北邮生物信息基础大作业

北京邮电大学信息与通信工程学院《生物信息基础北京邮电大学信息与通信工程学院《生物信息基础(？014)》课程大作业北京邮电大学信息与通信工程学院《生物信息基础北京邮电大学信息与通信工程学院《生物信息基础（2014）》课程大作业#gi|30962102|emb|AJ3146021|CCTGAGAGAGCCAGTCAAGAAGCCAT.ACACGJ3AGGC^AGCAT3ATGA1059gi|610977S9|dbj|AB1902901|CCTGAAAGAGCCAGTGAAAAAGCCGGACACrGAGGC・CAGCATGATOA1006gi|2346635Sfcb|AF349413.3|CX：TGAGAGAGCCGGTGAAAAAGCCA^ACACTGAGGC-IAGCATGATGA1063gi|321S6925fcb|AY305027.1|CCTCATGGAGGAGCAGAAGAAGCCTT・TIACCGAGGC・CAGCATGATGA1174gi|2073112|dbj|AB003356.1|CCTCATGAAGGAGCTGAAGAAGCCCrTCACCGAGGA・CAGCATGATGA1268gi|14530S317feb|EF5305921|CCTGAAAGAGCAGGTGCAGAAGCCGGACACrGAGGC・CAGCATGATOA457gi|89037528|ief|NW_925528.1|TTTCAGACAGTTTC匚…・ACCTGTATCACCCAAGGTGCAGTTTGATGT1056通过以上多序列的比对结果，我们可以轻松地发现多条序列中，发生了变异的部分。由于序列已经对齐，发生了变异的部分必然是空位、插入或者替换中的一种。我们设计算法，遍历一遍对齐后的各条序列，即可轻松的找到变异位点。三、基因编码区域识别1、1、问题建模由于已经给出了基因编码区域和基因非编码区域的片段(训练样本)，我考虑使用一阶马氏链来判别两个目标序列的区域，其中，一阶马氏链是根据碱基的排列顺序做转移的。选择一阶马氏链碱基排序的原因有二：一是实验的样本太少，我考虑了对于氨基酸密码子做转移概率矩阵，但是计算得到的矩阵很多都是0元素，这对最终的计算结果影响很人，我也尝试了二阶和更高阶次的马氏链，同样由于训练样本太少，转移概率中概率为0的点太多，故不采纳高阶方案；二是在题目中，明确给出了该病毒RNA具有特定的排列顺序的条件，所以不对密码子做转移概率计算。参数估计与计算过程参数估计与计算过程首先，根据给出的基因编码区域和基因非编码区域的片段，可以算出两个区域片段的各个碱基对分布概率*这里利用大数定理，使用频率逼近概率。然后,最后，计算相邻两个碱基对出现的频率，并以此作为一阶马氏链的转移概率由两个目标序列的排列，我们可以利用公式：np(s)=p(sJ》p(Si+i|Si)i=l来计算序列S出现的概率，

3、实验结果在编码区中，四个碱基的分布概率:符号AUGC概率0.3846015380.30770.1538在非编码区中，四个碱基的分布概率:符号AUGC概率0.15380.3077007690.4615在编码区中，各个碱基的转移概率矩阵:AUGCA0.39130.30430.30430U0.444400.55560G0.21050.10530.15790.5263C0.555600.44440在非编码区中，各个碱基的转移概率矩阵:AUGCA0001.0000U000.06250.9375G01.000000C0.34480.51720.10340.0345计算得，S1序列在编码区出现的概率为16332e-06.在非编码区出现的概率为0,S2序列在编码区出现的概率为0,在非编码区出现的概率为6.4733—04。所以，我们认为S1序列属于编码区’S2序列属于非编码区。在判定过程中，我们发现了两个概率为0的现彖，一个是S1在非编码区的概率,另一个是S2在编码区的概率。出现这两个0概率的原因为，由于训练集过小，无法保证所有的碱基组合都出现过，这样就有部分转移概率为0。注：本部分计算所用的matlab源程序已在附录中给出。在大三上半学期，我有幸选修了《生物信息基础》这门专业选修课。选修这门课的原因主要有二,一是我希望未来可以在模式识别领域继续深造，希望可以考取我校模式识别实验室的研究生，所以希望通过这门选修课，让我对模式识别的基本理论和基本算法有所了解：二是去年四月，我参加了2014深圳杯大学生数学建模夏令营.竞赛题目中有一道关于基因组测序的题目（B题），引起了我很大的兴趣。通过这学期《生物信息基础》课程的学习，我对于生物信息处理有了很深的理解。我们的课程从生命的演化与中心法则讲起，包含生物信息数据库、序列分析、基因组学与基因识别和隐式马尔科夫模型，让我对当今科技的前沿——生物信息处理这门学科,有了较为深刻的了解。在这其中，我最感兴趣的部分是：序列分析中的多序列比对部分。这一部分面向实践，涉及到了之前讲述的许多知识。通过这一部分的学习，我对之前讲到的两条序列的比对有了更深的认识。而多序列比对可以推测各个序列的进化历史，这让我觉得很神奇。在本次人作业中，我运用了ClustaIW2网站的在线多序列比对，更加认识到了这种方法的用武之地。关于这门课程的学习，我有一个小小的建议：目前，我们这门课程中理论知识较多，主要面向的是各个算法的思想核心。这些思想核心是支撑算法的关键，但是对于我们未入门的本科生来说，可能有些枯燥乏味。对此，我建议老师可以加入适当的课堂演示/小实验环节・比如需要人家到生物信息数据库查询某种生物的DNA序列：或者给出两条真正生物体的DNA序列，让人家使用开源软件对其进行相似度分析；或者给出两条DNA序列，让大家设计MATLAB程序鉴别DNA序列的编码区。这样，课程会变得更加生动。最后，感谢李老师在这半年中持之以恒的谆谆教导，这让我收获良多！参考文献:生物信息学概论.清华大学出版社.DanE.Krane&MichaelL.Rajrmer生物信息学分析实践.科学出版社.吴组建模式识别（第三版）.清华大学