[問題] 請問為什麼這一題要分a,b兩類?

看板BioMedInfo (生醫資訊)作者herborthu (herborthu)時間15年前 (2009/09/16 22:02)推噓1(1推 0噓 8→)

留言9則, 3人參與討論串1/2 (看更多)

2000網易杯全國大學生數學建模 DNA序列分類 2000年6月，人類基因組計畫中DNA全序列草圖完成，預計2001年可以完成精確的全序列圖，此后人類將擁有一本記錄著自身生老病死及遺傳進化的全部訊息的“天書”。這本大自然寫成的“天書”是由4個字符A，T，C，G按一定順序排成的長約30億的序列，其中沒有“斷句”也沒有標點符號，除了這4個字符表示4種鹼基以外，人們對它包含的“內容”知之甚少，難以讀懂。破譯這部世界上最巨量訊息的“天書”是二十一世紀最重要的任務之一。在這個目標中，研究DNA全序列具有什麼架構，由這4個字符排成的看似隨機的序列中隱藏著什麼規律，又是解讀這部天書的基礎，是最重要的課題之一。雖然人類對這部“天書”知之甚少，但也發現了DNA序列中的一些規律性和架構。例如，在全序列中有一些是用于編碼蛋白質的序列片段，即由這4個字符組成的64種不同的3字元串，其中大多數用于編碼構成蛋白質的20種氨基酸。又例如，在不用于編碼蛋白質的序列片段中，A和T的含量特別多些，于是以某些鹼基特別豐富作為特徵去研究DNA序列的架構也取得了一些結果。此外，利用統計的方法還發現序列的某些片段之間具有相關性，等等。這些發現讓人們相信，DNA序列中存在著局部的和全局性的架構，充分發掘序列的架構對理解DNA全序列是十分有意義的。目前在這項研究中最普通的思想是省略序列的某些細節，突出特徵，然後將其表示成適當的數學對象。這種被稱為粗粒化和模型化的方法往往有助于研究規律性和架構。作為研究DNA序列的架構的嘗試，提出以下對序列集合進行分類的問題︰ 1）下面有20個已知類別的人工製造的序列（見下頁），其中序列標號1─10 為A類，11-20為B類。請從中提取特徵，構造分類方法，並用這些已知類別的序列，衡量你的方法是否足夠好。然後用你認為滿意的方法，對另外20個未標明類別的人工序列（標號21─40）進行分類，把結果用序號（按從小到大的順序）標明它們的類別（無法分類的不寫入）︰B類。請詳細描述你的方法，給出計算程式。如果你部分地使用了現成的分類方法，也要將方法名稱準確注明。這40個序列也放在如下位址的網頁上，用數據文件Art-model-data 標識，供下載︰網易網址︰www.163.com 教育頻道在線試題；教育網︰ www.cbi.pku.edu.cn News mcm2000 教育網︰ www.csiam.edu.cn/mcm 2）在同樣網址的數據文件Nat-model-data 中給出了182個自然DNA序列，它們都較長。用你的分類方法對它們進行分類，像1）一樣地給出分類結果。提示︰衡量分類方法優劣的標準是分類的正確率，構造分類方法有許多途徑，例如提取序列的某些特徵，給出它們的數學表示︰幾何空間或向量空間的元素等，然後再選擇或構造適合這種數學表示的分類方法；又例如構造機率統計模型，然後用統計方法分類等。 Art-model-data 1.aggcacggaaaaacgggaataacggaggaggacttggcacggcattacacggaggacgaggtaaaggaggcttgtctacggccggaagtgaagggggatatgaccgcttgg 2.cggaggacaaacgggatggcggtattggaggtggcggactgttcggggaattattcggtttaaacgggacaaggaaggcggctggaacaaccggacggtggcagcaaagga 3.gggacggatacggattctggccacggacggaaaggaggacacggcggacatacacggcggcaacggacggaacggaggaaggagggcggcaatcggtacggaggcggcgga 4.atggataacggaaacaaaccagacaaacttcggtagaaatacagaagcttagatgcatatgttttttaaataaaatttgtattattatggtatcataaaaaaaggttgcga 5.cggctggcggacaacggactggcggattccaaaaacggaggaggcggacggaggctacaccaccgtttcggcggaaaggcggagggctggcaggaggctcattacggggag 6.atggaaaattttcggaaaggcggcaggcaggaggcaaaggcggaaaggaaggaaacggcggatatttcggaagtggatattaggagggcggaataaaggaacggcggcaca 7.atgggattattgaatggcggaggaagatccggaataaaatatggcggaaagaacttgttttcggaaatggaaaaaggactaggaatcggcggcaggaaggatatggaggcg 8.atggccgatcggcttaggctggaaggaacaaataggcggaattaaggaaggcgttctcgcttttcgacaaggaggcggaccataggaggcggattaggaacggttatgagg 9.atggcggaaaaaggaaatgtttggcatcggcgggctccggcaactggaggttcggccatggaggcgaaaatcgtgggcggcggcagcgctggccggagtttgaggagcgcg 10.tggccgcggaggggcccgtcgggcgcggatttctacaagggcttcctgttaaggaggtggcatccaggcgtcgcacgctcggcgcggcaggaggcacgcgggaaaaaacg 11.gttagatttaacgttttttatggaatttatggaattataaatttaaaaatttatattttttaggtaagtaatccaacgtttttattactttttaaaattaaatatttatt 12.gtttaattactttatcatttaatttaggttttaattttaaatttaatttaggtaagatgaatttggttttttttaaggtagttatttaattatcgttaaggaaagttaaa 13.gtattacaggcagaccttatttaggttattattattatttggattttttttttttttttttttaagttaaccgaattattttctttaaagacgttacttaatgtcaatgc 14.gttagtcttttttagattaaattattagattatgcagtttttttacataagaaaatttttttttcggagttcatattctaatctgtctttattaaatcttagagatatta 