基于数学建模方法对DNA序列分类探究.docVIP

基于数学建模方法对DNA序列分类探究摘?要 运用模糊聚类数学建模方法对DNA序列进行分类。对T和G碱基在各DNA序列中所占的比例数据进行标准化处理，放大两类DNA序列的差异，采用模糊相似矩阵，模糊等价矩阵，λ截矩阵比较方法进行DNA序列分类。 关键词 模糊聚类分析；DNA分类；数学建模 中图分类号 O242 文献标识码 A 文章编号 1673-9671-(2012)052-0202-02 1 概述 2000年6月，人类基因组计划中DNA全序列草图完成。DNA序列由A、T、C、G4种碱基按一定规律排列而成。当前生物信息学最重要的课题之一是研究由这4种碱基排列成的序列中蕴藏的规律。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其规律性和结构。现已知20个人工序列1～10属于A类，11～20属于B类，要求运用数学建模方法发掘已知类别DNA序列的特征，从而据此对未知类别的20个DNA序列进行分类。本文对T和G碱基在各DNA序列中所占的比例数据进行标准化处理，放大两类DNA序列的差异，采用模糊相似矩阵，模糊等价矩阵，λ截矩阵方法对DNA序列进行分类。 2 模糊聚类分析模型 2.1 主要研究步骤 通过观察发现，A类DNA序列中G碱基含量较多，T碱基含量较少，而B类DNA序列则刚好相反。所以可用这20条DNA序列中T和G碱基在自身序列中所占的频率作为基本研究对象，并对T、G碱基所占的比例的原始数据进行标准化，放大差异。再建立相应的模糊相似矩阵，模糊等价矩阵和λ截矩阵，找出一个最优的λ值进行DNA序列分类并使分类准确度达到最高。最后用上述方法以及λ值对另外20个未明类别的序列进行分类。 2.2 原始数据标准化 先对T和G碱基频率作标准化处理。平移—标准差变换 （i=1,2…，20；j=2,4） 其中xi是第i个DNA序列，x’ij是指碱基A，G，C，T在第i个DNA序列中出现的频率，x”ij是对x’ij进行标准化后的标准频率值， ，，（j=2,4）。 进行平移—极差变换，（j=2,4）， 可得到关于碱基频率的模糊矩阵 2.3 模糊聚分析法 相关系数刻画随机变量之间的线性相关性：相关系数绝对值越大，随机变量之间的线性关系越密切；相关系数为0，称随机变量线性无关。所以利用相关系数法对碱基频率模糊矩阵的元素进行处理，利用公式： 得到一个关于xi与xj相似程度的模糊相似矩阵rij。 如果xi与xj的相似程度为rij，那么模糊矩阵R=(rij)20×20，显然R是模糊相似矩阵，为 为了从模糊相似矩阵R得到模糊等价矩阵R=(rij)n×n，从n阶模糊相似矩阵R出发，依次求平方R→R2→R4→…直到R2i×R2i=R2i(2i≤n,i≤log2n)，求出R传递闭包t(R)，则t(R)=R。对于已知分类的20条DNA序列，由大到小取一组λ∈[0,1]，确定相应的λ截矩阵Rλ=(λij)20×20，且λ截矩阵为一个对角线为1的对称0-1矩阵。即可将其分类：若λij=1，说明第i条DNA序列与第j条DNA序列属于同一类。若λij=0，说明第i条DNA序列与第j条DNA序列不属于同一类。对于未分类的DNA序列，利用已求出的λ值，得到相应λ截矩阵，再利用已知λ值便可对未分类的DNA序列进行分类。 2.4 分类结果及其分析 应用Matlab软件对第1-20个DNA序列数据进行处理，经平移-极差变得到类别A、B中A、T、C、G碱基的标准化频率（表1）。 可得到标准化矩阵： 那么得到表示这1-20个DNA序列之间的相关程度的模糊相似矩阵： 进而求得传递闭包t(R)及模糊相似矩阵RR=t(R)。对模糊等价矩阵R进行分析，发现选取λ∈(0.8714，0.9834)会得到最高的准确 率，高达100%，识别率为90%，没有出现误判。计算时可取平均值λ=0.9764，得到λ截矩阵Rλ=(λij)20×20。对于λ截矩阵Rλ=(λij)20×20，若λij=1，说明第i条DNA序列与第j条DNA序列属于同一类；若λij=0，则说明第i条DNA序列与第j条DNA序列不属于同一类。最后得到分类结果： A{1，2，3，5，6，7，8，9，10} B{11，12，13，14，15，16，18，19，20} C类（无法识别）{4，17}。 采用以上方法对第1-20个DNA序列分类的准确率为100%，识别率为90%，没有出现误判。把标号为21-40的DNA序列添加到原来的数据中，采用同样的模型与已求出的λ值对其进行分类，结 果为： A类{22，23，25，27，29，33，34，35，3