Ab initio methods|Evidence-based methods|maximum-likelihood|branch-site|H1|H0|GO|dS/dN ratio
(Gene prediction and comparison)
使用基于基因组序列的从头预测方法(Ab initio methods)(同时分别使用头预测软件( GENSCAN和 AUGUSTUS)和预测exon和intron的剪切位点。)和基于证据支持的基因预测(Evidence-based methods)(与dog和human比较)。得到不同基因座数目。最后做了一个panda的参考基因集。
(measure the quality of gene prediction):通过比较不同基因组(代表性动物)之间的key参数,得知panda与人是相似的。(evaluate the rate of missing exons in the predicted genes)拿dog和panda与人比gene coverage(为什么dog也要比一下?因为dog与panda亲缘关系很近,所以以此作为可靠性依据),得知确实有oxen missing(因为1.末端2.因为小同时被长inron分离,所以难找);功能基因情况与dog相似。结论:预测效果好(因为可与好注释结果相比较)
(identify gene orthologues among panda, dog, mouse and human):使用InParanoid and Multiparanoid,被至少两个物种共享的同源基因,四个物种共享的同源基因,panda特有基因是狗特有基因(可能是因为dog genome多基于证据,而不是Ab initio methods预测)的两倍。
obtain greater insight into the evolutionary dynamics (进化动力学)of the genes,maximum-likelihood比较每个物种(4个:dog,human,muse,panda)和祖先的区别(同源基因扩张或缩小),得知缺失的功能在进化上有很大作用(由图可知),同时发现参与受体活动的基因是显著差异基因。
maximum-likelihood:最大似然估计:将每个位置所有可能出现的残基替换概率(每个物种和祖先)进行累加,产生特定位点的似然值
(looked for signatures of positive selection)对这些基因做似然比(branch-site)测试,建立一个模型:input:1.人和panda的同源基因;2.panda和rat, mouse and dog中的一个(此数据严格过滤),使用三种H1假设,以panda,Dog和5个物种至少一个作为假设主体,以确定panda,dog或五个物种中的一个是否受到正选择。
功能相同点:Fisher’s exact and Mann–Whitney U tests证明:Dog和 panda的共同的正向选择基因是与免疫和防卫有关基因与原先在哺乳动物中选择的正选择基因一致。GO分析得到panda的正选择基因在免疫系统中。
Fisher’s exact and Mann–Whitney U tests:H0非参数实验
GO分析:功能分析
功能不同点:从GO分析来说,熊猫(和其他6个哺乳动物基因相比)特有两个基因,在dog中两个基因被过表达。
(gain insight into some of the traits unique to the panda)
(diet):
吃竹子并不是熊猫基因决定(因为有编码消化系统基因,但未发现消化纤维的基因),而是消化系统微生物决定的。
介绍了编码五种味觉的基因,bitterness与dog有相似基因,Umami中T1R1是假基因(因为T1R1发生了移码错误),同时发现panda的该基因的ds/dn比dog低(因为panda该基因缺失)。因为该基因的缺失,使得panda虽然分类为食肉动物,但是实际上食草(该基因控制的一个受体可以感知食物中的某一个蛋白质,以此感知Umami,因为该基因缺失了,所以panda不具有该功能,所以无法感受到食物中的“鲜”)。
同义置换和非同义置换率(dS/dN ratio)的估计
(fecundity):我们发现panda genome 中有与其他哺乳动物相似的性发育和性功能的基因。值得再讨论。
Ab initio methods|Evidence-based methods|maximum-likelihood|branch-site|H1|H0|GO|dS/dN ratio的更多相关文章
- 最大似然估计实例 | Fitting a Model by Maximum Likelihood (MLE)
参考:Fitting a Model by Maximum Likelihood 最大似然估计是用于估计模型参数的,首先我们必须选定一个模型,然后比对有给定的数据集,然后构建一个联合概率函数,因为给定 ...
- Maximum Likelihood及Maximum Likelihood Estimation
1.What is Maximum Likelihood? 极大似然是一种找到最可能解释一组观测数据的函数的方法. Maximum Likelihood is a way to find the mo ...
