请写一个代码，将五条蛋白质序列使用 UPGMA 方法用于构建系统进化树，不要使用其他库

UPGMA (Unweighted Pair Group Method with Arithmetic Mean) 是一种基于距离的聚类方法，常用于生物信息学领域生成进化树。在Python中，我们可以手动实现这个过程，但这里需要明确的是，实际计算过程中通常会依赖于专门的数据结构和数学操作，尤其是矩阵运算。以下是一个简单的示例，展示如何创建一个简化的UPGMA算法来构建进化树，假设我们有一个包含五个蛋白质序列的长度列表：

# 假设我们有5个蛋白质序列，每个序列的长度作为特征向量
protein_sequences = {
    "seq1": [60, 70, 80, 90, 100],  # 这里仅作示例，实际应为氨基酸组成序列
    "seq2": [55, 65, 75, 85, 95],
    "seq3": [45, 55, 65, 75, 85],
    "seq4": [35, 45, 55, 65, 75],
    "seq5": [25, 35, 45, 55, 65]
}

# 计算所有序列之间的欧氏距离矩阵
distance_matrix = [[None] * len(protein_sequences) for _ in range(len(protein_sequences))]
for i in range(len(protein_sequences)):
    for j in range(i + 1, len(protein_sequences)):
        distance_matrix[i][j] = sum((x - y) ** 2 for x, y in zip(protein_sequences[protein_sequences.keys()[i]], protein_sequences[protein_sequences.keys()[j]]))
        distance_matrix[j][i] = distance_matrix[i][j]

# 将对角线元素设置为0
for row in distance_matrix:
    row[row.index(None)] = 0

# UPGMA算法的核心部分：递归合并最近的簇
clusters = list(range(len(protein_sequences)))
tree = []
while len(clusters) > 2:
    min_distance = float('inf')
    cluster_a = None
    cluster_b = None
    
    for a in clusters:
        for b in clusters:
            if a != b and distance_matrix[a][b] < min_distance:
                min_distance = distance_matrix[a][b]
                cluster_a = a
                cluster_b = b
                
    # 合并两个最小距离的簇，并更新距离矩阵
    mean_distance = (distance_matrix[cluster_a][cluster_b] + distance_matrix[cluster_b][cluster_a]) / 2
    for c in clusters:
        if c not in [cluster_a, cluster_b]:
            distance_matrix[c][cluster_a] = mean_distance
            distance_matrix[c][cluster_b] = mean_distance
            
    tree.append([cluster_a, cluster_b])
    clusters.remove(cluster_a)
    clusters.remove(cluster_b)

# 最后的树是一个列表嵌套列表，表示节点关系
print("进化树构建结果:", tree)