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：
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）？

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
测序深度：测序的reads的总大小 /基因组大小，叫测序深度
& l: L1 Z9 S2 W8 d7 V: m
之前，生物信息估计基因组大小的方法
2 ^5 m! n0 ~2 ]* `+ p: a, i' f# R# D我的实验过程是这样的

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
. g: O; c- s3 I5 d2、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）
4、作深度与深度的频数的图
3 L& Q; J: B; p, s6 g& r: z& m( x
0 C- D) G6 H8 O- ^2 b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）

0 X6 r; g6 P7 I) l- ]" S我的问题：
1 Z. C9 g/ ]/ E+ F1 N6 q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。
. y' o7 w0 |& Z1 I那么，
1、这样的图是符合什么数学公式了？
( B5 T6 a* h! G+ o2 a& C2、能否区分出基因组中重复的区域？

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。
1 B% h3 [' \. S3 O7 L那么，
, u. \  ^' c$ c& v  C4 R2 @$ A* O9 n1、这个可以用数学公式表示吗？
6 e/ m/ G# G: T2 u( W% R3 I2、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）


+ i) T( U9 r0 t# W( u5 x4 \  O自我介绍
2 L4 n5 t' ?5 m3 V2 \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。

; g& N7 ^% q5 ]9 x希望得到数学同志们的帮助，
我的邮箱是：jingyc01@163.com，qq是51178182

8 r: ?9 Z0 T/ m* H: X4 B4 D
  h9 t* J8 r) j* F  a$ D$ F7 m. F
+ e8 w2 Z* P, M8 R) Q; Y  T

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