人类遗传病

初三二班 边晓晖 遗传病简介

遗传病，是指遗传物质发生改变或者由致病基因所控制的疾病，通常具有垂直传递和终身性的特征。因此，遗传病具有由亲代向后代传递的特点。这种传递不仅是指疾病的传递，最根本的是指致病基因的传递。所以，遗传病的发病表现出一定的家族性。父母的生殖细胞(精子和卵细胞)里携带的致病基因，通过生殖传给子女并引起发病，而且这些子女结婚后还可能把致病基因传给下一代。

六种常见的人类遗传病

1.高血压

遗传危险度：★★★★★

科学家已培育成功一种“遗传性自发高血压”老鼠。这种老鼠会把高血压的基因一代代传下去，它们的子孙100%会发生高血压，这是高血压与遗传密切相关的最典型例子。 目前多数学者认为，高血压属于多基因遗传性疾病。通过高血压患者家系调查发现，父母均患有高血压者，其子女今后患高血压概率高达45%；父母一方患高压病者，子女患高血压的几率是28%；而双亲血压正常者其子女患高血压的概率仅为3%。 防治原则

1.坚持监测血压，正常状态下至少每年1次。

2.限盐补钾。逐步把每日摄入食盐的量控制到5克，同时多吃富含钾的水果、蔬菜（如香蕉、核桃仁、莲子、芫荽、苋菜、菠菜等）。

3.防止超重和肥胖。

4.戒烟限酒。

2.糖尿病

遗传危险度：★★★★★

糖尿病具有明显遗传易感性（尤其是临床上最常见的2型糖尿病）。家系研究发现，有糖尿病阳性家族史的人群，其糖尿病患病率显著高于家族史阴性人群。而父母都有糖尿病者，其子女患糖尿病的机会是普通人的15～20倍。

防治原则

诱发糖尿病的“外因”有热量摄取太多，活动量下降，肥胖，吸烟以及心理压力过大等。反过来，避免以上因素就可预防糖尿病。在饮食方面，应该做到粮食、肉蛋奶、蔬菜、水果的合理搭配，注意摄入量与消耗量平衡。常测体重，如果体重增加了，热量肯定摄入过量，这时就应检讨你的食谱并增加运动。

3.血脂异常

遗传危险度：★★★

血脂代谢异常有许多原因，其中之一就是遗传因素。随着医学科学发展，目前已经发现有相当部分血脂异常患者存在一个或多个遗传基因缺陷。由遗传基因缺陷所致血脂异常多具有家族聚集性，有明显遗传倾向，临床上通称为家族性血脂异常。 防治原则

最重要的是强调“迈开腿，管住嘴”。一方面要适当限制饮食，但食物种类应尽量丰富，选用低脂食物（植物油、酸牛奶），增加维生素、纤维素（水果、蔬菜、面包和谷类食物），

控制体重。同时加强锻炼，使热量消耗掉才不至于使脂肪在体内堆积。

4.乳腺癌

遗传危险度：★★★

乳腺癌有明显的家族遗传倾向。流行病学调查发现，5%～10%的乳腺癌是家族性的。如有一位近亲患乳腺癌，则患病的危险性增加1.5～3倍；如有两位近亲患乳腺癌，则患病率将增加7倍。发病的年龄越轻，亲属中患乳腺癌的危险越大。

防治原则

有乳腺癌家族史者要特别注意自查，以发现乳癌的蛛丝马迹，早期治疗。乳房包块是乳腺癌最常见的体征，这种包块与乳腺增生包块不同，常为单个，形态不规则，质地较硬，活动度不好，大多无疼痛，与月经周期无明显关系。此外，如发现有乳头湿疹、溢液、皱缩，也应引起重视，到医院做进一步检查。

5.胃癌

遗传危险度：★★★

胃癌患者有明显的家族聚集性。调查发现，胃癌患者的一级亲属（即父母和亲兄弟姐妹）得胃癌的危险性比一般人群平均高出3倍。比较著名的如拿破仑家族，他的祖父、父亲以及三个妹妹都因胃癌去世，整个家族包括他本人在内共有7人患了胃癌。

