资源描述
DNA序列的聚类问题
DNA序列分类问题不同于传统的聚类问题,它本身有其特殊性和复杂性[12]。特殊性是指DNA序列片断只是由4个字符A、T、C、G组成的串。复杂性是指已知分类的DNA序列数据不等长度。即使等长度,由于其作为字符串长度很大,也不能直接通过数学运算进行分类。如果采用数学方法研究DNA序列分类,首先要把DNA序列用一个向量数据表示,即进行DNA序列特征(聚类要素)提取。向量型数据对应着DNA序列特征。不同的特征提取方法有不同的特性,它将很大程度上影响聚类的结果,所以我们选取的方法必须符合实际要求的特点。已有的DNA序列特征提取方法有下面几种:
顾俊华等在《模糊聚类分析方法在DNA序列分类中的应用》[15]一文中使用的基于4种碱基的丰度[13]的方法,即采用序列中的碱基A、T、C、G的含量百分比作为该序列的特征,从而将DNA序列特征构造为四维向量,进而聚类分析。
岳晓宁等在《基于聚类分析的DNA序列分类研究》[16]一文中利用生物学中密码子(三联子)的概念,以密码子的含量作为DNA序列的特征。具体作法:统计每个DNA序列中aaa、aat、aac、aag、……、ttt出现的个数,这样DNA序列由一个64()维的向量表示。这样64维序列又有三种解读方式:对于一个给定的DNA序列,分别从开始的1、2、3号位置分别截取产生三种不同的表示。如序列aggcacggaaaa可分成(agg)(cac)(gga)(aaa)或(ggc)(acg)(gaa)或(gca)(cgg)(aaa)。这3种不同的截法所产生三种不同的密码信息,需要对其进行处理。
周玉元等在《DNA序列分类的Fisher判别法》[17]一文中,由生物学和生物化学知识,用碱基互补配对原则,将64个密码子对应20种氨基酸和一类终止信息,这样DNA序列可用一个21维向量来表示,从而突出生物特征、降低了维数。
采用碱基丰度提取特征的方法缺点很明显,即很可能出现不同类别的DNA序列有着相同的判别特征,也就是说它们的各种碱基含量是相同的,导致标记它们的4维向量也是相同的,没有考虑到DNA序列中字符的顺序结构。根据生物工程理论,A、T、C、G看成四个独立结构单元,它们在DNA链上排列的顺序称为碱基序列。DNA根据碱基序列可以转录成RNA,RNA可翻译成蛋白质,所以用三个碱基为一组的碱基组(即密码子)出现频率作为分类的标准是可以反映生物学意义的。
本文在已有的研究基础上,将基于密码子的DNA序列聚类方法应用于更大量的数据,从而进行验证,并对结果提出分析。其后,在基于密码子的DNA序列模糊聚类分析的基础上,提出另一种DNA序列判别特征的提取方法——基于向量距离的DNA序列模糊聚类分析,进而考虑DNA序列的排序性,挖掘DNA序列中的更多性息,提高DNA序列分类的准确性和客观性。
第一节 基于密码子的DNA序列模糊聚类分析
基于本章第一节的数据,现将先以三个碱基为一组(密码子),提取其百分含量构成64维向量,再由这64维向量作为一个DNA序列的数据表征(即聚类要素),然后用模糊聚类的一般方法进行聚类分析。
一、基于密码子的DNA序列判别特征提取
现在用数学的语言描述上述问题:
A、T、C、G为DNA的四种碱基,将64种密码子按1,2,3,…,64依次编号,编号顺序为aaa,aat,aac,aag,ata,att,atc,atg,…,aga,agt,agc,agg,taa,tat,tac,tag,tta,ttt,ttc,ttg,…,gga,ggt,ggc,ggg;
三种不同解读DNA序列的方式是指分别从开始的1、2、3号位置分别截取连续的三个碱基,后面则依次截取密码子(3个连续的碱基),从而产生三种不同的表示。例如:人工制造DNA序列的第1号序列前12个碱基为aggcacggaaaa,三种不同解读为(agg)(cac)(gga)(aaa)和a(ggc)(acg)(gaa)aa和ag(gca)(cgg)(aaa)a;
表示人工制造DNA序列的第号序列;
表示按三种不同解读方式得到的第号序列中含有第个密码子的个数;
表示按三种不同解读方式得到的第个密码子在第号序列中平均百分含量,即第个密码子在第号序列中出现的频率;
表示按三种不同解读方式得到的第号序列中含有密码子的总数。
则有如下关系可以提取DNA序列的判别特征:
,其中
由于数据的庞大,本文借用了计算机作为辅助工具,从而处理复杂的数据。文中以Visual C++ 6.0软件为平台,在其上逻辑编程,实现数据处理。
对于三种不同解读DNA序列的方式,本文提出了转化,这样可以便于计算机的实现。如上例,人工制造DNA序列的第1号序列前12个碱基为aggcacggaaaa,三种不同解读为(agg)(cac)(gga)(aaa)和a(ggc)(acg)(gaa)aa和ag(gca)(cgg)(aaa)a,现可转化为(agg)cacggaaaa,a(ggc)acggaaaa,ag(gca)cggaaaa,agg(cac)ggaaaa,aggc(acg)gaaaa,……,aggcacg(gaa)aa,aggcacgg(aaa)a,aggcacgga(aaa),这样可包含上述三种不同解读全部情况的密码子,且仅包含上述三种不同解读全部情况的密码子。
根据本文的转化方法,提取DNA序列判别特征数据的程序见附录四。
