2000 年赛题
A 题 DNA 序列分类
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:
1)下面有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。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 。
请详细描述你的方法,给出计算程序。如果你部分地使用了现成的分类方法,也要将方法名 称准确注明。
这40 个序列放在如下地址的网页上,用数据文件Art-model-data 标识,供下载: 网易网址:www.163.com 教育频道 在线试题; 教育网: www.cbi.pku.edu.cn News mcm2000 教育网: www.csiam.edu.cn/mcm
[注] 目前这些网站上不一定还保存有该文件,这里将该文件的内容附于本题后。
2)在同样网址的数据文件Nat-model-data 中给出了182 个自然DNA 序列,它们都较长。用你的分类方法对它们进行分类,像1)一样地给出分类结果。
提示:衡量分类方法优劣的标准是分类的正确率,构造分类方法有许多途径,例如提取序 列的某些特征,给出它们的数学表示:几何空间或向量空间的元素等,然后再选择或构造适合这
种数学表示的分类方法;又例如构造概率统计模型,然后用统计方法分类等。 (北京工业大学孟大志提供)
[附]数据文件Art-model-data 的内容如下:
附录1:已知类别的序列(用于提取特征及检验方法) A 类10 个序列:
>aggcacggaaaaacgggaataacggaggaggacttggcacggcattacacggaggacgaggtaaaggaggcttgtctac ggccggaagtgaagggggatatgaccgcttggaattgtctg
>cggaggacaaacgggatggcggtattggaggtggcggactgttcggggaattattcggtttaaacgggacaaggaaggc ggctggaacaaccggacggtggcagcaaaggaacggacacg
>gggacggatacggattctggccacggacggaaaggaggacacggcggacatacacggcggcaacggacggaacggagga aggagggcggcaatcggtacggaggcggcggacggacggag
>atggataacggaaacaaaccagacaaacttcggtagaaatacagaagcttagatgcatatgttttttaaataaaatttg tattattatggtatcataaaaaaaggttgcgagataacata
>cggctggcggacaacggactggcggattccaaaaacggaggaggcggacggaggctacaccaccgtttcggcggaaagg cggagggctggcaggaggctcattacggggagcggaggcgg
>atggaaaattttcggaaaggcggcaggcaggaggcaaaggcggaaaggaaggaaacggcggatatttcggaagtggata ttaggagggcggaataaaggaacggcggcacaaaggaggcg
>atgggattattgaatggcggaggaagatccggaataaaatatggcggaaagaacttgttttcggaaatggaaaaaggac taggaatcggcggcaggaaggatatggaggcggaaggacgg
>atggccgatcggcttaggctggaaggaacaaataggcggaattaaggaaggcgttctcgcttttcgacaaggaggcgga ccataggaggcggattaggaacggttatgaggaggactcgg
>atggcggaaaaaggaaatgtttggcatcggcgggctccggcaactggaggttcggccatggaggcgaaaatcgtgggcg gcggcagcgctggccggagtttgaggagcgcggcacaatgt
>tggccgcggaggggcccgtcgggcgcggatttctacaagggcttcctgttaaggaggtggcatccaggcgtcgcacgct cggcgcggcaggaggcacgcgggaaaaaacggggaggcggt B 类10 个序列:
>gttagatttaacgttttttatggaatttatggaattataaatttaaaaatttatattttttaggtaagtaatccaacgt ttttattactttttaaaattaaatatttatttaaaatccag
>gtttaattactttatcatttaatttaggttttaattttaaatttaatttaggtaagatgaatttggttttttttaaggt agttatttaattatcgttaaggaaagttaaaatctaagatt
>gtattacaggcagaccttatttaggttattattattatttggattttttttttttttttttttaagttaaccgaattat tttctttaaagacgttacttaatgtcaatgctttatgcagg
>gttagtcttttttagattaaattattagattatgcagtttttttacataagaaaatttttttttcggagttcatattct aatctgtctttattaaatcttagagatattatccgttaatt
>gtattatatttttttatttttattattttagaatataatttgaggtatgtgtttaaaaaaaattttttttttttttttt ttttttttttttttaaaatttataaatttaaattttaaact
