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）？
$ u$ Q: j" j3 `$ i" p+ r
4 T, f$ v  z' w5 ]% m+ j概念解释：
1 c5 E' g' U. x$ ]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

之前，生物信息估计基因组大小的方法
  \9 q% a: k+ R" x: M+ ?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
! G5 C# |# T" U0 E' y- G2、统计相同K-mer出现的次数（叫K-mer的深度）
; w& [1 o+ t9 p% G3、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
! ~* }6 e2 @8 z0 J- G; d
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）
9 u( H' L# o5 e  Y: [* A  B; o3 W
9 z" i$ V  @1 J我的问题：
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。
那么，
/ D7 N4 U3 b2 Q4 `1、这样的图是符合什么数学公式了？
# t- V" ]2 k( u7 [/ H  F2、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。
' b# T6 P4 i# v1 S( Q0 d那么，
1、这个可以用数学公式表示吗？
2、能否区分出污染的数据？
. }  t3 a8 f2 T, L, C: `- H* k) N
4 H2 u+ f+ S& V' n4 q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）
4 G: C  _# [5 I6 i3 l' m; y

1 m! R  O2 o, r2 J自我介绍
& _* o8 ~/ ?4 V4 ?. U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。

希望得到数学同志们的帮助，
我的邮箱是：jingyc01@163.com，qq是51178182

, r1 y3 P8 u. Z/ }. Q0 [

: U4 ?  U4 a( ]% g

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