经程序运算,1-20号DNA序列(到)中64种密码子的统计频率分布如下(以下数据按四舍五入法保留小数点后4位。为了显示清楚,现将的矩阵以10个为一组,且纵横坐标相互交换,并不表示前10个DNA序列属于同一类,而后20个DNA序列属于另一类。):
表 4-1 1-10号DNA序列中64种密码子的统计频率分布
u1
u2
u3
u4
u5
u6
u7
u8
u9
u10
1
0.0367
0.0275
0.0092
0.1101
0.0367
0.0642
0.0642
0.0092
0.0550
0.0370
2
0.0092
0.0091
0.0092
0.0275
0.0000
0.0183
0.0459
0.0183
0.0183
0.0000
3
0.0183
0.0367
0.0183
0.0367
0.0183
0.0183
0.0092
0.0183
0.0092
0.0093
4
0.0275
0.0275
0.0183
0.0183
0.0092
0.0550
0.0367
0.0367
0.0092
0.0185
5
0.0183
0.0000
0.0183
0.0459
0.0000
0.0275
0.0275
0.0183
0.0000
0.0000
6
0.0092
0.0275
0.0092
0.0275
0.0183
0.0275
0.0183
0.0183
0.0000
0.0093
7
0.0000
0.0000
0.0092
0.0092
0.0000
0.0000
0.0183
0.0092
0.0183
0.0093
8
0.0092
0.0092
0.0000
0.0367
0.0000
0.0092
0.0459
0.0183
0.0275
0.0000
9
0.0092
0.0275
0.0275
0.0275
0.0183
0.0092
0.0000
0.0183
0.0000
0.0093
10
0.0092
0.0092
0.0000
0.0092
0.0092
0.0000
0.0183
0.0000
0.0092
0.0000
11
0.0092
0.0092
0.0000
0.0092
0.0183
0.0000
0.0000
0.0092
0.0000
0.0000
12
0.0642
0.0275
0.0092
0.0092
0.0367
0.0183
0.0000
0.0092
0.0000
0.0278
13
0.0000
0.0000
0.0000
0.0367
0.0000
0.0000
0.0183
0.0000
0.0000
0.0000
14
0.0092
0.0000
0.0000
0.0000
0.0000
0.0092
0.0000
0.0000
0.0092
0.0000
15
0.0000
0.0092
0.0000
0.0092
0.0000
0.0000
0.0000
0.0000
0.0183
0.0000
16
0.0734
0.0459
0.0550
0.0092
0.0642
0.0917
0.0550
0.1009
0.0367
0.0648
17
0.0183
0.0092
0.0000
0.0367
0.0000
0.0092
0.0092
0.0092
0.0000
0.0093
18
0.0092
0.0183
0.0000
0.0459
0.0000
0.0183
0.0275
0.0092
0.0000
0.0000
19
0.0183
0.0000
0.0275
0.0092
0.0183
0.0000
0.0000
0.0000
0.0000
0.0093
20
0.0000
0.0000
0.0000
0.0183
0.0000
0.0092
0.0092
0.0367
0.0000
0.0000
21
0.0092
0.0183
0.0000
0.0367
0.0092
0.0092
0.0092
0.0367
0.0000
0.0093
22
0.0000
0.0092
0.0000
0.0459
0.0092
0.0275
0.0183
0.0183
0.0183
0.0093
23
0.0000
0.0183
0.0092
0.0092
0.0183
0.0183
0.0092
0.0183
0.0092
0.0185
24
0.0275
0.0092
0.0000
0.0183
0.0000
0.0000
0.0183
0.0000
0.0183
0.0000
25
0.0000
0.0000
0.0000
0.0092
0.0092
0.0000
0.0000
0.0000
0.0000
0.0000
26
0.0092
0.0000
0.0092
0.0000
0.0000
0.0000
0.0000
0.0092
0.0000
0.0093
27
0.0000
0.0000
0.0000
0.0000
0.0092
0.0000
0.0092
0.0000
0.0092
0.0185
28
0.0000
0.0183
0.0092
0.0092
0.0092
0.0183
0.0183
0.0275
0.0275
0.0278
29
0.0183
0.0000
0.0000
0.0000
0.0000
0.0000
0.0092
0.0092
