字符出现的频率．由于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，因此我们将A和T是否特别丰富作为一个特征．在表1中，列出了A和T出现的频率之和．(程序见附录一) 表 1