- 似然函数 | 最大似然估计 | likelihood | maximum likelihood estimation | R代码
学贝叶斯方法时绕不过去的一个问题,现在系统地总结一下. 之前过于纠结字眼,似然和概率到底有什么区别?以及这一个奇妙的对等关系(其实连续才是f,离散就是p). 似然函数 | 似然值 wiki:在数理统计 ...
- Don’t Use Accessor Methods in Initializer Methods and dealloc 【初始化和dealloc方法中不要调用属性的存取方法,而要直接调用 _实例变量】
1.问题: 在dealloc方法中使用[self.xxx release]和[xxx release]的区别? 用Xcode的Analyze分析我的Project,会列出一堆如下的提示:Inco ...
- 最大似然估计(Maximum Likelihood,ML)
先不要想其他的,首先要在大脑里形成概念! 最大似然估计是什么意思?呵呵,完全不懂字面意思,似然是个啥啊?其实似然是likelihood的文言翻译,就是可能性的意思,所以Maximum Likeliho ...
- Linear Regression and Maximum Likelihood Estimation
Imagination is an outcome of what you learned. If you can imagine the world, that means you have lea ...
- Maximum Likelihood Method最大似然法
最大似然法,英文名称是Maximum Likelihood Method,在统计中应用很广.这个方法的思想最早由高斯提出来,后来由菲舍加以推广并命名. 最大似然法是要解决这样一个问题:给定一组数据和一 ...
- Maximum likelihood from incomplete data via the EM algorithm (1977)
Maximum likelihood from incomplete data via the EM algorithm (1977)
- [Bayes] Maximum Likelihood estimates for text classification
Naïve Bayes Classifier. We will use, specifically, the Bernoulli-Dirichlet model for text classifica ...
随机推荐
- 今天是 Java 诞生日,Java 24 岁了!
今天是 Java 诞生日,Java 今年 24 岁了,比栈长还年轻..还有得搞,别慌!作为一名Java语言的学习者,对Java的起源和发展有个大概的了解应是必要的. 1991年,Sun公司成立Gree ...
- Maven配置及使用总结
一. 安装Maven 1. Maven官网 http://maven.apache.org/ 2. 本例子下载最新的版本,apache-maven-3.3.9 解压后目录描述: bin 含有maven ...
- 基于Vue的省市区三级联动插件
官网地址:https://distpicker.uine.org/ 安装: npm install v-distpicker --save 局部注册: import VDistpicker from ...
- 搞定C系语言的的swap
http://www.cs.utsa.edu/~wagner/CS2213/swap/swap.html 原地址 Parameters, by value and by reference: Both ...
- bzoj2662: [BeiJing wc2012]冻结 最短路 建图
好久没有1A题啦♪(^∇^*) 一个sb建图,我居然调样例调了10min 看起来是双向边,其实在建图的时候要当成有向图, 否则他会时间倒流(233) 把每个点裂成k个点,然后把每条边裂成4条边(正向反 ...
- oracle 列转行
with temp as( as S3 from dual union all as S3 from dual ) select * from temp unpivot(Qty for Sizes i ...
- 在Eclipse下搭建Hadoop开发环境
在前面的博文中博主展示了如何在虚拟机中搭建Hadoop的单节点伪分布集群,今天给大家介绍一下如何在Eclipse环境中搭建Hadoop的管理和开发环境,话不多说,下面我们就进入正题吧! 1.JDK安装 ...
- spark RPC详解
前段时间看spark,看着迷迷糊糊的.最近终于有点头绪,先梳理了一下spark rpc相关的东西,先记录下来. 1,概述 个人认为,如果把分布式系统(HDFS, HBASE,SPARK等)比作一个人, ...
- 数据结构之Hyperloglog
前置知识 调和平均数 通常我们求一堆数的平均数 就是把一堆数加起来除以这堆数的数量,如 x1, x2, x3, x4, .... ,xn的平均数 H = (x1 + x2 + x3 + x4 + xn ...
- [USACO15OPEN]回文的路径Palindromic Paths
[USACO15OPEN]回文的路径Palindromic Paths 题目描述 Farmer John's farm is in the shape of an N \times NN×N grid ...