पिछले लेखों ( 1 , 2 ) में, हम इस बात से परिचित थे कि जैविक प्रयोग के आधार पर डेटा कैसे दिख सकता है। इन विज़ुअलाइज़ किए गए डेटा के आधार पर, यह अनुमान लगाया गया था कि सेल के अंदर क्या हो रहा है। अब इस बात पर ध्यान दें कि गणितीय रूप से और एल्गोरिथम डेटा का विश्लेषण कैसे करें ताकि मशीनें हमारे लिए नियमित रूप से कर सकें। दुर्भाग्य से, डेटा विश्लेषण पर कई लेखों को पढ़ने के बाद, मुझे यह धारणा मिली कि कोई एकल या सबसे सार्वभौमिक समाधान नहीं है। ऐसे एल्गोरिदम हैं जो एक निश्चित डेटा सेट पर खुद को अच्छी तरह से दिखाते हैं, और अन्य मामलों में वे अब कार्यों को पूरा नहीं करते हैं।

शुरुआत करने के लिए, मैं लेख में उपयोग की जाने वाली बुनियादी अवधारणाओं को थोड़ा याद दिलाना और समझाना चाहता हूं। हर बार मैं नरकट के बारे में बात करता हूं, और वे कैसे प्राप्त होते हैं, मैं आश्चर्य और गलतफहमी में आता हूं। और फिर संयोग से, कागज के ढेर को श्रेडर में फेंकने से, मुझे एहसास हुआ कि आप कैसे पढ़ते हैं, यह समझाने की कोशिश कर सकते हैं। मान लीजिए आपके पास एक पुस्तक है, पुस्तक स्वयं एक सेल है, और पुस्तक का प्रत्येक अध्याय डीएनए है। आपके पास इस पुस्तक की कई मिलियन प्रतियां स्टॉक में हैं। आपने एक श्रेडर को किताबें खिलाईं जिन्होंने उन्हें स्ट्रिप्स में काट दिया। यहां आप कटा हुआ पेपर स्ट्रिप्स के साथ एक कंटेनर लेते हैं, उन्हें अच्छी तरह से मिलाते हैं और जो आपको पहले मिला है उसे प्राप्त करते हैं। इसके बाद, स्ट्रिप्स को सावधानीपूर्वक बिछाएं, एक छोटा टुकड़ा दो तरफ से काटें और कटे हुए हिस्सों को एक अलग बॉक्स में मोड़ें। ये छोटे टुकड़े - और वहाँ नरकट, धारियाँ हैं - ये टुकड़े हैं। अगला, एक निश्चित कार्यक्रम की मदद से, हम यह निर्धारित करते हैं कि कट टुकड़ा स्थित पुस्तक के किस भाग में है। कभी-कभी हम भाग्यशाली होते हैं, और हम पुस्तक में उस स्थान को इंगित कर सकते हैं जहां से टुकड़ा काटा गया था। कभी-कभी कार्यक्रम इस टुकड़े के स्थान के लिए कई संभावित विकल्प निर्धारित करता है, उदाहरण के लिए, इस तथ्य के कारण कि कुछ अध्याय पिछले एक को दोहराने के साथ शुरू हुए या सभी कार्यों के परिणामस्वरूप, कुछ अक्षर मिट गए, और वे पुस्तक में नहीं पाए गए। धारियों के टुकड़ों के साथ क्या हो सकता है के विषय पर विविधताओं की संख्या बहुत बड़ी है, यदि आप उन सभी पर चर्चा करते हैं, तो आप एल्गोरिदम तक नहीं पहुंच सकते। मुझे उम्मीद है कि अब यह स्पष्ट हो जाएगा कि क्या है

