DNA 讲解.docVIP

DNA序列分类 （2000年A题） 没有标准答案，以浙江大学 （韩轶平）为主。 一、解决问题的思路 学习样品1－20； 判断样品 21—40。 根据学习样品1－20，提取A、B两类的特征，构造判断规则。 二、对于每一个DNA序列，按照a c g t在其中出现的频率分类 ———— a的百分含量 ———— c的百分含量 ———— g 的百分含量 ———— t的百分含量 则 。 对于每一个DNA序列都唯一对应一个三维向量，称为特征向量。 按照样品的编号，各个样品的特征向量记为。 对于每个已知的学习样品，都有或。可以根据统计的方法找出A、B两类特征向量的总体特点或差异。再对于未知类别的样品，根据它的特征向量与A、B两类特征向量的相似程度判别它所属的类型。 “物以类聚，人以群分” 如何判断一颗恒星是否属于银河系 假定：① 碱基的含量反映了DNA序列的内容 ② 同类的DNA“聚集”在一起 距离空间 是一个集合，对于任何都唯一确定一个实数。 如果满足以下三条公理，则称是一个距离空间， 称为定义在上的距离。 ① 非负性：；当且仅当时 ② 对称性： ③ 三角不等式： 如，空间中两点之间的距离为 称为这两点间的欧氏距离。 又如向量，，它们的距离可以定义为 则，也称为与的欧氏距离，通常记为 可验证，对于任何三阶的正定矩阵， 也是与的距离。 这说明一个集合上可以定义不同的距离。 又如，，可以定义不同的距离：对于 ， 1．欧氏（Euclid）距离分类模型 将每个样品的特征向量视为三维空间中的一个点。 A类的几何中心为 ； B类的几何中心为 ， 分别计算每个判断样品到两类中心的距离；。 判别准则 1）若，则 2）若，则 3）若，则 不可判别 2．马氏（Mahalanobis）距离分类模型 将都看作随机向量。将学习样品A 与 B分别看作两个总体。 则到A的几何中心的马氏距离定义为 ， 其中 是A协方差阵（正定）。 同理到B的几何中心的马氏距离为 ， 其中是B协方差阵（正定）。 判别准则 1）若，则 2）若，则 3）若，则 不可判别 3．Fisher分类模型 此种分类模型是将高维的分类问题降维处理。 如图：红点和黑点分别表示两类样品。 如果将样品都投影到x轴上，则两类投影点就混杂在一起而不易区分。而如果投影到u轴上，则它们就很明显地分开了。 设它表示了空间中的一个方向。我们希望将所有的样品向量投影到方向上，使得A B两类能很明显的区分开。样品向量在方向上的投影值为它们的点积 。的选择应使得同一类的投影值尽量靠拢，不同的投影值尽量拉开，。 根据学习样品计算得到（Fisher选择算法）。 设A、B两类在方向上的投影的中心值（平均值）分别是。判断样品在上的投影值为。到A B的距离分别为和。 判别准则 1）若，则 2）若，则 3）若，则 不可判别 将上述三种判别法回代到学习样品中去检验，除第四号DNA被错判为B外，其它都正确。正确率达95％。 对于判断样品21—40，当上述三个判别都一致时认为判别有效，否则认为是无效的。 判别无效的DNA序列为 30、32、33、39。 4．相关性判别准则（中国科技大学 唐诗杰） 对于每一个样品对应一个向量。 将其单位化 对于学习样品中的A B两类，按照此方法构造两个单位化的向量组 。对于判别样品也单位化，它与A、 B两类的相关度定义为： ， 判别准则 1）若 ，则 2）若 ，则 回代检验的结果与前三个是一样的，第四号DNA被错判，正确率95％。（未明确） 这种做法与欧氏距离模型的做法是等价的。 由线性代数的知识可知，两个向量定义内积（点积）之后可导出两个向量的距离： 。 于是 当都是单位向量时 于是， 从而有。 由此可以看到的距离越大，它们的相关性越小。 二、按碱基的字符串分类 碱基出现的频率不能体现碱基排列次序的信息，如在英文中eat 和tea。尽管各个字母出现的频率是一样的，但是表达的信息是不同的。从而应考虑碱基排列次序所表示的信息建立分类模型。 假定：① 碱基的排列情况，反映了该序列的内容 ② 同类的DNA应有相互类似的碱基排列 定义相关运算 ，其中 取值于和。称为哑元，并规定对于任何都有。其运算率见表 a c g t o a 1 0 0 0 0 c 0 1 0 0 0 g 0 0 1 0 0 t 0 0 0 1 0 o 0 0 0 0 0 对于一个长度为的DNA序列将它扩充为一个无穷序列 ， 其中。对于两个长度分别为的序列定义它们的相关序列为，。（序列卷积） 如下表： a a t …. o …. …. o …. …. …. o o o …. …. ….