1-BIN-301, 2-AIN-501 Methods in Bioinformatics, 2021/22

Introduction · Rules · Tasks and dates · Materials · Moodle · Discussion


CB05: Rozdiel medzi revíziami

Z MBI
Prejsť na: navigácia, hľadanie
(Brona premiestnil stránku CB05 na CI05)
 
 
(2 intermediate revisions by the same user not shown)
Riadok 1: Riadok 1:
#presmeruj [[CI05]]
+
==Príklady stavových automatov pre HMM==
 +
Uvazujme HMM so specialnym zaciatocnym stavom b a koncovym stavom e, ktore nic negeneruju.
 +
* Nakreslite HMM (stavovy diagram), ktory generuje sekvencie, ktore zacinaju niekolkymi cervenymi pismenami a potom obsahuju niekolko modrych
 +
* Ako treba zmenit HMM, aby dovoloval ako "niekolko" aj nula?
 +
* Ako treba zmenit HMM, aby pocet cervenych aj modrych bol vzdy parne cislo?
 +
* Ako zmenit HMM, aby sa striedali cervene a modre kusy parnej dlzky?
 +
 
 +
V dalsich prikladoch uvazujeme aj to, ktore pismena su v ktorom stave povolene (pravdepodobnost emisie > 0) a ktore su zakazane
 +
* cervena sekvencia dlzky dva, ktora zacina na A
 +
* cervena sekvencia dlzky dva, ktora je hocico okrem AA
 +
* toto sa da rozsirit na HMM, ktory reprezentuje ORF, teda nieco, co zacina start kodonom, potom niekolko beznych kodonov, ktore nie su stop kodonom a na koniec stop kodon
 +
 
 +
Dalsi biologicky priklad HMM: topologia transmembranovych proteinov.
 +
 
 +
==E-hodnota (E-value) zarovnania==
 +
* Priklady k tejto casti v prezentacii {{pdf|Cb-evalue}}
 +
* Mame dotaz dlzky m, databazu dlzky n, skore najlepsieho lokálneho zarovnania S
 +
* E-value je ocakavany pocet zarovnani so skore aspon S ak dotaz aj databaza su nahodne
 +
* Hrackarsky priklad: dotaz dlzky m=10, databaza dlzky n=300, S=6
 +
* Zoberme nas nahodny model s obsahom GC 50%
 +
* Mame vrece s gulockami oznacenymi A,C,G,T, z kazdej 25%
 +
* Vytiahneme gulicku, zapiseme si pismeno, hodime ju naspat, zamiesame a opakujeme s dalsim pismenom atd az kym nevygenerujeme m pismen pre dotaz a n pismen pre databazu
 +
* Pre nase vygenerovane sekvencie spocitame, kolkokrat sa dotaz vyskytuje v databaze
 +
* Cely experiment opakujeme vela krat a spocitame priemerny pocet vyskytov, co bude odhad E-value
 +
 
 +
Vypocet strednej hodnoty vzorcom namiesto simulacie (rychlejsie)
 +
* zlozita matematicka teoria [https://www.ncbi.nlm.nih.gov/BLAST/tutorial/Altschul-1.html]
 +
* E-value sa priblizne da odhadnut vzorcom:
 +
:: <math>E = Kmn e^{-\lambda S}</math>
 +
* n a m su dlzky porovnavanych sekvencii, S je skore, K a lambda su parametre, ktore zavisia od skorovacej schemy a od frekvencii vyskytu jednotlivych baz v nasom modeli nahodnej sekvencie.
 +
* Napr blastn pre skorovaci system zhoda 1, nezhoda -1, medzera -2 používa lambda=0.800, K=0.0640
 +
* <math>E = 0.0640 nm 0.45^S</math>.
 +
* Zdvojnásobenie dĺžky databázy alebo dĺžky dotazu zdvojnásobí E-value
 +
* Zníženie skóre o 1 tiež zhruba zdvojnásobí E-value (delenie 0.45, t.j. nasobenie 2.2)
 +
** Cislo, ktorym nasobime, zalezi od lambda a teda od skorovacej schemy a frekvencii vyskytu baz

Aktuálna revízia z 08:24, 20. október 2021

Príklady stavových automatov pre HMM

Uvazujme HMM so specialnym zaciatocnym stavom b a koncovym stavom e, ktore nic negeneruju.

  • Nakreslite HMM (stavovy diagram), ktory generuje sekvencie, ktore zacinaju niekolkymi cervenymi pismenami a potom obsahuju niekolko modrych
  • Ako treba zmenit HMM, aby dovoloval ako "niekolko" aj nula?
  • Ako treba zmenit HMM, aby pocet cervenych aj modrych bol vzdy parne cislo?
  • Ako zmenit HMM, aby sa striedali cervene a modre kusy parnej dlzky?

V dalsich prikladoch uvazujeme aj to, ktore pismena su v ktorom stave povolene (pravdepodobnost emisie > 0) a ktore su zakazane

  • cervena sekvencia dlzky dva, ktora zacina na A
  • cervena sekvencia dlzky dva, ktora je hocico okrem AA
  • toto sa da rozsirit na HMM, ktory reprezentuje ORF, teda nieco, co zacina start kodonom, potom niekolko beznych kodonov, ktore nie su stop kodonom a na koniec stop kodon

Dalsi biologicky priklad HMM: topologia transmembranovych proteinov.

E-hodnota (E-value) zarovnania

  • Priklady k tejto casti v prezentacii pdf
  • Mame dotaz dlzky m, databazu dlzky n, skore najlepsieho lokálneho zarovnania S
  • E-value je ocakavany pocet zarovnani so skore aspon S ak dotaz aj databaza su nahodne
  • Hrackarsky priklad: dotaz dlzky m=10, databaza dlzky n=300, S=6
  • Zoberme nas nahodny model s obsahom GC 50%
  • Mame vrece s gulockami oznacenymi A,C,G,T, z kazdej 25%
  • Vytiahneme gulicku, zapiseme si pismeno, hodime ju naspat, zamiesame a opakujeme s dalsim pismenom atd az kym nevygenerujeme m pismen pre dotaz a n pismen pre databazu
  • Pre nase vygenerovane sekvencie spocitame, kolkokrat sa dotaz vyskytuje v databaze
  • Cely experiment opakujeme vela krat a spocitame priemerny pocet vyskytov, co bude odhad E-value

Vypocet strednej hodnoty vzorcom namiesto simulacie (rychlejsie)

  • zlozita matematicka teoria [1]
  • E-value sa priblizne da odhadnut vzorcom:
E=Kmne^{{-\lambda S}}
  • n a m su dlzky porovnavanych sekvencii, S je skore, K a lambda su parametre, ktore zavisia od skorovacej schemy a od frekvencii vyskytu jednotlivych baz v nasom modeli nahodnej sekvencie.
  • Napr blastn pre skorovaci system zhoda 1, nezhoda -1, medzera -2 používa lambda=0.800, K=0.0640
  • E=0.0640nm0.45^{S}.
  • Zdvojnásobenie dĺžky databázy alebo dĺžky dotazu zdvojnásobí E-value
  • Zníženie skóre o 1 tiež zhruba zdvojnásobí E-value (delenie 0.45, t.j. nasobenie 2.2)
    • Cislo, ktorym nasobime, zalezi od lambda a teda od skorovacej schemy a frekvencii vyskytu baz