एल्गोरिथ्म का वर्णन करते हुए, मैं उस डेटा का उपयोग करने के बारे में बात करूंगा जिस पर डेवलपर्स ने इसका परीक्षण किया था। लेकिन इसका मतलब यह नहीं है कि इसका इस्तेमाल दूसरी तरह के डेटा पर नहीं किया जा सकता है। मैं उन एल्गोरिदम की कमियों की पहचान करने की भी कोशिश करूंगा जो मुझे सामना करना पड़ा। मेरा एल्गोरिदम को व्यवस्थित करने का इरादा नहीं है, मैं उन्हें समूहों में उस क्रम में वर्णन करूंगा जिसमें उनका उपयोग अनुक्रमित डेटा के सामान्य विश्लेषण में किया गया था। इस लेख में मैं "एक एडॉप्टर द्वारा प्रदूषण" के एक सरल विश्लेषण और परिदृश्य की प्रारंभिक तैयारी के बारे में बात करूंगा, और शायद अगले लेख में, या एक के माध्यम से, प्राप्त आंकड़ों की गुणवत्ता का आकलन करने के बारे में।

एडॉप्टर संदूषण

अनुक्रमण उपकरण कंपनियां भी संबंधित किट का उत्पादन करती हैं: स्लाइड, ट्यूब, अभिकर्मक। अनुक्रमण के लिए आवश्यक एक प्रकार का अभिकर्मक पॉली न्यूक्लियोटाइड श्रृंखला है, जिसे एडेप्टर कहा जाता है।

तैयार सामग्री के विभिन्न प्रकार के संदूषण हैं। उनमें से एक एडॉप्टर प्रदूषण है। ऐसे प्रदूषण का विश्लेषण सरल है। पहले, दूसरे, आदि में न्यूक्लियोटाइड्स की आवृत्ति की गणना करना आवश्यक है। प्राप्त FASTA / FASTQ फ़ाइल की स्थिति। प्राप्त आंकड़ों के आधार पर, एक तालिका संकलित की जाती है। निम्नलिखित उदाहरण का उपयोग करके अधिक विस्तार से विश्लेषण प्रक्रिया पर विचार करें, तालिका के पहले 9 कॉलम नीचे प्रस्तुत किए गए हैं (तालिका 1 देखें):

तालिका 1

पद / nucl	0	1	2	3	4	5	6	7
एक	446,500	2869138	599,400	941,816	1145756	1133404	3599581	3291736
सी	1922795	1367021	1761361	3723679	1030494	1173573	963,827	1284534
टी	485,441	1337742	3273475	918,001	1016981	1006168	1494250	1291715
जी	4130093	1425977	1365764	1416504	3806769	3686855	942,342	1132015
एन	15171	122

तालिका में डेटा का उपयोग करके, आप एक ग्राफ (छवि 1) का निर्माण कर सकते हैं। ग्राफ की चोटियां पत्र (न्यूक्लियोटाइड) से मेल खाती हैं जो वर्तमान स्थिति में सबसे अधिक बार पाई जाती हैं। विशेष रूप से, पहले अक्षर "जी", दूसरे में "ए", तीसरे स्थान पर "टी" अक्षर।


अंजीर। 1


यदि हम चोटियों के अनुरूप अक्षरों की पूरी श्रृंखला की रचना करते हैं, तो हमें वह अनुक्रम मिलता है जो स्रोत डेटा में सबसे अधिक बार मिलता है। यदि यह अनुक्रम एडेप्टर की सूची से अनुक्रम के साथ मेल खाता है (जो अनुक्रमण के लिए उपकरण के निर्माताओं द्वारा आपूर्ति की जाती है), उदाहरण के लिए, उदाहरण के लिए, विचाराधीन उदाहरण में, इलुमिना एडेप्टर अनुक्रमों में से एक प्राप्त किया गया था, तो एडाप्टर दूषित हो गया है।

एडॉप्टर और स्रोत सामग्री के संदूषण के प्रतिशत की गणना करने के लिए, हम निम्नलिखित सरल चरणों का पालन करते हैं। 1. हम तालिका में किसी एक स्थिति में अक्षरों की कुल संख्या की गणना करते हैं, दिए गए उदाहरण में बिल्कुल 7000000 हैं। 2. यदि कोई प्रदूषण नहीं था, तो प्रत्येक स्थिति में अक्षरों की संख्या लगभग समान होनी चाहिए। शिखर के अनुरूप पत्र को विचार से बाहर रखने के बाद, हम शेष लोगों पर विचार करते हैं। ग्राफ़ से निम्नानुसार, प्रत्येक स्थिति में लगभग 1,200,000 ऐसे पत्र हैं। 3. चूंकि प्रत्येक स्थिति में अक्षरों की संख्या समान होनी चाहिए, हमें मिलता है: 1,200,000 * 4 = 4,800,000। 4. इस प्रकार, एडाप्टर का संदूषण है: 4,00,000 / 7,000,000 *। 100% = 32%। यानी अगली बार सामग्री तैयार करते समय आपको एडाप्टरों की संख्या को कम करना होगा।