防治原则

患胃癌危险因素包括缺乏体育锻炼、精神压抑、吸烟、喜食烟熏食品、喜食重盐饮食、过量摄入肉类、幽门螺杆菌感染、胃溃疡等。而喜食菌类、新鲜水果是胃癌的保护因素。值得注意的是，胃癌的家族聚集现象可能与共同感染幽门螺杆菌有关，有胃癌家族史者应去医院监测有无该细菌感染，有则及时治疗。

6.大肠癌

遗传危险度：★★★

家族遗传导致的大肠癌占大肠癌发病总人数的10%～15%。亲属中有大肠癌患者的人，患此病的危险性比普通人大3～4倍，如果家族中有两名或以上的近亲（父母或兄弟姐妹）患大肠癌，则为大肠癌的高危人群。

防治原则

有大肠癌家族史者应多吃新鲜食物，少吃腌、熏食物，不吃发霉食物，少饮含酒精饮料，戒烟。如出现以下症状要及时去医院检查：

① 大便习惯改变，大便次数增多，或腹泻与便秘交替出现。

② 大便带脓血或黏液便。

③ 大便变细、变形，排便费力。

④ 时有排便感，却无大便解出。

调查收获

遗传病是指由于遗传物质改变所致的疾病。具有先天性、终生性和家族性。病种多、发病率高。目前已发现的遗传病大约6500多种，估计每100个新生儿中约有3～10个患有各种程度不同的遗传病。

改变它唯有优生优育，避免已知的遗传病不再通过繁衍后代通过基因继续延续，尤其是一些可控可查的遗传病更是应该避免到下一代身上再次出现。

很多遗传病有的是显性的，有的是隐性的，显性的比较容易发现，及时救治还有痊愈的可能，然而隐性的就像定时炸弹，突然爆发时便是家庭悲剧的开始，所以优生很重要。婚前检查孕前检查很必要。为社会为家庭更为自己的幸福生活。

第二篇：遗传算法报告

传统优化算法可以解决一些比较简单的问题，但对于一些非线性的复杂问题，往往优化时间很长，并且经常不能得到最优解，甚至无法知道所得解同最优解的近似程度，而一些现代优化算法就能很好地解决这些问题。2 0 世纪6 0 年代学者开始对遗传进化感兴趣，进而形成了遗传算法。

遗传算法(GA)是由美国Michigan大学的Holland教授于19xx年首先提出的。它源于达尔文的进化论、孟德尔的群体遗传学说和魏茨曼的物种选择学说;其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。从公开发表的论文看,我国首先开始研究应用遗传算法的有赵改善和华中理工大学的师汉民等人。遗传算法最早应用于一维地震波形反演中,其特点是处理的对象是参数的编码集而不是问题参数本身,搜索过程既不受优化函数联系性的约束,也不要求优化函数可导,具有较好的全局搜索能力;算法的基本思想简单,运行方式和实现步骤规范,具有全局并行搜索、简单通用、鲁棒性强等优点,但其局部搜索能力差,容易出现早熟现象。

自19xx年起,国际遗传算法会议每两年召开一次,在欧洲,从19xx年开始每隔一年也举办一次类似的会议。 19xx年,国际上第一本以遗传算法和进化计算为核心内容的学术期刊《EvolutionaryComputation》(进化计算)在MIT创刊; 19xx年,在美国奥兰多召开的IEEE WorldCongressonComputationntelligence(IEEE全球计算智能大会)上,进化计算与模糊逻辑、神经网络一起统称为计算智能; 19xx年,《IEEE Transac-tionsonEvolutionaryComputation》创刊。这些刊物及时全面地报道了近年来遗传算法的最新研究成果。目前,与遗传算法有关的学术会议包括ICGA、PPSN、ICEC、ANN＆GA、EP、FOGA、COGANN、EC、GP、SEAL等。