0.0092
0.0000
30
0.0092
0.0092
0.0000
0.0183
0.0000
0.0000
0.0092
0.0000
0.0092
0.0093
31
0.0000
0.0000
0.0000
0.0183
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
32
0.0183
0.0459
0.0092
0.0183
0.0275
0.0183
0.0459
0.0183
0.0550
0.0185
33
0.0000
0.0367
0.0183
0.0183
0.0183
0.0092
0.0000
0.0183
0.0092
0.0093
34
0.0092
0.0000
0.0092
0.0183
0.0092
0.0000
0.0000
0.0092
0.0183
0.0093
35
0.0275
0.0000
0.0275
0.0000
0.0183
0.0092
0.0000
0.0000
0.0000
0.0185
36
0.0000
0.0092
0.0000
0.0183
0.0092
0.0183
0.0092
0.0000
0.0092
0.0185
37
0.0092
0.0000
0.0000
0.0000
0.0092
0.0000
0.0092
0.0000
0.0000
0.0093
38
0.0275
0.0000
0.0000
0.0183
0.0000
0.0000
0.0092
0.0183
0.0000
0.0093
39
0.0000
0.0000
0.0000
0.0000
0.0092
0.0000
0.0000
0.0092
0.0092
0.0093
40
0.0000
0.0183
0.0092
0.0000
0.0275
0.0000
0.0000
0.0092
0.0183
0.0093
41
0.0000
0.0000
0.0092
0.0092
0.0183
0.0000
0.0000
0.0092
0.0092
0.0093
42
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
43
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
44
0.0183
0.0092
0.0000
0.0000
0.0092
0.0000
0.0092
0.0092
0.0183
0.0185
45
0.0092
0.0000
0.0000
0.0092
0.0000
0.0000
0.0000
0.0183
0.0092
0.0000
46
0.0000
0.0000
0.0000
0.0000
0.0092
0.0000
0.0000
0.0092
0.0092
0.0185
47
0.0092
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0092
0.0183
0.0556
48
0.0642
0.0092
0.1468
0.0183
0.1009
0.0826
0.0550
0.0459
0.0734
0.0556
49
0.0367
0.0275
0.0275
0.0275
0.0092
0.0734
0.0826
0.0459
0.0275
0.0093
50
0.0092
0.0092
0.0183
0.0183
0.0092
0.0183
0.0275
0.183
0.0000
0.0093
51
0.0275
0.0367
0.0459
0.0459
0.0275
0.0000
0.0092
0.0183
0.0000
0.0000
52
0.0459
0.0183
0.0367
0.0000
0.0550
0.0183
0.0183
0.0275
0.0459
0.0278
53
0.0092
0.0092
0.0092
0.0275
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
54
0.0000
0.0183
0.0000
0.0183
0.0092
0.0000
0.0092
0.0183
0.0275
0.0093
55
0.0092
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0185
56
0.0092
0.0183
0.0000
0.0000
0.0000
0.0092
0.0000
0.0000
0.0092
0.0093
57
0.0275
0.0183
0.0183
0.0092
0.0092
0.0367
0.0092
0.0000
0.0275
0.0370
58
0.0183
0.0092
0.0000
0.0092
0.0367
0.0000
0.0000
0.0275
0.0183
0.0185
59
0.0092
0.0000
0.0092
0.0000
0.0000
0.0000
0.0000
0.0092
0.0183
0.0185
60
0.0000
0.0275
0.0459
0.0092
0.0459
0.0459
0.0367