बाद के विश्लेषण के लिए एक प्रोफ़ाइल तैयार करना

मेरे द्वारा ज्ञात अधिकांश एल्गोरिदम प्रारंभिक डेटा प्रोसेसिंग करते हैं - प्रोफ़ाइल तैयार करते हैं। यही है, वे डेटा को समूहीकृत करते हैं, और बाद में उनके महत्व स्तर का मूल्यांकन करते हैं। समूहीकृत डेटा डीएनए पर प्रोटीन के संभावित स्थान का स्थान निर्धारित करेगा, जिसे हम एल्गोरिदम का उपयोग करके खोजने की कोशिश कर रहे हैं।

क्रोमैटिन इम्यूनोप्रूवेरेशन (अधिक विवरण, डीएनए सीक्वेंसिंग ) के उपयोग के परिणामस्वरूप प्राप्त आंकड़ों पर विचार करें। मुझे इस पद्धति की विशेषताएं याद दिलाएं: ब्याज के प्रोटीन के अनुरूप एंटीबॉडी का उपयोग करके टुकड़ों का चयन किया जाता है, परिणामस्वरूप, अधिकांश टुकड़ों में वह क्रम होता है जिसमें प्रोटीन जुड़ा हुआ था। इसके अलावा, जब टुकड़ा करते हैं, विभिन्न आकारों के टुकड़े प्राप्त होते हैं, इसके अलावा, उन्हें लंबाई के साथ फ़िल्टर किया जाता है (150-300 न्यूक्लियोटाइड से अधिक नहीं)। अंतिम परिणाम में अधिकांश प्रोटीन के सापेक्ष दो तरफ स्थित होते हैं। हम भविष्य में इस सुविधा का उपयोग प्रोटीन के संभावित स्थान को निर्धारित करने के लिए करेंगे।


अंजीर। 2


चित्रा 2 में, पीले तीर डीएनए चीरा के संभावित स्थलों को इंगित करते हैं, यह यहां है कि टुकड़े शुरू या समाप्त हो सकते हैं। लाल रेखाएं सकारात्मक सर्पिल (चित्रा में "+" संकेत द्वारा इंगित) से प्राप्त रीड्स दिखाती हैं, और नीली रेखाएं नकारात्मक ("-" संकेत द्वारा इंगित) इंगित करती हैं। कुछ मामलों में, यदि एक अधिक महंगा प्रयोग (" जोड़ी-एंड सीक्वेंसिंग ") किया जाता है, तो सीक्वेंसिंग उपकरण यह निर्धारित करने में सक्षम होते हैं कि कौन से दो रीड्स एक टुकड़े से प्राप्त किए गए थे। यह भी दावा किया जाता है कि इस विधि का उपयोग कई बार एक प्रोटीन [1] की स्थिति को निर्धारित करने की गुणवत्ता को बढ़ाता है। जोड़ी-अंत विधि का अभी भी अक्सर उपयोग नहीं किया जाता है, इसलिए ज्यादातर मामलों में हम पढ़े गए असंबंधित सेट के साथ काम कर रहे हैं।

आदर्श मामले में, प्रोटीन के आसपास रीड्स के स्थान का परिदृश्य चित्र 3 में होना चाहिए। यह देखते हुए कि प्रयोग के यादृच्छिक घटकों की संभावित संख्या बड़ी है, यह दुर्लभ है।


