dna序列比对终极版符程序 2

1、DNA序列的分类和比对摘要问题一：利用MATLAB对24个DNA序列进行两两对比，将第i个与i后面的 所有序列进行比较（i=1,224），筛选出相似度85%的比对序列分为同一类。问题二：为了从题目中的24个碱基对的DNA序列中找出含有52个碱基对的 新序列 CTACCGCCTCGGAAACGGCGTGTGTGGAATTGTGGCATTAAATTCTTTCACT 的进化来 源，本文用了递推序列比对法，利用MATLAB软件，将新序列与24个DNA序列化 为矩阵形式，将新序列从左到右以单位1的间隔移动，每移动一次，就将重叠部 分的碱基比对一次。最后找出相似度最高的DNA序列。关键词：序列比对MATL

2、AB 子序列矩阵相似度一、问题重述下面的24个DNA序列（附录一）是来自不同物种的一个基因片段，请将它 们分类。另外，如果有一个新的序列“ CTACCGCCTCGGAAACGGCGTGTGTGGAATTGTGGCATTAAATTCTTTCACT” 请判断它最可能是哪个序列的一部分进化来的。二、问题分析问题一：利用MATLAB对24个DNA序列进行两两对比，将第i个与i后面的 所有序列进行比较（i=1,224），筛选出相似度较高的序列分为同一物质。利用MATLAB设计程序，将24个DNA序列两两比较：先用N1与、N3.N24进行 比较，再用N2与N、N4.N24比较，以此类推，直到比对完。问题二

3、：将所有序列用一维矩阵形式表示，由于新序列只有52个碱基对， 故对DNA序列进行分割后，相减得到一维矩阵。一维矩阵里的元素中，0代表重 叠部分。其他不为0的元素均代表不重叠部分。根据元素0的分布，很容易可以 看出相同碱基对的连续性。选择标准:若两个0相邻则附值1，间隔1赋值0.5”1， 间隔2赋值0.52，以此类推。直到间隔数大于5时，则将它剔除。以此标准将 各个赋值相加。最后比较相似度（S=L/52*100%）大小得出结论。三、问题假设假设一:所有碱基对都准确无误；假设二：不考虑碱基序列的非编码区和编码区的区别；假设三：将DNA序列中除A、T、G、C外的碱基进行转化，对结果没有影响四、符号说

4、明M新序列矩阵Ni第i个DNA序列J重叠部分相减得到的矩阵S相似度L连续性程度五、模型的建立与求解5.1模型一5.1.1模型的建立1、利用MATLAB设计程序，将24个DNA序列两两比对：先用 N1与N2、N3.N24进行比对，再用N2与N3、N4.吃比对，以此类推，直到比对完。2、比对方法举例子：新序列CAT；已知序列ATTGCATCCGT比对：ATGCTAT1CTA2CTA3CTA4CTA5CTA3、相同碱基判断方法：按以上方法一一比对，将重叠部分相减得矩阵J。提取出含0元素最多的矩阵，再用这个矩阵中0元素的个数除以两个比对序列中较短的碱基个数，从而的到相似度。2、计算出各个比对的相似度，

5、提取出相似度大于等于85%的比对，定义为同类DNA序列。5.1.2模型一的求解1、利用MATLAB （程序一）得到，各个比对的相似度为： TOC o 1-5 h z 234 5 6 7 8 9 10 111210.423610.26090.4481140.43860.330.5043150.42130.60370.38580.6143160.42320.32130.55950.46770.4749170.43020.27520.57690.67860.45440.3113180.27560.27950.50570.41710.30540.48780.453190.42050.29480.312

6、10.32660.44360.30350.31070.31361100.41360.32050.49630.51990.46680.47120.47860.47560.38851110.38060.66140.28350.43860.33760.60550.29910.28550.45230.49481120.31320.66140.28350.28430.28940.28120.29910.28550.45230.494811130.28790.29680.28210.28140.27940.2740.28350.28130.44940.31610.61440.6144140.3610.60

7、090.28350.36140.34330.60690.28350.28550.44360.46380.61230.3796150.3610.57490.34270.680.34330.58540.32050.3040.4480.51110.5710.5736160.45440.2780.47680.36920.49930.4260.59940.51420.31690.30190.52170.2975170.39790.2790.35680.36420.33920.37590.39210.40680.29220.3250.47870.2878180.41370.2980.37130.3860.

