高教版《数学建模与数学实验第3版》DNA序列分类竞赛题.pdfVIP

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：

1）20个人工序列：22,23,25,27,29,34,35,36,37为A类，其余为B类.

2）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序列的某些片

段之间具有相关性，等等.这些发让人们相信，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

1.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分类的结果.

2.64种3字符串压缩为20组后不影分类的结果.

3.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,G4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B（ioinformates）

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