अंजीर। 3


नीचे प्रायोगिक डेटा (चित्र 4) से परिदृश्य के उदाहरण हैं। स्तंभ की चौड़ाई (खिड़की) 20 न्यूक्लियोटाइड से मेल खाती है, कॉलम की अधिकतम ऊंचाई केवल 5-8 रीड्स है। यदि खिड़की की चौड़ाई एक न्यूक्लियोटाइड के बराबर होती है, तो छवि और भी असतत और शोर हो जाएगी। लेकिन, यदि डेटा को नीचे प्रस्तावित प्रोफ़ाइल तैयार करने के लिए एल्गोरिदम द्वारा संसाधित किया जाता है, तो परिदृश्य आदर्श (छवि 3) के समान होगा।


अंजीर। 4

मैनुअल प्रोफाइल तैयार करना

मशीन के लिए डेटा को अधिक पठनीय रूप में कैसे लाया जाए? कुछ मामलों में, हम पहले से जानते हैं कि लंबे टुकड़ों की अपेक्षा कब की जाती है। उदाहरण के लिए, H3K4Me3 (MNase विधि) के मामले में, वे लगभग 148bp [2] हैं। हम टुकड़ों की आधी लंबाई तक रीड्स को शिफ्ट करते हैं: 148/2 = 74। पॉजिटिव सर्पिल पर पाए जाने वाले रिएक्शन को 74 से दाईं ओर शिफ्ट किया जाता है, नेगेटिव सर्पिल पर पाया जाता है, 74 से बाईं ओर शिफ्ट होता है। हम पूर्ण मान जोड़ते हैं और उन्हें ग्राफ (चित्र 5) [3] पर प्रदर्शित करते हैं। 4]।


अंजीर। 5

आकृति (छवि 5) में, वायलेट रंग शिखर को दर्शाता है जो सर्पिल के सकारात्मक और नकारात्मक पक्षों से रीड्स की संख्या के अतिरिक्त होता है। चरम शिखर को, कुछ सटीकता के साथ, डीएनए पर प्रोटीन के केंद्र के अनुरूप होना चाहिए। इस तरह के एक सरल रूपांतरण के साथ, हमने सिग्नल को बढ़ाया, और अब इसे अधिक ध्यान देने योग्य होना चाहिए।

ऊपर दिए गए ग्राफ़ को प्लॉट करने के विभिन्न तरीके हैं। एक तरीका: "वाई" अक्ष पर, हम "एक्स" बिंदु पर उत्पन्न होने वाली रीड की संख्या को स्थगित कर देते हैं। एक और तरीका: "Y" अक्ष के साथ सेगमेंट का उपयोग करते हुए, हम किसी दिए गए बिंदु "" "पर लकीरें चौराहों की संख्या को स्थगित कर देते हैं।" कभी-कभी एक ग्राफ बनाया जाता है, जिसमें "Y" अक्ष के साथ-साथ लकीरों के बजाय टुकड़ों का अंतर होता है। इस तरह के रेखांकन का अर्थ रीड्स / टुकड़ों के साथ डीएनए कवरेज का घनत्व है।

यह अच्छा है जब आप पहले से एक खंड के आकार का अनुमान लगा सकते हैं और कार्यक्रम में इसके मूल्य को स्थानांतरित कर सकते हैं। लेकिन क्या करें यदि टुकड़े की लंबाई ज्ञात नहीं है, तो हम उस राशि की गणना कैसे कर सकते हैं जिसके द्वारा डेटा को स्थानांतरित किया जाना चाहिए?

क्रॉस-सहसंबंध प्रोफ़ाइल तैयार करना

शिफ्ट की भयावहता की गणना करने का एक तरीका यह है कि सकारात्मक और नकारात्मक सर्पिल से पढ़े गए डेटा को क्रॉस-सहसंबंधित करें। प्रत्येक गुणसूत्र "c" के लिए हम एक फ़ंक्शन को परिभाषित करते हैं , जो प्रत्येक बिंदु पर लेता है "x" सर्पिल "s" की ओर रीड की संख्या के बराबर मूल्य। शिफ्ट के लिए परिभाषित करें समारोह कहां:

• - वैक्टर "ए" और "बी" के बीच रैखिक पियर्सन गुणांक;
• सी सभी गुणसूत्रों का सेट है;
• एन _सी गुणसूत्र "सी" पर रीड की संख्या है;
• एन कुल रीड की संख्या है।

