Биоинформатика

Удлиненные контиги (за счет дополнительной информации)

набор контигов, про который известно, что контиги идут в данном порядке; разрывы между контигами обычно заполняются буквами N в числе, равном предполагаемой длине разрыва

Trimmiomatic

первый и самый важный этап обработки данных

написана на Java

Выдает результат в формате .html

позволяет оценить риды по ряду параметров

Для каждой позиции выдается ящик с усами (boxplot) для качества

5' -> 3'

цепь 5'______ 3'

3'______ 5'

это быстрый многопоточный инструмент командной строки, который можно использовать для обрезки данных Illumina (FASTQ), а также для удаления адаптеров

для обрезки адаптеров после секвенирования

ищет эйлеров путь, который будет контигом (граф Де Брейна в котором в вершинах записаны k-меры, а на ребрах - их перекрытия K-1меры)

2000 пн

- берет массив данных и расчитывает среднее для опр. количества чисел (3) [2357] - 3.3, 5 и т.д.

Trimmomatic использует скоьзящее окно чтобы обрезать последовательность, когда среднее качество нуклеотидов становится <20 (или любое другое Q).

позволяет найти путь в связном графе, чтобы он захватывал все вершины только 1 раз. Нет алгоритма для его нахождения, можно только перебором

проходит по всем ребрам 1 раз

путь, проходящий по всем вершинам графа и притом только по одному разу

позволяет найти Эйлеров граф (ищем место, в котором ошибка, начинаем с него)

использовался при секвенировании небольших геномов по методу Сенгера (большие риды). Получаем риды, ищем перекрывающиеся участки (каждого с каждым), объединяем в одну последовательность и получаем кусочки генома большей длины – контиги.

ориентированный граф, в котором ребро соединяет такие вершины, между которыми есть перекрытие длиной l

сколько ридов содержит конкретный нуклеотид при сборке генома

какая часть молекулы покрыта прочтениями (если читаем вслепую - неизвестна)

N50 (длина самого короткого контига в наборе контигов, упорядоченных по длине, покрывающих половину сборки) и L50 (номер этого контига)

минимальное число контигов, чья суммарная длина не менее половины суммарной длины сборки

- sequence alighment map - файл, где хранится карта выравнивание ридов на референс

(Binary Alignment Map) - файл SAM переведенный в бинарный вид (т.к. он очень большой)

хранится карта выравнивания ридов на референс.

неукорененных - (2n-5)!!

двойной факториал - произведение всех нечетных чисел до этого числа.

Количество укорененных филоген. деревьев - (2n-3)!!

значением Phred с вероятностью ошибки p

Q = -10log(p)

• Основанная на гомологии - структурная

• Основанная на свойствах генов (ab initio) - функциональная

• Основанная на экспрессии генов (экспериментальная)

• Различные частоты кодонов (codon usage bias)

• ГЦ-состав

• Старт и стоп-кодоны

• Сайты сплайсинга

• Транскрипционные и трансляционные сигналы

(genome feature format) - хранит данные об аннотации

Spades

bowtie

фрагментация, лигирование адаптеров, амплификация фрагментов для усиления сигнала

Риды 400-900 нуклеотидов

высокая точность

Не позволяет секвенировать большие последовательности (долго и дорого)

PPi реагирует с фденозитфосфосульфатом с помощью сульфурилазы. образуется АTP, который использует люцифераза для создания свечения.

• Повторы

• Гетерозиготность

• Полиплоидия

• Контаминация

• Ошибки секвенирования

• Неравномерность распределения ридов (из-за GC-состава, например)

1. Получение ридов

2. Контроль качества

3. Тримминг и фильтрация

4. Контроль качества

5. Сборка генома

MUSCLE (итеративно-переборный), ProbCons (точный, но затратный), MAFFT (очень быстрый, работает с FFT от последовательностей), ClustalW(классическое прогрессивное выравнивание, взвешивает последовательности на

основе их guide tree)

Нефункциональные аналоги структурных генов

.gtf, .gff3

1. Получение ридов

2. Контроль качества

3. Тримминг и фильтрация

4. Выравнивание / псевдовыравнивание

5. Подсчет экспрессий (анализ)

1. Получение ридов

2. Проверка качества

3. Выравнивание

4. Анализ

1. Транскриптов больше чем генов

2. У транскриптов разная представленность

3. Надо избавляться от рибосомных РНК

4. Нестабильна

метод анализа результатов секвенирования 2 пок., состоящий в определении позиций в референсном геноме или транскриптоме, откуда с наибольшей вероятностью могло быть получено каждое конкретное короткое прочтение. Обычно является первой стадией в обработке данных в случае, если известен геном

• Вариабельность генома

• Ошибки секвенирования

• Повторы

• Время / большие объемы данных

обработки BAM-файлов (сортировки по координате вхождения в референс, удаления дубликатов, фильтрации по количеству вхождений)

(Interactive Genomic Viewer) - при загрузке туда референса и ВАМ-файла позволяет визуализировать картирование

Прогрессивный подход

вероятность получить выравнивание, полученной по той же базе данных с таким же запросом, с таким же или большим весом по случайным причинам

Если оно большое - нулевая гипотеза верна

математическое ожидание того, что эта последовательность (результат BLAST) нашлась случайно. Чем она ниже, тем лучше.

компьютерная программа (написанная на языке ANSI C), которая устраняет плохо выровненные позиции и расходящиеся участки выравнивания последовательностей ДНК или белков. Используется (нами) для маскирования мусорных позиций

скорость накопления мутаций

селективное давление

скорость синонимичных мутаций

скорость несинонимичных мутаций (изменение амк)

В отсутствие эволюционного давления синонимичная и несинонимичная скорости равны, поэтому соотношение dN/dS равно 1

несинонимичные мутации полезны. N>S

коэффициент замены аминокислот благоприятствует отбору, и dN/dS > 1

<1

N<1

Eстественный отбор предотвращает замену аминокислот, поэтому dN будет ниже, чем dS, и dN/dS < 1.

гомологи, разделение которых произошло в результате видообразования

гомологи, разделение которых произошло в результате дупликации.

анализа качества построенных деревьев

– инструмент для построения филогенетических деревьев, оценки моделей эволюции и оценки достоверности полученных деревьев. IQ-TREE принимает в качестве входных данных множественное выравнивание последовательностей и реконструирует эволюционное дерево, которое лучше всего объясняется входными данными. 

• Оценки модели нуклеотидных/аминокислотных замен

• Построения филогенетического дерева

• Статистической оценки полученного дерева (bootstrap)