кластеризовать короткие, однородные строки (ДНК) в соответствии с общими подструктурами и извлечь консенсус классов

Question

Задача:
сгруппировать большой пул коротких фрагментов ДНК в классах, которые имеют общие шаблоны подпоследовательностей, и найти консенсусную последовательность каждого класса.

• Бассейн: ок. 300 последовательностей фрагментов
• 8 - 20 букв на фрагмент
• 4 возможных буквы: a, g, t, c
• каждый фрагмент структурирован в трех областях:
  1. 5 общих букв
  2. 8 или более позиций g и c
  3. 5 общих букв
     (В качестве регулярного выражения это будет [gcta]{5}[gc]{8,}[gcta]{5})

План:
выполнить множественное выравнивание (то есть withClustalW2), чтобы найти классы, которые имеют общие последовательности в области 2 и их согласованные последовательности.

Вопросы:

1. Являются ли мои фрагменты слишком короткими, и поможет ли это увеличить их размер?
2. Является ли область 2 слишком однородной, только с двумя разрешенными типами букв, для отображения шаблонов в ее последовательности?
3. Какие альтернативные методы или инструменты вы можете предложить для этой задачи?

С уважением,

Simon

Answer 1

Да, 300 ДАЛЕКО СЛИШКОМ МНОГО, учитывая, что это человеческий геном, и вы, по сути, просто ищете конкретный 8-член. В геноме имеется 65 536 возможных 8-членных и 3 000 000 000 уникальных оснований (при условии, что вы смотрите на весь геном, а не только на генные или кодирующие области). Вы найдете G / C, содержащий последовательности 3 000 000 000/65 536 * 2 ^ 8 = ~ 12 000 000 раз (и, вероятно, намного больше, поскольку геном полон островков CpG по сравнению с другими вещами). Почему выбирают только 300?

Вы не хотите использовать регулярные выражения для этой задачи. Просто начните с хромосомы 1, найдите первый CG или GC и продолжайте, пока не получите свой первый не-G-или-C. Затем возьмите эту последовательность, ее контекст и сохраните ее (в БД). Промыть и повторить.

Для этого проекта Clustal может быть излишним - но я не знаю ваших целей, поэтому не могу быть уверен. Если вас интересует только регион GC, то вы можете сделать несколько простых кластеров, например:

1. Создайте запись в базе данных для каждого главного счетчика (2 ^ 8 = 256 всего).
2. Возьмите каждый GC-регион и пройдите по нему, чтобы увидеть, в каких 8-членах он содержится.
3. Пометить каждый GC-регион последовательностями, которые он содержит.

Теперь для каждого 8-го числа у вас есть тысячи последовательностей, которые его содержат. Я оставлю анализ данных на ваше усмотрение.

Answer 2

Ваш регион два с двумя буквами может оказаться слишком похожим, может помочь увеличение длины или изменчивости (например, больше букв).