利用Pearson相关系数定量分析生物亲缘关系

摘要

论文主要利用计算语言学中使用的统计学方法定量分析生物物种的亲缘关系.以包含生物体遗传信息的核酸序列为研究对象,采用计算语言学的思想和方法,将每一个生物体的核酸序列看作一篇很长的自然语言文本,抽取核酸序列的双核苷酸频率分布特征向量,用以表征其数字特征.而后采用Pearson Correlation Coefficient(Pearson相关系数)定量分析其亲缘关系的远近程度.将119个细菌的全基因组核酸序列进行两两比对,对所得的7 021个r值进行分析,得出的结论是:亲缘关系越相近的物种,其Pearson相关系数越大.取定0.985作为"属"的分界阈值时,得到召回率为75.824%,准确率为73.404%.论文对定量分析生物学核酸序列的相似性和对生物亲缘关系远近的建模有重要的实际意义.