>gttatttttaaatttaattttaattttaaaatacaaaatttttactttctaaaattggtctctggatcgataatgtaaa cttattgaatctatagaattacattattgattttttccaga
>gtatgtctatttcacggaagaatgcaccactatatgatttgaaattatctatggctaaaaaccctcagtaaaatcaatc cctaaacccttaaaaaacggcggcctatcccgtcagtcgag
>gttaattatttattccttacgggcaattaattatttattacggttttatttacaattttttttttttgtcctatagaga aattacttacaaaacgttattttacatacttattttttgtc
>gttacattatttattattatccgttatcgataattttttacctcttttttcgctgagtttttattcttactttttttct tctttatataggatctcatttaatatcttaatttttcttag
>gtatttaactctctttactttttttttcactctctacattttcatcttctaaaactgtttgatttaaacttttgtttct ttaaggattttttttacttatcctctgttatgtttatttag 附录2: 测试集(人工制造) 1:
tttagctcagtccagctagctagtttacaatttcgacaccagtttcgcaccatcttaaatttcgatccgtaccgtaatttagcttagatttggatttaaaggatttagattgacc 2:
tttagtacagtagctcagtccaagaacgatgtttaccgtaacdgtqacgtaccgtacgctaccgttaccggattccggaaagccgattaaggaccgatcgaaaggga 3:
cgggcggatttaggccgacggggacccgggattcgggacccgaggaaattcccggattaaggtttagcttcccgggatttagggcccggatggctgggacccgc 4:
tttagctagctactttagctatttttagtagctagccagcctttaaggctagctttagctagcattgttctttattgggacccaagttcgacttttacgatttagttttgaccgta 5:
gaccaaaggtgggctttagggacccgatgctttagtcgcagctggaccagttccccagggtattaggcaaaagctgacgggcaattgcaatttaggcttaggccag 6:
gatttactttagcatttttagctgacgttagcaagcattagctttagccaatttcgcatttgccagtttcgcagctcagttttaacgcgggatctttagcttcaagctttttacg 7:
ggattcggatttacccggggattggcggaacgggacctttaggtcgggacccattaggagtaaatgccaaaggacgctggtttagccagtccg5ttaaggcttagg 8:
tccttagatttcagttactatatttgacttacagtctttgagatttcccttacgattttgacttaaaatttagacgttagggcttatcagttatggattaatttagcttattttcgaga 9:
ggccaattccggtaggaaggtgatggcccgggggttcccgggaggatttaggctgacgggccggccatttcggtttagggagggccgggacgcgttagggacg 10:
cgctaagcagctcaagctcagtcagtcacgtttgccaagtcagtaatttgccaaagttaaccgttagctgacgctgaacgctaaacagtattagctgatgactcgtacg 11:
ttaaggacttaggctttagcagttactttagtttagttccaagctacgtttacgggaccagatgctagctagcaatttattatccgtattaggcttaccgtaggtttagcggt 12:
tgctaccgggcagtctttaacgtagctaccgtttagtttgggcccagccttgcggtgtttcggattaaattcgttgtcagtcgctctrtgggtttagtcattcccaaaaggt 13:
cagttagctgaatcgtttagccatttgacgtaaacatgattttacgtacgtaaattttagccctgacgtttagctaggaatttatgctgacgtagcgatcgactttagcacc 14:
cggttagggcaaaggttggatttcgacccagggggaaagcccgggacccgaacccagggctttagcgtaggctgacgctaggcttaggttggaacccggaaag 15:
gcggaagggcgtaggttthgggatgcttagccgtaggctagctttcgacacgatcgattcgcaccacaggataaaagttaagggaccggtaagtcgcggtagccg 16:
ctagctacgaacgctttaggcgcccccgggagtagtcgttaccgttagtatagcagtcgcagtcgcaattcgcaaaagtccccagctttagccccagagtcgacgct
2000--A 题 DNA 序列分类