遗传算法是模拟生物在自然环境中优胜劣汰、适者生存的遗传和进化过程而形成的一种具有自适应能力的、全局性的概率搜索算法。它是从代表问题可能潜在解集的一个种群开始,首先将表现型映射到基因型即编码,从而将解空间映射到编码空间,每个编码对应问题的一个解,称为染色体或个体。初始种群产生之后,按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的近似解。在每一代,根据问题域中个体的适应度大小选择个体,并借助自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的种群。这个过程使种群像自然进化一样,后代种群比前代更加适应于环境,末代种群中的最优个体经过解码可以作为问题近似最优解。利用遗传算法求解问题的流程如下。

a)建立数学模型。

b)编码,即用设计好的算法将表现型映射到个体基因型。

c)解码,遗传算子只对编码后的染色体起作用,由个体表现型计算目标函数值后就可以判断染色体的优劣。

d)确定适应度转换规则,染色体所对应的解空间的值可能相差很大,需要一定的转换使其适合定量评估个体的优劣。

e)设计遗传算子,即设计交叉、变异和选择算子等。遗传算子与待优化问题、染色体的编码方案有很大的关系。

f)确定运行参数,运行参数包括交叉概率、变异概率和种群数目等。遗传算法本身的参数还缺乏定量的标准,目前采用的多是经验数值,并且遗传参数的选取与编码和遗传算子的设计有很大关系。

目前在遗传算法的应用中,最突出的问题是局部搜索能力差和容易出现早熟现象。近年来,众多学者围绕这两个核心问题发表了大量有价值的学术论文,从各

方面对遗传算法进行了改进。

在遗传算子方面,Pan等人提出自适应变异算子,使得变异能够根据解的质量自适应地调整搜索区域,较明显地提高了搜索能力。Louis等人根据个体之间的海明距离进行非均匀的交叉和变异,在保持群体多样性的同时还防止了早熟。夏虎等人提出了一种考虑环境作用的协同免疫遗传算法,在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了三个子种群协同进化来发挥克隆环境演化算子的作用,从而提高了算法的全局搜索能力。蔡良伟等人提出一种改进的交叉操作,根据种群的多样性和个体的相关性选择不同的交叉策略以减少无效的交叉操作,从而提高了交叉操作的效率并改善了算法的收敛性能。江雷等人提出的基于并行遗传算法求解TSP,对遗传算法的杂交算子进行改进,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化。Whitley等人提出了自适应和有指导的变异,这种方法对改进遗传算法的性能起了一定的作用。

一些学者提出了基于多种群的遗传算法,将一个大的种群分成多个小的种群,每个小种群独立地进行进化,进化一定代数后进行种群间的通信。由于这种方式可以采用并行计算的模式,取得了较好的效果。贺新等人介绍了一种基于新的变异算子多种群的新遗传算法,该算法引入一种基于主群、附属子群的结构,可避免传统遗传算法难以克服的早熟收敛问题。叶在福等人引入多种群,对不同种群赋予不同的控制参数,实现不同的搜索目的,通过移民算子联系各种群,通过人工选择算子保存各种群每个进化代中的最优个体,对遗传算法的早熟现象有了很大的改进。朱灿等人提出了一种考虑性别特征的遗传算法,该方法模拟生物系统多物种同时进化,指出最优种子的获得不但需要一个好的个体(父体),而且需要一个好的进化方向(母体),通过增加母体的方法加速最优物种的进化,从而提高了算法的效率。

遗传算法的控制参数主要有种群数目Npop、交叉概率Pc和变异概率Pm,不同的参数组合对遗传算法的运行性能影响很大。DeJong首先系统地研究了不同的参数组合对遗传算法的性能影响,他对五个函数进行测试后,提出了一组参数选择范围:Npop= 50,Pc= 0.6,Pm= 0.001,这一组参数值后来被作为标准参数广泛使用。丁承明等人提出了利用正交试验法去优化选取控制参数,这种方法利用正交试验的均衡分散性,使得通过较少的试验次数就能搜索大部分参数组合空间,而且还可以确定哪个参数对结果影响最显著,然后有针对性地进行精确的搜索,从而使得参数问题得到圆满解决。李康顺等人提出的改进遗传算法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,克服了传统遗传算法的收敛性差、易早熟等问题。

