关于python模拟遗传

stumblemodel

73题,用一个python程序模拟杂交,假设是100对等位基因,连续杂交100代,并将100代的基因型与小麦B的基因型对比相似度,重复实验100次取相似度的平均值
我就是想验证一下,这样是不是真的可以做到几乎完全复制B的核DNA

FishC

以下是模拟回交实验的Python代码，用于验证通过多代回交能否使后代基因型几乎完全复制目标亲本（小麦B）。代码模拟了100个独立基因座、连续100代回交，并重复实验100次取平均相似度。

1. 
   
2. import random
   
3. 
   
4. # 参数设置
   
5. n_genes = 100          # 基因座数量
   
6. n_generations = 100    # 杂交代数
   
7. n_repeats = 100        # 重复实验次数
   
8. 
   
9. # 初始化存储平均相似度的列表，长度为 n_generations+1（包括第0代）
   
10. avg_similarity = [0.0] * (n_generations + 1)
    
11. 
    
12. for _ in range(n_repeats):
    
13.     # 初始染色体：全部为0（表示来自A的等位基因）
    
14.     chrom = [0] * n_genes
    
15.     # 计算初始相似度（第0代）
    
16.     similarity = (n_genes + sum(chrom)) / (2 * n_genes)
    
17.     avg_similarity[0] += similarity
    
18.    
    
19.     # 进行100代回交
    
20.     for gen in range(1, n_generations + 1):
    
21.         new_chrom = [0] * n_genes
    
22.         for i in range(n_genes):
    
23.             # 以1/2的概率从上一代chrom中继承，1/2的概率从B继承（即变为1）
    
24.             if random.random() < 0.5:
    
25.                 new_chrom[i] = chrom[i]   # 继承上一代的等位基因
    
26.             else:
    
27.                 new_chrom[i] = 1          # 从B继承，等位基因为1
    
28.         chrom = new_chrom
    
29.         # 计算当前代的相似度
    
30.         similarity = (n_genes + sum(chrom)) / (2 * n_genes)
    
31.         avg_similarity[gen] += similarity
    
32. 
    
33. # 计算平均值
    
34. for gen in range(n_generations + 1):
    
35.     avg_similarity[gen] /= n_repeats
    
36. 
    
37. # 输出结果（每10代输出一次）
    
38. print("代数和平均相似度：")
    
39. for gen in range(0, n_generations + 1, 10):
    
40.     print(f"第{gen}代：平均相似度 = {avg_similarity[gen]:.6f}")
    
41. 
    
42. # 输出最后一代的相似度
    
43. print(f"\n第{n_generations}代的平均相似度：{avg_similarity[n_generations]:.6f}")
    
44. 
    
45. # 理论值计算：1 - (1/2)^(gen+1)
    
46. print("\n理论相似度（对比）：")
    
47. for gen in range(0, n_generations + 1, 10):
    
48.     theoretical = 1 - (0.5) ** (gen + 1)
    
49.     print(f"第{gen}代：理论相似度 = {theoretical:.6f}")
    

复制代码

解释：
- 每个基因座用两个等位基因表示，其中一条染色体始终来自B（全为1），另一条染色体来自非B亲本（初始全为0，代表来自A）。
- 每代回交中，非B染色体上的每个等位基因以50%概率从上一代继承，50%概率被B的等位基因（1）替换。
- 相似度定义为所有等位基因中与B相同的比例（B全为1）。
- 理论相似度公式为 1 - (1/2)^(代數+1)，与模拟结果高度吻合。

结论：经过100代回交，后代与小麦B的基因型相似度极高（理论值超过0.9999999999999999999999999999999），说明通过连续回交可以几乎完全复制目标亲本的核DNA。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

stumblemodel

FishC 发表于 2026-3-20 20:38
以下是模拟回交实验的Python代码，用于验证通过多代回交能否使后代基因型几乎完全复制目标亲本（小麦B）。 ...

如果我要把杂交代数作为自变量,相似度作为因变量,画出自变量在(0,100)的图像,怎样修改代码

FishC

stumblemodel 发表于 2026-03-20 20:47
FishC 发表于 2026-3-20 20:38
以下是模拟回交实验的 ...

