《生信与机器学习兴趣小组》第七次分享讨论/打卡贴 | Lianm's Blog

[Ming-Lian]

https://ming-lian.github.io/2019/09/03/Bioinfo-ML-Club-7th/

[oGcGo]

非常感谢明哥一次次的精心准备与分享！！！

[CoolEvilgenius]

1.1.1用泊松分布建模测序深度与测序覆盖度的关系 设定序列长度为G，读数数目为N，读长为S，测序片段数目为N，落在L中的序列数目为D，D符合重复N次的，平均值为L/G的二项分布，D~（N，L/G）。 若设定L=S，则D=最后一位碱基覆盖的次数（假定序列的起始点落在该区域视为序列落在该区域），则平均值为S/G。当二项分布N→无穷，概率S/G→0。

测序深度 每个碱基被测到的次数 测序覆盖率 被测到至少1次的碱基的数目和全部碱基数目的比值，可以视为任一碱基位点覆盖的概率。

1.1.2用Kmer图评估基因组的重复率和杂合率 按照Kmer频率为横坐标，密度为纵坐标作图。 K-mer的频率=L-K+1，当中间的峰两侧（频率为2倍的位置）有峰，则证明有重复或者杂合。

1.1.3基因组拼接算法：de Bruijn图的构建与搜索欧拉路径 拼接算法：1OLC overlap；2graph。

图论的问题是有节点有边的问题，如七桥问题，如何找到欧氏路径：每座桥只走一次，最后回到出发点。 算法：随机游走的蚂蚁。1随机取得起始点（如果选的不好容易形成局部最优），确认一条欧氏路径2从原来的欧氏路径中包含其它分支路径的点之中，随机选择一个，再次寻找欧氏路径。3不断重复前两步，直到找到最好的欧氏路径。 1.1.4 根据mapping结果，确定突变位点的碱基。 设定D为比对结果，g为实际基因集。设定g1为一致纯合，设定g2为不一致纯合，g3为不一致杂合。 max[P（g1|D）；P（g2|D）]， P（g1|D）=连乘K次（对的概率）连乘L次（错的概率） L：reads总数；k：与参考序列一致的reads数；L-k：与参考序列不一致的reads数；m：倍性（人类为2倍体）。 A的概率=连乘（P（测得对）+P（测得错））=（1-ε）g/m+εg/m。

[wentgithub]

对于人的单个reads来说，Assuming that sequencing error rate is 0.01， 假如参考是C，如果我们现在看到一条reads是C在某个位点 那么 P(reads|A/A, read mapped) = 0.01 P(reads|A/C, read mapped) = 0.50 P(reads|C/C, read mapped) = 0.09