Учебная страница курса биоинформатики,
год поступления 2020

Семестры Студенты Преподаватели

• 2023
• 2022
• 2021
• 2019
• 2018
• 2017
• 2016
• 2015

• ...

constructed

....

3.b Второе правило Чаргаффа

Для применения статистики нужно выдвинуть так называемую нулевую гипотезу о случайности появления буквы A или буквы T из комплементарной пары A-T на одной цепочке ДНК с вероятностями по 1/2 и независимо друг от друга. Т.е. принять распределение Бернулли и вычислить вероятность случайного появления наблюдаемого или большего отклонения от ожидаемого - число A = число T. См ниже как.

4. GC состав генома

В статье https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3053387/ в Table 1 перечислены GC составы некоторых видов бактерий из разных отделов бактерий. В обсуждении сравните GC состав вашей бактерии с таковым у других представителей того же отдела.

5. Анализ k-меров с маленьким k

Найдите k-меры (слова длины k) экстремальные по отклонению от ожидаемого, недопредставленные и перепредставленные. Пороги, принимаемые на основе опыта: cb < 0.8 - слово недопредставлено, cb > 1.2 - перепредставлено. Математического обоснования нет, так что эти пороги не более, чем орентировочные. Для экстремалов по cb надо искать причину. Иногда известна, чаще - нет.

6. Найдите и опишите повторяющиеся последовательности в геноме, появление которых нельзя объяснить случайностью

Нельзя объяснить случайностью совпадение длинных слов. Например разных слов длины 20 всего 4^{20 = 2}40 примерно 1000^{4 = 10}12. В геноме число слов длины 20 примерно равно его длине N, т.к. слово может начинаться с 1 нукл, 2го, 3го и т.д. до (длина генома -20)го. Вероятность совпадение двух слов при N имеет порядок (1/10^12)*N, т.е очень мала.

Найдем длинные слова длины 30, встречающиеся в геноме не менее 20 раз! В моем примере числа 30 и 20 подобрал путем перебора, чтобы получить не слишком много находок, но более одной:

wordcount -wordsize 30 -mincount 20 -srevers1 neverov_genome.fasta stdout

stdout можно заменить на имя выходного файла

wordcount для слов такой длины работает заметное время, много минут.

Выберем одно из найденных слов и найдем координаты всех таких слов в геноме:

fuzznuc -pattern GTTTGTAGCTTACCTATAAGGGATTGAAAC  -srevers1 neverov_genome.fasta stdout

Получили результат, довольно удивительный в этом примере!

Можно разрешить, например, два несовпадения в слове с геномом с тем которое ищется:

 fuzznuc -pattern GTTTGTAGCTTACCTATAAGGGATTGAAAC  -srevers1 -pmismatch 2 neverov_genome.fasta stdout | wc -l

wc поставил в pipeline чтобы посчитать число находок.

Число находок увеличилось - стало 194 а было 129. Случайное совпадение остается маловероятным.

Далее что интересно. Сравнить координаты находок анализируемого слова с координатами генов. Если внутри генов, то это дупликации генов? Каких?

Если нет, то на одной ли цепочки или на разных? Идут ли они близко расположенными парами? Инвертированные повторы (если в паре они на разных цепочках) или тандемные повторы (на одной цепочке). Всякие такие повторы крайне интересны, даже если объяснить их вам не удается.

Так открытие знаменитых CRISPR-Cas систем, использующиеся для генной инженерии и даже генной терапии людей, началось с того, что в 90х годах японский учёный (сейчас не помню фамилии, надо посмотреть) обнаружил в геноме повторяющиеся последовательности - странные потому что не мог их объяснить. Потом их назвали CRISPR (R от repeat), лет через 10 кое какое объяснение было найдено, и еще лет через пять стали использовать для генной инженерии. Дата по памяти, могу ошибиться +/- пять лет. Если спросите - посмотрю и отвечу

Старые подсказки

• Постройте гистограмму числа "квазиоперонов" по числу генов. У бактерий и архей оперон - участок ДНК с одним или несколькими генами белков, транскрибируемый в одну матричную ДНК. Таким образом, гены в одном опероне закодированы на одной цепочке ДНК. Как правило, расстояние между ними небольшое.

Иногда используют простейший способ предсказания оперонов. "Квазиопероном" назовем максимальную последовательность генов, закодированных на одной цепочке с промежутками между генами не более порога, например, 100 п.н. Квазиоперон может состоять и из одного гена.

Постройте гистограмму числа квазиоперонов по числу генов в квазиопероне в вашем геноме.

• Постройте гистограмму числа "квазиоперонов" в зависимости от порога на расстояние.Советую сделать ячейку с параметром порог длины с числом 100. Тогда изменение числа квазиоперонов при изменении порога получается изменением значения этого параметра.