以下是修改后的代码，它会绘制杂交代数（0到100）与平均相似度的关系图：

1. 
   
2. import random
   
3. import matplotlib.pyplot as plt
   
4. 
   
5. # 参数设置
   
6. n_genes = 100          # 基因座数量
   
7. n_generations = 100    # 杂交代数
   
8. n_repeats = 100        # 重复实验次数
   
9. 
   
10. # 初始化存储每代平均相似度的列表
    
11. avg_similarities = [0.0] * (n_generations + 1)
    
12. 
    
13. for _ in range(n_repeats):
    
14.     # 初始染色体：全部为0（表示来自A的等位基因）
    
15.     chrom = [0] * n_genes
    
16.    
    
17.     # 进行n_generations代回交
    
18.     for gen in range(n_generations + 1):
    
19.         # 计算当前代的相似度
    
20.         similarity = (n_genes + sum(chrom)) / (2 * n_genes)
    
21.         avg_similarities[gen] += similarity
    
22.         
    
23.         if gen < n_generations:  # 如果不是最后一代，准备下一代
    
24.             new_chrom = [0] * n_genes
    
25.             for i in range(n_genes):
    
26.                 # 以1/2的概率从上一代chrom中继承，1/2的概率从B继承（即变为1）
    
27.                 if random.random() < 0.5:
    
28.                     new_chrom[i] = chrom[i]   # 继承上一代的等位基因
    
29.                 else:
    
30.                     new_chrom[i] = 1          # 从B继承，等位基因为1
    
31.             chrom = new_chrom
    
32. 
    
33. # 计算平均值
    
34. for gen in range(n_generations + 1):
    
35.     avg_similarities[gen] /= n_repeats
    
36. 
    
37. # 计算理论值
    
38. theoretical_similarities = []
    
39. for gen in range(n_generations + 1):
    
40.     theoretical = 1 - (0.5) ** (gen + 1)
    
41.     theoretical_similarities.append(theoretical)
    
42. 
    
43. # 绘制图像
    
44. generations = list(range(n_generations + 1))
    
45. plt.figure(figsize=(10, 6))
    
46. 
    
47. # 绘制模拟结果
    
48. plt.plot(generations, avg_similarities, 'b-', linewidth=2, label='模拟结果')
    
49. 
    
50. # 绘制理论曲线
    
51. plt.plot(generations, theoretical_similarities, 'r--', linewidth=2, label='理论曲线')
    
52. 
    
53. # 设置图表属性
    
54. plt.xlabel('杂交代数', fontsize=12)
    
55. plt.ylabel('平均相似度', fontsize=12)
    
56. plt.title('杂交代数与基因型相似度的关系', fontsize=14)
    
57. plt.grid(True, alpha=0.3)
    
58. plt.legend(fontsize=12)
    
59. plt.ylim(0.4, 1.05)
    
60. 
    
61. # 显示图表
    
62. plt.show()
    
63. 
    
64. # 输出最后几代的结果对比
    
65. print("最后10代的模拟结果与理论值对比：")
    
66. print("代数\t模拟相似度\t理论相似度")
    
67. for gen in range(90, n_generations + 1, 1):
    
68.     print(f"{gen}\t{avg_similarities[gen]:.8f}\t{theoretical_similarities[gen]:.8f}")
    

复制代码

代码主要修改：

1. 创建 avg_similarities 列表来存储每一代的平均相似度
2. 在模拟过程中直接计算每一代的相似度并累加
3. 计算理论相似度曲线
4. 使用matplotlib绘制两条曲线：
   - 蓝色实线：模拟结果
   - 红色虚线：理论曲线
5. 图表显示了杂交代数（0到100）与平均相似度的关系
6. 输出最后10代的结果对比，验证模拟与理论的匹配程度

运行此代码后，您将看到：
- 图像显示相似度随代数增加而迅速上升，接近1但不完全达到1
- 前几代相似度增长较快，后面逐渐趋缓
- 模拟结果与理论曲线高度吻合
- 100代后相似度接近0.999999...，但理论上永远不会达到1（因为总有极小的概率某个等位基因从未被B的等位基因替换）

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。