Введение 3
2 Основные понятия и определения 3
3 Кластеризация данных 5
3.1 Постановка задачи кластеризации
биоинформатических данных 5
3.2 Алгоритм кластеризации K-means 5
4 Метрики на генах 7
4.1 Метрика Хемминга 7
4.2 Метрика Левенштейна 8
5 Код программы и документация 9
5.1 Общее описание 9
5.2 Clustal Omega 10
5.3 NucleotidClass.py 11
5.4 DNKSeqClass.py 13
5.5 GeneratingTestData.py 15
5.6 ReadSequencesFromFile.py 16
5.7 Clusterization.py 17
5.8 PlotFunction.py 21
6 Результаты работы программы 25
7 Заключение 26
Литература
Биоинформатика - молодая, бурноразвивающаяся наука. Мощный толчок к развитию она получила благодаря применению математических методов в биологии, до этого применявшихся в основном в физике. Целью данной работы является решение задачи биологии современными средствами математики и программирования.
В работе будет произведена кластеризация генов на к компонент методом средних. До этого предпринимались аналогичные попытки малазийскими учеными. Их труды были представлены в университетском журнале [7] , а также на научной конференции в Сингапуре [6]. Особенностью данной работы будут использование языка программирования BBicoKoro уровня Python с применением технологии параллельного программирования, основанного на создании множества процессов, а также координатное представление нуклеотида, в котором нуклеотиду соответствует пятимерный вектор из вещественных чисел, принадлежащих интервалу [0,1].
В данной работе был реализован алгоритм K-means для кластеризации генов. Для удобства вычислений нуклеотиды были заменены их векторными представлениями и на них была введена псевдометрика. Это сделало код гораздо более удобочитаемым и компактным, так как отпала необходимости вводить правило суммы для 16 возможных состояний нуклеотида. Результаты работы программах говорят нам о том, что количество кластеров и диаметр кластера зависят друг от друга по линейному закону, что ясно видно на полученных графиках. В ходе работах были применено множество библиотек Python