हम उस सीमा को चुनते हैं जिसमें शिफ्ट मान हो सकता है, उदाहरण के लिए, -100 से 300 तक और एक ग्राफ का निर्माण (चित्र 6) [4]।


अंजीर। 6


एक्स अक्ष के साथ इस ग्राफ का शिखर सबसे बड़ी सहसंबंध के साथ बदलाव के अनुरूप होगा। चित्रा 6 में दिखाए गए मामले में, शिफ्ट 100/2 = 50 न्यूक्लियोटाइड है। सभी गुणसूत्रों को ध्यान में रखते हुए डेटा का सहसंबंध ब्याज के क्षेत्र के सहसंबंध के सापेक्ष कम सटीक हो सकता है। तो अपने हो जाओ प्रत्येक समृद्ध खंड के लिए कतरनी।

कर्नेल घनत्व प्रोफ़ाइल

कर्नेल घनत्व फ़ंक्शन [4,5,6] का उपयोग करके एक एल्गोरिथ्म पर विचार करें। हम सूत्र के अनुसार प्रत्येक स्थिति के लिए कोटिंग घनत्व को फिर से परिभाषित करते हैं कहां:

• h - कर्नेल घनत्व बैंडविड्थ, लेख में [5] 30bp का उपयोग किया गया था, और लेख [4] में उन्होंने बीच की चोटी की चौड़ाई का 0.45 लिया, चित्र 6 में दिखाया गया है;
• - गाऊसी कर्नेल घनत्व फ़ंक्शन;
• - क्रमशः सकारात्मक और नकारात्मक सर्पिल पर बिंदु j पर समाप्त होने वाली रीड की संख्या देता है।

इस प्रकार, प्रत्येक सर्पिल के लिए घनत्व को पुनर्गणना करके और संकेत को प्रवर्धित करके, अच्छी तरह से समृद्ध वर्गों के लिए, हम सर्पिल के प्रत्येक पक्ष पर चोटियों का निर्धारण कर सकते हैं और शिफ्ट राशि (छवि 7, "पीक शिफ्ट") के लिए उनके बीच का आधा अंतर ले सकते हैं।


अंजीर। 7

ज्यामितीय प्रोफ़ाइल निर्माण विधि

यह एल्गोरिथ्म सरल गणितीय कार्यों का उपयोग करता है। एक विंडो w चौड़ी और स्थिति के लिए जिसे हम परिभाषित करते हैं: p1 (i) विंडो में टैग की संख्या के रूप में i के बाईं ओर एक सकारात्मक सर्पिल; P2 (i) स्थिति की दाईं ओर टैग की संख्या के रूप में i। हम p की परिभाषा के अनुसार n1 (i) और n2 (i) को परिभाषित करते हैं, केवल एक नकारात्मक सर्पिल के लिए (चित्र। 8.1)। हम निम्न सूत्र का उपयोग करके बिंदु पर मूल्य की गणना करते हैं: दी गई विंडो के भीतर हम अधिकतम पाते हैं। अधिकतम पाया जाने वाला अनुमानित प्रोटीन बाध्यकारी स्थिति है। इस विधि को विंडोज टैग घनत्व से WTD कहा जाता था।
लेख [4] में, इसे संशोधित करने का भी प्रस्ताव था , जहां P [a, b] वैक्टर और b के बीच रैखिक पियर्सन सहसंबंध गुणांक है, जैसे कि वेक्टर "a" पॉजिटिव सर्पिल पर स्थिति i से i + k तक रीड की संख्या है, और वेक्टर "b" संख्या है स्थिति से ik तक एक नकारात्मक सर्पिल पर पढ़ता है, (चित्र 8.2)। उन्होंने मिरो टैग कोरिलेशन से MTC को बुलाया।