0.0367
0.0734
0.0648
61
0.0917
0.1009
0.1376
0.0183
0.1009
0.1101
0.1101
0.0826
0.0550
0.4630
62
0.0092
0.0367
0.0092
0.0275
0.0000
0.0000
0.0000
0.0092
0.0092
0.0093
63
0.0459
0.0459
0.0734
0.0000
0.0917
0.0826
0.0459
0.0642
0.1009
0.0833
64
0.0367
0.0367
0.0183
0.0000
0.0275
0.0092
0.0092
0.0000
0.0183
0.0463
表 4-2 11-20号DNA序列中64种密码子的统计频率分布
u11
u12
u13
u14
u15
u16
u17
u18
u19
u20
1
0.0648
0.0278
0.0093
0.0370
0.0833
0.0741
0.1019
0.0278
0.0000
0.0278
2
0.0648
0.0648
0.0278
0.0370
0.0463
0.0833
0.0370
0.0463
0.0185
0.0000
3
0.0185
0.0000
0.0093
0.0000
0.0000
0.0093
0.0278
0.0093
0.0000
0.0278
4
0.0093
0.0370
0.0185
0.0093
0.0000
0.0000
0.0093
0.0000
0.0000
0.0093
5
0.0278
0.0000
0.0000
0.0278
0.0370
0.0278
0.0093
0.0185
0.0370
0.0000
6
0.0093
0.0833
0.0833
0.0741
0.0833
0.0093
0.0278
0.1019
0.0648
0.0370
7
0.0093
0.0185
0.0000
0.0185
0.0000
0.0185
0.0370
0.0000
0.0370
0.0185
8
0.0185
0.0093
0.0185
0.0093
0.0093
0.0093
0.0370
0.0000
0.0000
0.0000
9
0.0000
0.0000
0.0093
0.0093
0.0000
0.0185
0.0000
0.0278
0.0093
0.0093
10
0.0093
0.0093
0.0093
0.0000
0.0000
0.0185
0.0093
0.0185
0.0093
0.0556
11
0.0000
0.0000
0.0185
0.0000
0.0000
0.0000
0.0278
0.0000
0.0093
0.0000
12
0.0185
0.0000
0.0093
0.0000
0.0000
0.0000
0.0185
0.0278
0.0000
0.0000
13
0.0093
0.0093
0.0185
0.0463
0.0093
0.0093
0.0093
0.0185
0.0000
0.0000
14
0.0093
0.0185
0.0093
0.0278
0.0000
0.0000
0.0093
0.0000
0.0093
0.0000
15
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
16
0.0093
0.0370
0.0185
0.0000
0.0093
0.0000
0.0000
0.0000
0.0093
0.0093
17
0.0648
0.0093
0.0370
0.0370
0.0463
0.0648
0.0370
0.0185
0.0278
0.0370
18
0.0741
0.0278
0.0648
0.0463
0.0833
0.0370
0.0648
0.0648
0.0833
0.0278
19
0.0093
0.0093
0.0185
0.0093
0.0000
0.0278
0.0000
0.0648
0.0278
0.0278
20
0.0185
0.0278
0.0093
0.0370
0.0093
0.0093
0.0000
0.0093
0.0093
0.0000
21
0.1204
0.1389
0.1204
0.1019
0.0833
0.0833
0.0185
0.1296
0.1111
0.0648
22
0.1759
0.1667
0.2130
0.1574
0.3981
0.1111
0.0185
0.1574
0.1759
0.2130
23
0.0000
0.0000
0.0093
0.0278
0.0000
0.0093
0.0093
0.0093
0.0370
0.0370
24
0.0000
0.0093
0.0093
0.0000
0.0093
0.0278
0.0093
0.0093
0.0000
0.0185
25
0.0000
0.0093
0.0093
0.0093
0.0000
0.0000
0.0278
0.0000
0.0093
0.0185
26
0.0000
0.0000
0.0093
0.0463
0.0000
0.0370
0.0185
0.0000
0.0556
0.0741
