Update app.py

app.py

@@ -4,35 +4,17 @@ import matplotlib.pyplot as plt
 import random
 from scipy.stats import entropy as scipy_entropy
 import time
-import imageio
-from datetime import datetime
-
-st.set_page_config(layout="wide")
 
 # --- ПАРАМЕТРЫ ---
 seqlen = 60
 min_run, max_run = 1, 2
 ANGLE_MAP = {'A': 60.0, 'C': 180.0, 'G': -60.0, 'T': -180.0, 'N': 0.0}
 bases = ['A', 'C', 'G', 'T']
+population_size = 10  # размер популяции "организмов"
+survival_rate = 0.5  # процент выживших для следующего поколения
 
 # --- ФУНКЦИИ ---
 
-# Функция для нахождения локальных минимумов (например, биомашин)
-def find_local_min_runs(profile, min_run=1, max_run=2):
-    result = []
-    N = len(profile)
-    i = 0
-    while i < N:
-        run_val = profile[i]
-        run_length = 1
-        while i + run_length < N and profile[i + run_length] == run_val:
-            run_length += 1
-        if min_run <= run_length <= max_run:
-            result.append((i, i + run_length - 1, run_val))
-        i += run_length
-    return result
-
-# Функция для мутации последовательности
 def bio_mutate(seq):
     r = random.random()
     if r < 0.70:
@@ -67,7 +49,6 @@ def bio_mutate(seq):
         seq += random.choice(bases)
     return seq[:seqlen]
 
-# Функция для вычисления автокорреляции
 def compute_autocorr(profile):
     profile = profile - np.mean(profile)
     result = np.correlate(profile, profile, mode='full')
@@ -75,27 +56,29 @@ def compute_autocorr(profile):
     norm = np.max(result) if np.max(result) != 0 else 1
     return result[:10]/norm
 
-# Функция для вычисления энтропии
 def compute_entropy(profile):
     vals, counts = np.unique(profile, return_counts=True)
     p = counts / counts.sum()
     return scipy_entropy(p, base=2)
 
-# Функция для вычисления фрактальной размерности (корреляционной размерности)
-def correlation_dimension(data, max_radius=20, min_points=5):
-    N = len(data)
-    dimensions = []
-    for radius in range(1, max_radius):
-        count = 0
-        for i in range(N):
-            for j in range(i + 1, N):
-                if np.abs(data[i] - data[j]) < radius:
-                    count += 1
-        if count > min_points and radius > 1:
-            dimension = np.log(count) / np.log(radius)
-            dimensions.append(dimension)
+def genetic_algorithm(population):
+    """Эволюционный алгоритм для отбора и мутации."""
+    # Отбор лучших организмов
+    population.sort(key=lambda x: x[1])  # сортируем по фитнесу (энтропия)
+    survivors = population[:int(population_size * survival_rate)]
+    
+    # Кроссовер: создаем новых организмов на основе выживших
+    offspring = []
+    for i in range(len(survivors) // 2):
+        parent1, parent2 = survivors[i], survivors[-i-1]
+        crossover_point = random.randint(0, seqlen)
+        child1 = parent1[0][:crossover_point] + parent2[0][crossover_point:]
+        child2 = parent2[0][:crossover_point] + parent1[0][crossover_point:]
+        offspring.append((bio_mutate(child1), 0))
+        offspring.append((bio_mutate(child2), 0))
     
-    return np.mean(dimensions) if dimensions else 0
+    # Возвращаем новое поколение
+    return survivors + offspring
 
 # --- UI ---
 st.title("🔴 Живой эфир мутаций ДНК")
@@ -105,10 +88,10 @@ stop = st.checkbox("⏹️ Остановить")
 plot_placeholder = st.empty()
 
 if start:
-    seq = ''.join(random.choices(bases, k=seqlen))
+    # Начальная популяция
+    population = [(random.choices(bases, k=seqlen), 0) for _ in range(population_size)]
     stat_bist_counts = []
     stat_entropy = []
-    stat_fractal = []
 
     step = 0
     while True:
@@ -116,28 +99,28 @@ if start:
             st.warning("⏹️ Эфир остановлен пользователем.")
             break
 
-        if step != 0:
-            seq = bio_mutate(seq)
+        # Мутация и оценка каждого организма в популяции
+        for i in range(population_size):
+            seq, _ = population[i]
+            torsion_profile = np.array([ANGLE_MAP.get(nt, 0.0) for nt in seq])
+            ent = compute_entropy(torsion_profile)
+            population[i] = (seq, ent)
+        
+        # Применяем эволюционный алгоритм
+        population = genetic_algorithm(population)
 
-        torsion_profile = np.array([ANGLE_MAP.get(nt, 0.0) for nt in seq])
-        runs = find_local_min_runs(torsion_profile, min_run, max_run)
-        stat_bist_counts.append(len(runs))
-        ent = compute_entropy(torsion_profile)
+        # Статистика для отображения
+        stat_bist_counts.append(len(population))
+        ent = np.mean([ind[1] for ind in population])  # средняя энтропия
         stat_entropy.append(ent)
-        
-        acorr = compute_autocorr(torsion_profile)
-        
-        fractal_dimension = correlation_dimension(torsion_profile)
-        stat_fractal.append(fractal_dimension)
+        acorr = compute_autocorr(np.array([ANGLE_MAP.get(nt, 0.0) for nt in population[0][0]]))
 
-        fig, axs = plt.subplots(4, 1, figsize=(10, 10))
+        fig, axs = plt.subplots(3, 1, figsize=(10, 8))
         plt.subplots_adjust(hspace=0.45)
 
-        axs[0].plot(torsion_profile, color='royalblue')
-        for start_, end_, val in runs:
-            axs[0].axvspan(start_, end_, color="red", alpha=0.3)
+        axs[0].plot([ANGLE_MAP.get(nt, 0.0) for nt in population[0][0]], color='royalblue')
         axs[0].set_ylim(-200, 200)
-        axs[0].set_title(f"Шаг {step}: {seq}")
+        axs[0].set_title(f"Шаг {step}: {population[0][0]}")
         axs[0].set_ylabel("Торсионный угол")
 
         axs[1].plot(stat_bist_counts, '-o', color='crimson', markersize=4)
@@ -148,10 +131,6 @@ if start:
         axs[2].set_title(f"Автокорреляция / Энтропия: {ent:.2f}")
         axs[2].set_xlabel("Лаг")
 
-        axs[3].plot(stat_fractal, '-o', color='green', markersize=4)
-        axs[3].set_title("Фрактальная размерность")
-        axs[3].set_ylabel("Размерность")
-        
         plot_placeholder.pyplot(fig)
         plt.close(fig)