HMM профиль, ROC-кривая

Вернуться на страницу семестра

Задание 1. Определить целевое семейство белков. Составить список белков семейства из `SwissProt`

Для работы был выбран домен Sec23/Sec24 trunk. Ссылка на страницу в pfam. AC Seq23_trunk. ID PF04811. С ним был связан предыдущий практикум, и дополнительную информацию о домене можно узнать из него. В базе данных Pfam HMM профиль любого домена можно скачать, но я наложу дополнительные условия - белок должен быть у представителя млекопитающих. Запрос в банке Uniprot следующий: database:(type:pfam id:PF04811) taxonomy:"Mammalia [40674]" AND reviewed:yes. Находок 14. Они вынесены на лист 1 окончательного файла Excel.

Задание 2. Построение и откалибровка профиля

Из Uniprot скачены fasta последовательности, в JalView они выровнены алгоритмом Muscle. Удалена 1 последовательность O94855. Ссылка на проект выравнивания.

Рисунок 1. Выравнивание последовательностей


Пользуясь программами, установленными на kodomo, получаю из выравнивания профиль и калибрую его.
Профиль: hmm2build profile.txt pr8_align.mfa - построение профиля.
Калибровка: hmm2calibrate profile.txt - калибровка профиля.
Полученный профиль - profile.txt

Задание 3. Получение результатов поиска по профилю на множестве последовательностей SwissProt

C помощью программы, установленной на kodomo, среди записей банка данных Swissprot были найдены последовательности, соответствующие построенному профилю. Замечание по работе программы: по умолчанию отбираются находки с E-value < 10. Получится, что большинство находок правильные, всего несколько штук - возможно, неправильные. Для подбора порога надо чтобы неправильных тоже было много - сравнимо с числом правильных. Поэтому порог E-value для доменов убран --domE 1000 (т.е. порог по E равен 1000). Снижен порог для веса --domT -50.
Команда: hmm2search --domE 1000 --domT -50 profile.txt /srv/databases/emboss/data/uniprot/uniprot_sprot.fasta > find.txt
Выходной файл - find.txt
Найденные данные по доменам были добавлены на лист 2 файла Excel. В нём отмечены последовательности, изначально найденные в Uniprot.

Задание 4. Выбор порога нормализованного веса для находок по профилю, ROC-кривая, гистограмма

Гистограмма весов находок

Построена гистограмма весов всех находок, хороших и плохих. Видим 2 ступеньки нормализованного веса (резкое падение) - позиция 7 и 19 - вес падает с 2122,3 до 1303 и с 1012 до 540 соответственно. Известны представители семейства и то, что они заканчиваются как раз на второй ступеньке. Поэтому порог будем считать 1012.

Рисунок 2. Гистограмма весов находок

ROC-кривая

ROC-кривая (Receiver Operator Characteristic) показывает зависимость количества верно классифицированных положительных примеров от количества неверно классифицированных отрицательных примеров (SE от 1-SP). Определения TP, TN, FP, FN изображены на примере диагностики заболеваний на рисунке 3. Если развить пример с пациентами, то чувствительность (sensitivity) - это доля позитивных результатов теста в группе больных пациентов, а специфичность (specificity): доля негативных результатов теста в группе здоровых пациентов. Формулы - SE = TP / (TP + FN), SP = TN / (TN + FP). На основе вычислений, приведённых в файле Excel

Рисунок 3. Пояснение к статистической обработке, в таком же порядке вычисления в Excel-файле

Рисунок 4. ROC-кривая


Файл Excel со всеми расчётами и таблицами.
Вывод: профиль точен для определения принадлежности белка к семейству. Все белки из Swissprot были найдены и чтобы убрать излешек вводим порог 1012. Для него Sensitivity = 1, Specificity = 0,96, Precision = 0,96, Precision = 0,96
Выставленный порог веса позволяет точно выявлять белки искомого семейства и отвергать ложные находки: если вес >= порогу, то белок принадлежит семейству, если <, то гипотеза отвергается. 


Источники

© Миронова Екатерина 2018 год