关于泊松的问题（生物信息学的一个问题扩展）

chuchumaolu

实际问题是这样的：
# i6 w" }. X# h+ M/ Z. B在实际基因组测序过程中，我们想从测序的reads的数据情况中了解生物的基因组的大小（未知）？
( |' B8 i. h' ]+ u, Y6 [2 \" @) G
概念解释：
reads：为了知道生物基因组的DNA序列情况，把生物基因组的DNA打断为小的片段，测定每个片段的DNA序列情况，每次测定反应得到的数据叫：reads
* a% U" z7 M7 v测序深度：测序的reads的总大小 /基因组大小，叫测序深度
& r4 b8 c9 E" h) B- t4 S+ m6 y* x
6 O) O5 O' ~4 r之前，生物信息估计基因组大小的方法
我的实验过程是这样的
! Q) A# b4 _% F0 t5 v; r6 e$ r
1、在一个长度为G的大小的字符串中（DNA序列），从头至尾按一定长度去字符串（叫做K-mer）。例如：ATCT,取3-kmer为：ATC,TCT
  K: g3 z( a* V" D! V2、统计相同K-mer出现的次数（叫K-mer的深度）
3、统计相同深度出现的次数（叫深度的频数）
* Y& L! g, y& v* O4、作深度与深度的频数的图

) Y6 _8 w2 Q6 a, Q' W# c$ r8 L5 j  c假设：K-mer的深度与深度的频数图服从泊松分布，可以得到：位置基因组大小=K-mer的个数/K-mer的期望深度（叫peak值）
; ]. t1 ~" h& ?% p: p3 d) u
2 t: u6 v( p4 s, h" @# h我的问题：
5 _. a  O! i# `" F在一个基因组中存在相同的区域，按照上面的做法得到的深度与深度的频数的图，会出现两个峰，其深度关系成2倍关系。
* h2 r( K) j( z' Q2 B0 l那么，
1、这样的图是符合什么数学公式了？
2、能否区分出基因组中重复的区域？
, ]& G% w5 `, h: Q  j& `' f! @
另一个问题，在基因组测序中，由于样品不纯存在污染（混合有其他生物的基因组），做深度与深度的频数的图，也会出现两个峰。
那么，
% h8 x; n- l# u0 Q0 o1、这个可以用数学公式表示吗？
, L" T' U* {8 R( U2、能否区分出污染的数据？

第三个问题，泊松公式能否像三角函数一样，成叠加的性质，（sinx+cosx）


' Q* H+ ]1 F" c# b" s8 q$ `自我介绍
我是学生物的，现在做基因组测序工作，在我们的实际工作中，我们经常要计算位置基因组大小，但是我们做的图都不是标准的泊松分布图，所以按照上面公式估计出的大小有很多偏差；而且在实际工作中，经常会遇到杂合和污染的情况；对我们的估计影响也很大。所以希望从数据上得到一些处理。
& \7 u; U/ D/ `3 ^3 T; b
希望得到数学同志们的帮助，
我的邮箱是：jingyc01@163.com，qq是51178182
! w4 c  U% p+ s7 r) @; ]) W. P  }- K
" R3 P" N5 o6 h. ~$ e  P0 p1 S

禾木星宸

K-mer分析来评估深度确实有这个问题，就算是单峰，估算值和真实值也有偏差。最近我也刚入手开始做基因组的分析，很多自己也不懂呐

chuchumaolu

前两天我和同事讨论了测序错误的问题，发现在测序错误的部分和测序正确的部分不是简单的的叠加，很复杂，所以有那位高人指点一下，我们一起研究。

chuchumaolu

后面我发现了，我觉得很难的东西，其实别人早就做处理了，kmer分析这个东西是落后的东西呀，只是有些数学关系证明还是很有意思，

SDHZTAO

楼主，你写得实在是太好了。我惟一能做的，就只有把这个帖子顶上去这件事了

不学无术

哦～～

wds315

我基本上是采用看英语文章的办法，先泛读，再精读，再一句一句看，最后再提纲挈领，总算是明白一点了，当然，也可能还是领悟错了。最后要说的一句话是：楼主，你很牛叉，希望你不是真的有病。   

fengge

声明一下：本人看贴和回贴的规则，好贴必看，精华贴必回。

tjliang_007

我来了~~~~~~~~~ 闪人~~~~~~~~~~~~~~~~  

镜花水月

强人，佩服死了。呵呵，不错啊