27
0.0093
0.0000
0.0000
0.0000
0.0000
0.0000
0.0185
0.0185
0.0093
0.0093
28
0.0000
0.0093
0.0000
0.0093
0.0000
0.0093
0.0000
0.0000
0.0185
0.0000
29
0.0000
0.0093
0.0000
0.0000
0.0093
0.0185
0.0185
0.0000
0.0093
0.0093
30
0.0000
0.0000
0.0093
0.0093
0.0185
0.0093
0.0093
0.0093
0.0000
0.0278
31
0.0000
0.0000
0.0093
0.0093
0.0000
0.0000
0.0093
0.0000
0.0000
0.0000
32
0.0185
0.0093
0.0093
0.0000
0.0000
0.0185
0.0093
0.0000
0.0000
0.0000
33
0.0093
0.0000
0.0093
0.0000
0.0000
0.0093
0.0093
0.0278
0.0000
0.0000
34
0.0000
0.0093
0.0000
0.0185
0.0000
0.0093
0.0000
0.0093
0.0185
0.0185
35
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0278
0.0000
0.0000
0.0093
36
0.0000
0.0000
0.0185
0.0093
0.0000
0.0000
0.0093
0.0000
0.0000
0.0000
37
0.0000
0.0000
0.0000
0.0093
0.0000
0.0185
0.0556
0.0093
0.0000
0.0185
38
0.0093
0.0093
0.0278
0.0278
0.0000
0.0185
0.0093
0.0278
0.0556
0.0556
39
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
0.0093
0.0000
0.0185
0.0463
40
0.0000
0.0000
0.0000
0.0093
0.0000
0.0093
0.0000
0.0000
0.0093
0.0185
41
0.0093
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
0.0000
0.0000
0.0000
42
0.0000
0.0000
0.0093
0.0000
0.0000
0.0000
0.0370
0.0185
0.0093
0.0093
43
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0370
0.0000
0.0000
0.0000
44
0.0000
0.0000
0.0093
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
0.0000
45
0.0000
0.0000
0.0093
0.0000
0.0000
0.0093
0.0000
0.0000
0.0093
0.0000
46
0.0185
0.0093
0.0093
0.0000
0.0000
0.0000
0.0000
0.0093
0.0093
0.0000
47
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
0.0000
48
0.0000
0.0000
0.0000
0.0093
0.0000
0.0000
0.0278
0.0185
0.0000
0.0000
49
0.0185
0.0185
0.0093
0.0093
0.0093
0.0185
0.0278
0.0093
0.0000
0.0000
50
0.0093
0.0093
0.0093
0.0278
0.0000
0.0278
0.0093
0.0000
0.0185
0.0185
51
0.0000
0.0000
0.0185
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
52
0.0000
0.0000
0.0000
0.0185
0.0093
0.0000
0.0000
0.0093
0.0093
0.0000
53
0.0185
0.0185
0.0093
0.0000
0.0185
0.0093
0.0185
0.0000
0.0000
0.0093
54
0.0278
0.0556
0.0278
0.0278
0.0093
0.0093
0.0000
0.0278
0.0278
0.0278
55
0.0000
0.0000
0.0093
0.0185
0.0000
0.0093
0.0093
0.0093
0.0000
0.0000
56
0.0000
0.0000
0.0000
0.0000
0.0093
0.0000
0.0000
0.0000
0.0000
0.0000
57
0.0000
0.0000
