bioinformatics2008-2009semester1ustc二项分布.ppt

生物信息学 第三章 双序列比对 (1) 为什么要序列比对 基于同源物鉴定的功能预测 基本假设： 序列的保守性 功能的保守性 注意： 1. 蛋白质一般在三级结构的层面上执行功能； 2. 蛋白质序列的保守性决定于其编码DNA的保守性； 序列同源性模型中的进化假设 1. 所有的生物都起源于同一个祖先； 2. 序列不是随机产生，而是在进化上，不断发生着演变； 3. 基本假设： 序列保守性 结构保守性 注意：反之可以不为真。 结构保守性 序列保守性 同源物：定义 Ortholog (直系同源物)：两个基因通过物种形成的事件而产生，或源于不同物种的最近的共同祖先的两个基因，或者两个物种中的同一基因，一般具有相同的功能。 Paralog (旁系同源物)：两个基因在同一物种中，通过至少一次基因复制的事件而产生。 Xenolog (异同源物)：由某一个水平基因转移事件而得到的同源序列。 直系同源物：物种形成 旁系同源物：基因复制 一个复杂的问题 直系同源物 vs. 旁系同源物？ 本章内容提要 第一节：序列比对的数学基础：概率及概率模型 第二节：动态规划算法的介绍。Dot matrix，动态规划算法(Needleman-Wunsch, Smith-Waterman算法)， FASTA和BLAST算法的介绍 第三节：打分矩阵及其含义 第四节：序列比对的显著性检验 第五节：同源物有哪些信誉好的足球投注网站 第一节 序列比对的数学基础 概率模型:一个能够通过不同的概率产生不同结果的模型。概率模型可以模拟或者仿真某一类型的所有事件，并且对每个事件赋予一个概率。 概率分布 1. 考虑连续变量x，例如：物体的重量。则当重量确切为1公斤时的概率，为0。 2. 变量的区间：P(x0≤x≤x1) 3. 当区间无限小 - 0时，上式： P(x -δx/2 ≤x≤x + δx/2 ) = f(x)δx 4. f(x)称为概率密度函数 5. 因此： 二项分布 1. 事件只有两种可能出现的结果。例如掷硬币，正面记为“1”，反面记为“0”。 2. 则，掷硬币N次，有k次是1的概率为： 二项分布 (2) 泊松分布 1. 稀有事件发生的概率：在一个连续的时间或空间中，稀有离散变量出现的概率 2. N - ∞, E(x)=μ 例1：鸟枪法的覆盖率 1. 近似的符合泊松分布 (Poisson distribution) 2. 假设：需要测序的BAC长度200kbp; 总共测序的序列数量：N; 每次测序：500bp； 每次测序的覆盖率 p：500/200kbp=0.0025 因此：总覆盖率 C=Np (每个点平均覆盖到的次数) 3. Y: 测序能够覆盖到点X的次数。 鸟枪法：覆盖率 覆盖率 vs. 准确性 泊松分布：例2 Prof. Gene发现一种序列上的调控信号，在人的基因组上平均每500kbp一个。那么，随机给一条1mbp的序列，在上面发现5个这样的信号，完全是随机产生的概率是多少？ 超几何分布 与二项式分布的区别：不放回抽样。 例：有N个球，其中红球M个，白球N-M个，每次拿出一个球再放回，总共n次，其中有m个球是红球的概率为 (二项式分布)： 超几何分布 (2) 上例改为：有N个球，其中红球M个，白球N-M个，每次拿出一个球不放回，总共n次，其中有m个球是红球的概率为： 超几何分布 (3) 上例再改为：有N个球，其中红球M个，白球N-M个，每次拿出一个球不放回，总共n次，其中有至少有m个球是红球的概率为： 超几何分布 (4) 上例再改为：有N个球，其中红球M个，白球N-M个，每次拿出一个球不放回，总共n次，其中有最多有m个球是红球的概率为： 超几何分布：例 Prof. Gene从26873个人的蛋白质中预测了2264个具有某种特定功能的底物，并进行进一步的分析。其中，有421个人的蛋白质具有某种功能结构域D，而在预测的2264个底物中，有94个蛋白质具有结构域D。 问：结构域D在2264个底物中是显著出现，显著不出现，还是随机出现？ 超几何分布：例 (2) 1. N = 26873; n= 2264; M = 421; m = 94; 2. (m/n)/(M/N) = 2.65 3. 因此，问题转化：在26873个人的蛋白质中，抓出2264个蛋白质，其中至少有94个蛋白质具有功能结构域的概率是多少？ 结果 Fisher’s Exact Test 超几何分布的精确概率计算：2X2表 因此，超几何分布计算公式 如上例 a+b+c+d=26873, c+d=2264, b+d=421, d=94， 因此： Fisher’s Exact T