8、34530.39580.40230.42510.30130.32410.51790.3046190.44240.50720.46120.53710.44960.55520.54840.50430.45520.47420.54920.5530200.43680.59510.54580.61710.48790.65850.62110.49430.45520.4860.63110.6341210.54920.50.37660.50570.4780.53230.50710.36650.38580.40180.53830.5420220.43540.59080.5430.61570.48790.6557

9、0.61820.49150.45230.4830.6270.6300230.49440.57060.28210.590.44960.64420.60830.32530.43790.47270.69810.7029240.49440.57060.28210.590.44960.64420.60830.32530.43790.47270.35250.3480131415161718192021222324131140.97921150.60330.59861160.2930.50970.5591170.29960.4640.49340.59191180.30620.50.52120.52770.9

10、7561190.55760.55620.53440.5830.94130.97561200.61860.60820.61270.63230.51690.54890.5521210.5090.50550.51620.54110.52570.54560.50410.64051220.61720.60680.61270.63380.51540.54720.5520.9960.64461230.61860.61510.38570.61580.39060.40390.55210.61710.59130.61571240.33980.3630.37980.61580.39060.40390.5560.62

11、020.59430.618911由上表，将每一列中相似度大于85%的比对分为同一类，可得：(11,12)；(13,14)； (17,18,19)； (20,22)； (23,24)，其余的各自成一类。5.2模型二5.2.1模型二的建立1、将新序列转换成矩阵形式：M=( C T A C C G C C T C G G A A A C G G C G T G T G T G G A A T T GT G G C A T T A A A T T C T T T C A C T)2、比对方法举例子：新序列CAT；已知序列ATTGCATCCGT比对：ATGCTAT1CTA2CTA3CTA4CTA5CTA

12、6CTA7CTA8CTA9CTA即从左往右一一比对，将重叠部分相减得矩阵J。找出每组比对中含有最多 0元素的矩阵及其个数，观察分析矩阵J中0的分布。3、算出结果矩阵的相似度0的连续性L运算：若两个0相邻则附值1，间隔1赋值0.5”1，间隔2 赋值0.5”2,以此类推。直到间隔数大于5时，则将它剔除。以此标准将各个赋 值相加。相似度：S=L/524、比较相似度，相似度最大的DNA序列即为新序列的进化来源。5.2.2模型二的求解1、由matlab程序得出数据整理得如下表格:DNA序列号最大0元素数序列起始位置126222229213326212214430211526213215630212730

13、2118302089234591022517112924412292441328243142824315272521627149172718418271171927259202724521262452227245232624424262372、由程序得第一组中含0元素最多的矩阵如下：J1=(0 -13 6 17 0 0 0 0 -17 0 0 0 0 0 0 0 0 0 17 0 0 0-17 0 0 0 -4 2 2 -13 0 0 -13 -4 -6 1719 -13 -17 2 19 19 -17 0 17 -17 -17 -19 17 19-2 0)由此可求相似度S：L1=17.687

14、5S2=L1/52=0.35275同理得L2、L3L24的值分别为：21.1875、18.0625、23.1565、19、20.0625、23.15625、23.875、22.6875、12.59375、14.15625、22.09375、22.09375、20.15625、20.15625、18.65625、18.65625、18.65625、18.65625、18.65625、 18.375、18.65625、18.0625、18.0625.故S2、S3S24的值如下:DNA序列相似性10.3527520.4237530.3612540.4631350.3860.4012570.46312

15、580.477590.45375100.251875110.283125120.441875130.441875140.403125150.403125160.373125170.373125180.373125190.373125200.373125210.3675220.373125230.36125240.361253、从上表可以得出，与新序列最相似的是第8个DNA序列。五、模型的优缺点及推广模型优点：1、主要利用MATLAB软件，用较简单的方法对DNA序列进行比对得出结果。2、可以很容易看出DNA序列比对时相同部分的分布，有利于对连续性进行判断。3、用表格分析，简单明了，快速得到结论。

16、模型缺点：1、对于模型二，单独用MATLAB软件比对，精确度不高。模型推广：1、此模型的可行度较高，可以满足实际应用。2、用此模型，可准确地对DNA序列进行比对，从而判断两个DNA序列的相似性。附录一:模型一程序:l；j=input(please input a DNA number :) ;作比较a=l(j);a=char(a);b=l(j+1:24);for k=1:24-jd=char(b(k);n=length(a);m=length(d);if n=mh=a;d;elseh=d;d=a;n=length(h);m=length(d);endf=zeros(1,n-m+1);for i

17、=1:n-m+1e=h(i:m+i-1);g=sum(e-d=0);f(i)=g;endt24-j=;%l为导入的数据，格式为cell%输入任意一条序列j，j将和其后所有序列%取出第j条序列%格式转换%取出j后面所有序列%将长序列设为a，段序列设为d%建立1x(n-m+1)零矩阵%两序列相减，算出零的个数为h%h存放在f矩阵中%建立元胞t,用于存放矩阵ftk=f; %将矩阵f中最大元素取出与较短序列的个数作比较，算出改两端序列的最 大相似度pp=max(char(tk)/mend模型二程序：for j=1:n%替换序列中变异序列为碱基Aif a(j)=A&a(j)=G&a(j)=C&a(j)=Ta