DNA序列的分类与判别分析.pdf

ＤＮＡ序列的分类与判别分析

摘要:本文对DNA序列分类问题进行了讨论.。从“不同序列中碱基含量不

同”入手,建立了欧氏距离判别模型、马氏距离判别模型以及Fisher准则判定模型。

接着,本文对三种分类算法进行了对比,对算法的稳定性进行了讨论。

关键词:DNA分类;欧氏距离;马氏距离;Fisher判别;

DNAsequenceclassificationanddiscriminantanalysis

MAFuyu

SchoolofManagementandEconomics,ChinaUniversityofGeosciences,

P.R.China,430074

Abstract:Inthispaper,theclassificationofDNAsequencesarediscussed.From

the“contentofdifferentbasesequenceinadifferent”approach,theestablishmentofa

discriminantmodelofEuclideandistance,Mahalanobisdistance,aswellasFisher

discriminantmodeltodeterminethemodelguidelines.Then,thispaperthree

classificationalgorithmswerecompared,thestabilityofthealgorithmarediscussed.

Keywords:DNAtaxonomy;

Euclideandistance;Mahalanobisdistance;FisherDiscriminant

1、问题的重述

2000年6月,人类基因组计划中DNA全序列草图完成,预计2001年可以完成

精确的全序列图,此后人类将拥有一本记录着自身生老病死及遗传进化的全部信

息的“天书”。这本大自然写成的“天书”是由4个字符A,T,C,G按一定顺序排成的

长约30亿的序列,其中没有“断句”也没有标点符号,除了这4个字符表示4种碱基

以外,人们对它包含的“内容”知之甚少,难以读懂。破译这部世界上最巨量信息的

“天书”是二十一世纪最重要的任务之一。在这个目标中,研究DNA全序列具有什

么结构,由这4个字符排成的看似随机的序列中隐藏着什么规律,又是解读这部天

书的基础,是生物信息学(Bioinformatics)最重要的课题之一。

虽然人类对这部“天书”知之甚少,但也发现了DNA序列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。这种被称为粗粒化和模型化的方法往往有助于

研究规律性和结构。

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:

下面有20个已知类别的人工制造的序列(见下页),其中序列标号1—10为A

类,11-20为B类。请从中提取特征,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)标明它们的类别

(无法分类的不写入):

A类;B类。

2、模型的条件和假设

1)假设可以用DNA序列中的各碱基