0.0093
0.0093
0.0000
0.0000
0.0093
0.0093
0.0000
0.0000
58
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
0.0000
0.0093
0.0000
59
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
0.0000
0.0000
0.0000
60
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
0.0000
0.0000
0.0000
61
0.0185
0.0093
0.0093
0.0093
0.0000
0.0093
0.0093
0.0000
0.0093
0.0093
62
0.0093
0.0370
0.0093
0.0000
0.0093
0.0093
0.0000
0.0093
0.0000
0.0000
63
0.0000
0.0000
0.0093
0.0000
0.0000
0.0000
0.0278
0.0093
0.0000
0.0000
64
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0093
0.0000
0.0000
上述提取的DNA序列判别特征可以构成模糊聚类分析中待分类对象的数据表征。以下将根据模糊聚类分析的一般步骤及方法,分析DNA序列的聚类情况。
二、基于聚类要素建立模糊相似矩阵
按第三章第二节介绍的模糊聚类分析的一般步骤和方法进行分析。需要说明的是上述DNA序列所提取的聚类要素可以不再进行初始化。这是因为上述DNA序列判别特征的单位相同,即都为百分比,其单位为1,而且数据的取值范围在之间。下面就将DNA序列所提取的聚类要素作为标准化后的数据进行处理。
现在要基于DNA序列聚类要素(提取的判别特征)来计算分类对象之间的相似系数,从而得到相似系数的矩阵,它是自反且对称的。
在第三章第二节中,已经介绍了建立模糊相似矩阵的一些方式,如数量积法、相关系数法、指数相似系数法、非参数方法、最大最小法、算术平均最小法、几何平均最小法、绝对值指数法、绝对值减数法、绝对值倒数法。现在选用夹角余弦法,如第三章第二节中的介绍:令,取
同样,用计算机以Visual C++ 6.0软件为平台进行数据处理。代码见附录。得到的模糊相似矩阵为图4-1:
图 4-1 基于密码子的DNA序列分类的模糊相似矩阵
三、聚类分析
模糊聚类的方法有很多种,如第三章第二节介绍的聚类编网法和最大树法,但为了方便计算机的实现,现采用传递闭包法求DNA序列的模糊等价矩阵,即传递闭包。
为了简化计算,本文采用平方法求其传递闭包。由上面求得的模糊相似矩阵,至多经过步便可求得模糊等价矩阵。
计算机编程代码见附录。
求得的模糊等价矩阵(数据保留小数点后3位)为图4-2:
图 4-2 基于密码子的DNA序列分类的模糊等价矩阵
最后,聚类分析:
取不同的值,得到各截矩阵为:
当时,截矩阵为单位阵,分为20类;
当时,截矩阵如图4-3,分为6类:,,,,,;
图 4-3 基于密码子的DNA序列分类的截矩阵
后面的分析省略截矩阵的图,分析方法相同。
当时,根据截矩阵的分析方法 ,分为4类:,,,;
当时,根据截矩阵的分析方法 , 分为2类:,;
当时,根据截矩阵的分析方法 , 分为1类:;
聚类图如下图4-4:
四、结果分析
当时,1、2、3、5号DNA序列聚合成一类,6-8号DNA序列聚合成一类,9、10号DNA序列聚合成一类,1-16、18、19、20号DNA序列聚合成一类。说明:1、2、3、5号DNA序列,6-8号DNA序列,9、10号DNA序列,1-16、18、19、20号DNA序列分别具有较好的相似性,相似程度高。
当时,1、2、3、5-10号DNA序列聚合成一类,4、11-20号DNA序列聚合成一类。说明:1、2、3、5-10号DNA序列比1-20号的其他DNA序列更加相似;4、11-20号DNA序列也比1-20号的其他DNA序列具有更大的相似性。
在模糊聚类分析中,由于提取判别特征(聚类要素)的方法不同或聚类方法的选取不当,有时会出现误判的现象[14]。因此,已知类别的序列分类的正确率或误判率常常作为衡量聚类方法优劣的标准。一般地,有:。
本文选用正确率来衡量聚类方法的优劣,正确率的构造如下:对已知类别的1-20号人工DNA序列聚类。属于A类的对象成功地被判定为A类,或者属于B类的对象成功地被判定为B类,称为判定正确。设判定正确的个数为,总共的个数为(本文中),正确率为,则:
由上面的聚类分析结果可知:当时,4号DNA序列自成一类;当时,4号DNA序列被判定归为B类DNA序列。而已知的4号DNA序列属于A类DNA序列,所以4号DNA序列无法通过上述方法进行聚类,则,,即正确率为95%。
上述方法是考虑到碱基在生物学上的特殊意义,基于密码子的概念解决DNA序列分类问题的,但是它没有考虑到DNA序列的序列排序性,遗漏了DNA序列的某些组合意义上的信息。下面将提出另一种提取DNA序列特征的方法,弥补上述方法在排列性上的不足。
第二节 基于向量距离的DNA序列模糊聚类分析
一、基于向量距离的DNA序列模糊聚类基本思想
除了第三章第
展开阅读全文