还有许多学者从其他方面对遗传算法进行了改进,如设计交互式遗传算法、引入量子理论等。这些改进都在某种程度上提高了遗传算法的性能,然而这些改进都具有一定的局限性。因此,提高遗传算法的收敛速度、克服早熟现象将是一个永恒的目标。

由于遗传算法具有全局并行搜索、简单通用、鲁棒性强等优点,使得遗传算法广泛地应用于各个领域。

在计算机科学与人工智能方面遗传算法在计算机科学与人工智能领域中的应用包括数据库查询优化、数据挖掘与知识获取、人工神经网络结构与参数优化、模式识别、专家系统等。另外,遗传算法在软件测试用例自动生成方面也作出了很大的贡献。

组合优化(combinatorialoptimization)研究那些含有有限个可行解的、日常生活中大量存在的问题。这其中一个重要并且普遍的应用领域就是考虑如何有效利用稀缺资源来提高生产力。GA在组合优化问题中的应用包括路径覆盖、装箱、背包、确定最小生成树、机器调度排序与平衡、车辆路径、网络设计与路径、旅行推销员分配等。

将遗传算法用于知识获取,构成以遗传算法为核心的机器学习系统。比较经典的是Holland设计的用于序列决策学习的桶链算法(bucketbrigade)反馈机制(该系统被称为分类器系统),以及机器人规则、概念学习、模式识别等。

早期的经济学研究采用遗传算法来求解数学公式,取得了不错的效果,但离机器学习还差得很远。例如,Lettau在19xx年建立的一个简单的主体模型中就使用了这种方法;Bauer对遗传算法在经济与投资中的应用进行了全面分析。近年来,商业、金融领域已经成为遗传算法应用热点,目前已经有许多基于遗传算法的软件包应用于金融系统和股票投资分析。

遗传算法的研究归纳起来可分为理论与技术研究和应用研究两个方面。可以说,遗传算法的应用已经渗透到了各个领域。但目前遗传算法的算法分析和理论分析还没有跟上,还有很多富有挑战性的课题亟待完善与解决,主要有:

a)算法规模小。虽然遗传算法模拟了生物的进化过程,但目前遗传算法的运行规模还远小于生物的进化规模。随着计算机系统性能的不断提高,人们将有可能实现模拟更接近于自然的进化系统,从而充分利用遗传算法的并行性解决更复杂、更有价值的问题。

b)遗传算法的编码问题。编码是遗传算法求解问题的前提,最基本的是二进制编码。其他的编码方法有格雷码、实数编码、符号编码、多参数编码和DNA编码等。不同的应用应该采用不同的编码方式,因此基于不同的应用,遗传算法的编码还有待改进与完善。

c)遗传算法控制参数的选择问题。遗传算法中控制参数的不同选取会对遗传算法的性能产生较大的影响,将影响到整个算法的收敛性。这些参数包括交叉概率(pc)、变异概率(pm)和种群数目(Npop)等。

d)早熟收敛和局部搜索能力差问题。早熟收敛和局部搜索能力差是遗传算法最突出的两个问题。有很多学者针对这两个问题发表了大量的学术文章,但从根本上解决这两个问题还有待研究发现。

e)遗传算子的无方向性问题。基本遗传算子包括选择算子、交叉算子和变异算子。设计性能优良的遗传算子一直是遗传算法的重要问题,如果能从遗传算子的方向性着手改进遗传算法,有可能会得到意想不到的结果。

对上述问题的深入研究必将大大促进遗传算法理论和应用的发展,遗传算法也必将在智能计算领域中展现出更加光明的前景。