Задание 2. Позиционная весовая матрица последовательности Козак человека¶
Для получения позиционно-весовой матрицы для последовательности Козак человека случайным образом были отобраны 100 генов со случайно выбранных хромосом. Принадлежность гена к прямой или обратной цепи тоже выбиралась случайным образом. Затем были вырезаны необходимые участки длиной 13 нуклеотидов (7 н. до ATG, сам ATG и 3 н. после), и из полученных 100 последовательностей 40 были отобраны для построения матрицы и 60 для ее оценки. Для построения матрицы для человка был взят GC-состав равный 40.2. Для посчета весов матрицы использовалась следующая формула:
$W(b,j) = ln(\frac{\frac{N(b,j)+\epsilon(b)}{N+\epsilon}}{f(b)_{expected}}) $ где $\epsilon(b)=0.25, \epsilon = 1$ - псевдокаунты
Для выполнения этого задания был создан следующий скрипт, который приниает на вход файл human-genes.tsv с описанием генов и создает следующие файлы:
- signals.fasta - выборка искомых последовательностей (7 + ATG + 3) для генов из human-genes.tsv
- train.fasta - последовательности для построения матриц
- random-atg.fasta - выборка последовательностей (7 + ATG + 3) для случайных ATG из генома человека, не принадлежащих началу генов
- pwm.csv - веса матрицы PWM
- ic.csv - веса матрицы IC
- stats.csv - содержит средний вес, расчитанный по матрице PWM, для положительной и отрицателной
выборок, а также p-value для гипотезы о равенстве средних значений весов контролей
Табл.1. Матрица PWM
| Основание | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| A | -0.1790 | -0.8623 | -0.1790 | -0.2832 | 0.2232 | -0.1790 | -0.5314 | 1.1999 | -4.7941 | -4.7941 | 0.0017 | -0.1781 | -0.8623 |
| T | -0.1790 | -0.2832 | -0.6832 | -1.3601 | -1.0805 | -0.3997 | -4.7941 | -4.7941 | 1.1999 | -4.7941 | -0.3997 | -0.8623 | 0.0811 |
| G | 0.1139 | 0.5518 | 0.3126 | 0.1139 | 0.6844 | -0.2861 | 0.5518 | -4.3970 | -4.3970 | 1.5970 | 0.6203 | 0.3126 | 0.5518 |
| C | 0.3126 | 0.3988 | 0.4782 | 0.8553 | -0.4651 | 0.6844 | 0.8553 | -4.3970 | -4.3970 | -4.3970 | -0.4651 | 0.5518 | -0.0025 |
Средние значения весов для положительного и отрицательного контролей составили 5.12 и 2.04 соответсвенно. Значение p-value составило 2.77e-11, благодаря чему можно делать вывод о значимости различий между средними.