15.gtattatatttttttatttttattattttagaatataatttgaggtatgtgtttaaaaaaaatttttttttttttttttttttttttttttttaaaatttataaatttaa 16.gttatttttaaatttaattttaattttaaaatacaaaatttttactttctaaaattggtctctggatcgataatgtaaacttattgaatctatagaattacattattgat 17.gtatgtctatttcacggaagaatgcaccactatatgatttgaaattatctatggctaaaaaccctcagtaaaatcaatccctaaacccttaaaaaacggcggcctatccc 18.gttaattatttattccttacgggcaattaattatttattacggttttatttacaattttttttttttgtcctatagagaaattacttacaaaacgttattttacatactt 19.gttacattatttattattatccgttatcgataattttttacctcttttttcgctgagtttttattcttactttttttcttctttatataggatctcatttaatatcttaa 20.gtatttaactctctttactttttttttcactctctacattttcatcttctaaaactgtttgatttaaacttttgtttctttaaggattttttttacttatcctctgttat 21.tttagctcagtccagctagctagtttacaatttcgacaccagtttcgcaccatcttaaatttcgatccgtaccgtaatttagcttagatttggatttaaaggatttagattga 22.tttagtacagtagctcagtccaagaacgatgtttaccgtaacgtqacgtaccgtacgctaccgttaccggattccggaaagccgattaaggaccgatcgaaaggg 23.cgggcggatttaggccgacggggacccgggattcgggacccgaggaaattcccggattaaggtttagcttcccgggatttagggcccggatggctgggaccc24.tttagctagctactttagctatttttagtagctagccagcctttaaggctagctttagctagcattgttctttattgggacccaagttcgacttttacgatttagttttgaccgt 25.gaccaaaggtgggctttagggacccgatgctttagtcgcagctggaccagttccccagggtattaggcaaaagctgacgggcaattgcaatttaggcttaggcca 26.gatttactttagcatttttagctgacgttagcaagcattagctttagccaatttcgcatttgccagtttcgcagctcagttttaacgcgggatctttagcttcaagctttttac 27.ggattcggatttacccggggattggcggaacgggacctttaggtcgggacccattaggagtaaatgccaaaggacgctggtttagccagtccgttaaggcttag 28.tccttagatttcagttactatatttgacttacagtctttgagatttcccttacgattttgacttaaaatttagacgttagggcttatcagttatggattaatttagcttattttcga 29.ggccaattccggtaggaaggtgatggcccgggggttcccgggaggatttaggctgacgggccggccatttcggtttagggagggccgggacgcgttagggc30.cgctaagcagctcaagctcagtcagtcacgtttgccaagtcagtaatttgccaaagttaaccgttagctgacgctgaacgctaaacagtattagctgatgactcgta 31.ttaaggacttaggctttagcagttactttagtttagttccaagctacgtttacgggaccagatgctagctagcaatttattatccgtattaggcttaccgtaggtttagcgt32.gctaccgggcagtctttaacgtagctaccgtttagtttgggcccagccttgcggtgtttcggattaaattcgttgtcagtcgctctrtgggtttagtcattcccaaaagg 33.cagttagctgaatcgtttagccatttgacgtaaacatgattttacgtacgtaaattttagccctgacgtttagctaggaatttatgctgacgtagcgatcgactttagcac 34.cggttagggcaaaggttggatttcgacccagggggaaagcccgggacccgaacccagggctttagcgtaggctgacgctaggcttaggttggaacccggaaa 35.gcggaagggcgtaggtttgggatgcttagccgtaggctagctttcgacacgatcgattcgcaccacaggataaaagttaagggaccggtaagtcgcggtagcc 36.ctagctacgaacgctttaggcgcccccgggagtagtcgttaccgttagtatagcagtcgcagtcgcaattcgcaaaagtccccagctttagccccagagtcgacg 37.gggatgctgacgctggttagctttaggcttagcgtagctttagggccccagtctgcaggaaatgcccaaaggaggcccaccgggtagatgccasagtgcaccgt 38.aacttttagggcatttccagttttacgggttattttcccagttaaactttgcaccattttacgtgttacgatttacgtataatttgaccttattttggacactttagtttgggttac 39.ttagggccaagtcccgaggcaaggaattctgatccaagtccaatcacgtacagtccaagtcaccgtttgcagctaccgtttaccgtacgttgcaagtcaaatccat 40.ccattagggtttatttacctgtttattttttcccgagaccttaggtttaccgtactttttaacggtttacctttgaaatttttggactagcttaccctggatttaacggccagttt 先感謝有心人看完那麼長的問題小弟很好奇,為什麼要分A,B兩類目前猜測是否A,B兩類代表"受感染"及"未受感染"的基因 -- ※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 118.170.197.54