Число генов в квазиопероне легко посчитать с помощью СЧЁТЕСЛИ. И гистограмму недолго построить.

• Проверьте гипотезу о том, что гены распределены по цепочкам случайно с вероятностями 0,5 Пусть в вашем геноме 5000 генов белков и 2450 - на одной цепи, 2550 - на другой. Отклонение от ожидаемого числа 2500 равно 50. Надо ответить на вопрос возможно ли получить такое или большее отклонение при независимом случайном выборе цепочки для каждого гена.

  1. Подбросим монетку 5000 раз, посчитаем сколько раз выпал орел, каково отклонение от ожидаемого 2500 и сравним с наблюдаемым нами отклонением 50. Если больше или равно - ставим плюс, если меньше - ставим минус.
  2. Повторим эксперимент, допустим, 100 раз (а лучше - 1000).
  3. Пусть из 100 экспериментов только один раз отклонение оказалось больше или равно наблюдаемому нами 50. Значит, вероятность увидеть отклонение 50 или больше примерно равна 1/100 = 0.01. Вывод. Если мы готовы считать, что событие с вероятностью 0.01 маловероятное, то полученное нами отклонение 50 противоречит гипотезе о независимом случайном равновероятном выборе цепочки для гена. Значит, надо искать причины.
  Симулируем бросание монетки по числу генов и повторяем этот эксперимент 100 раз (можно больше).

Первое испытание - в колонке 1. Используйте СЛУЧМЕЖДУ нулем ("решка") и единицей ("орел"). Функция выдает 0 или 1 с равной вероятностью.

Распространите формулу вниз столько раз, сколько генов в вашем геноме. В этом же столбце (например, в верхних ячейках) рассчитайте число орлов (СЧЁТЕСЛИ) и отклонение числа орлов от ожидаемого - без знака!.

Распространите все формулы в сто соседних столбцов. Посчитайте сколько раз отклонение больше или равно тому, которое вы обнаружили в своем геноме.

Сделайте вывод.

Замечание В Excel есть формула, которая сразу выдает нужный вам ответ - вероятность получить такое же или большее число отклонений от среднего, какое вы обнаружили. Если вы что-то знаете по теории вероятности, то можете ее найти и применить. При применении тоже есть некоторые фокусы, которые - не понимая что делаете - вы не сумеете учесть! Поэтому ...

Мой мальчик! Тебе эту песню дарю.
Рассчитывай силы свои.
И, если сказать не умеешь "хрю-хрю", -
Визжи, не стесняясь: "И-и!"
                 С.Маршак

• Представьте статистические данные о пересечениях генов (если таковые обнаружатся). Постройте гистограмму длин пересечения генов белков в вашем геноме пересекающихся

Длинное пересечение генов - удивительная вещь, но в природе встречается. Также случаи пересечения генов могут быть результатом ошибки в предсказании кодирующих последовательностей. Для одного или трех типов пересечения голова к хвосту, голова к голове, хвост к хвосту. Отметить гены, пересекающиеся с предыдущим, можно в новой колонке с помощью ЕСЛИ. В следующей колонке можно вычислить сдвиг рамки и ориентацию пересекающихся генов друг относительно друга. Придумайте, как это сделать!

Если сделали, то посчитать число пар пересекающихся генов можно с помощью СЧЁТЕСЛИ.

• (Самое важное и трудное) Представьте статистику белков по категориям достоверности их существования. Cведения о том, каким образом подтвеждено существование гена можно получить только из базы данных белков Uniprot

В таблице с генами есть колонка product_accession. Зайдите на сайт Uniprot и выберите Retrieve/ID mapping. Этот сервис служит для перекодировки из одной системы идентификации в другую. Отфильтруйте идентификаторы кодирующих последовательностей (а не РНК - у РНК нет "продуктов"), скопируйте колонку идентификаторов и вставьте в окно Provide your identifiers. Выберите FROM: EMBL/GenBank/DDBJ CDS, TO: Uniprot KB => Go.

Получите таблицу, которую можно скачать в формате Excel. Однако сначала надо отредактировать колонки таблицы => Columns. Оставьте колонки Entry name, добавьте Protein Existence (из колонки Miscellaneous), Length, Protein names.

Скачайте в формате Excel, скопируйте на страницу своего файла, и сделайте сводную таблицу по полю "Protein exsistence". Прочитайте где-нибудь что значит каждая из категорий.

Сведения о том, каким образом подтвеждено существование гена можно получить только из базы данных белков Uniprot. Как это сделать - см. в подсказках.

Тот же финт с прекодировкой можно применить к столбцу GeneID, выбрав соответственно БД GeneID (Entrez Gene) в окошке From. (Enrez - так называется совокупность баз данных и сервисов на странице NCBI)