अंजीर। 8


प्रोफाइल [7] के निर्माण में अन्य एल्गोरिदम का उपयोग किया जाता है। मैंने सबसे अधिक इस्तेमाल किए जाने को उजागर करने की कोशिश की। सभी एल्गोरिदम में पहले से ही कुछ सॉफ्टवेयर पैकेज में एक कार्यान्वयन है, लिंक लेख में दिए गए हैं, उनमें से कुछ यहां दिए गए हैं:
sissrs.rajajothi.com
http://home.gwu.edu/~wpeng/Software.htm
mendel.stanford.edu/sidowlab/downloads/quest
http://compbio.med.harvard.edu/software.html

एल्गोरिदम का उपयोग करके एक प्रोफ़ाइल का सही निर्माण सभी कार्यक्रमों का सबसे महत्वपूर्ण हिस्सा है, क्योंकि यह अधिक सटीक रूप से बनाया गया है, यह निर्धारित करने की अधिक संभावना है कि प्रोटीन कहां है। एल्गोरिदम का एक अन्य हिस्सा गणितीय रूप से मूल्यांकन करना है कि पाया गया अनुभाग कितना महत्वपूर्ण है। लेकिन, दुर्भाग्य से, सभी एल्गोरिदम एक व्यक्ति को बदलने में सक्षम नहीं हैं, लेकिन केवल डेटा के नियमित प्रसंस्करण में मदद कर सकते हैं, उस स्थान पर संकेत देते हुए जहां आपको खोज करनी चाहिए। इसलिए जबकि जीव विज्ञान, रसायन विज्ञान, गणित और प्रोग्रामिंग की बातचीत की पूरी प्रणाली एकदम सही है, और विचारों की खोज, कार्यान्वयन और सुधार के लिए बहुत बड़ा क्षेत्र है।

1. वैंग, सी।, एट अल।, युग्मित अंत चिप-Seq डेटा से विवो प्रोटीन-डीएनए बाध्यकारी साइटों की पहचान के लिए एक प्रभावी दृष्टिकोण। बीएमसी जैव सूचना विज्ञान, 2010.11: पी। 81. www.ncbi.nlm.nih.gov/pmc/articles/PMC2831849

2. बार्स्की, ए।, एट अल।, मानव जीनोम में हिस्टोन मेथिलिकेशन के उच्च-रिज़ॉल्यूशन प्रोफाइलिंग। सेल, 2007.129 (4): पी। 823-37। www.ncbi.nlm.nih.gov/pubmed/17512414

3. पेप्के, एस।, बी। वोल्ड, और ए। मुर्तज़ावी, चिप-सीक और आरएनए-सेक्शुअल अध्ययन के लिए संगणना। नेट मेथड्स, 2009.6 (11 सप्ल): पी। S22-32। www.ncbi.nlm.nih.gov/pubmed/19844228

4. खार्चेंको, पीवी, मेरा टॉल्स्टोरकोव, और पीजे पार्क, डीएनए-बाइंडिंग प्रोटीन के लिए चिप-सीक प्रयोगों का डिजाइन और विश्लेषण। नेट बायोटेक्नोल, 2008.26 (12): पी। 1351-9। www.ncbi.nlm.nih.gov/pubmed/19029915

5. वलूएव, ए।, एट अल।, चिप-सेक डेटा के आधार पर प्रतिलेखन कारक बाध्यकारी साइटों का जीनोम-चौड़ा विश्लेषण। नेट मेथड्स, 2008.5 (9): पी। 829-34। www.ncbi.nlm.nih.gov/pubmed/19160518

6. बॉयल, एपी, एट अल।, एफ-सेक: उच्च-थ्रूपुट अनुक्रम टैग के लिए एक सुविधा घनत्व अनुमानक। जैव सूचना विज्ञान, 2008.24 (21): पी। 2537-8। www.ncbi.nlm.nih.gov/pmc/articles/PMC2732284

7. ज़ैंग, सी।, एट अल।, हिस्टोन संशोधन ChIP-Seq डेटा से समृद्ध डोमेन की पहचान के लिए एक क्लस्टरिंग दृष्टिकोण। जैव सूचना विज्ञान, 2009.25 (15): पी। 1952-8।

कुछ चित्र प्रकृति.कॉम से लिए गए थे और उनकी अनुमति के साथ छपे थे:
लाइसेंस तिथि: फरवरी 16, 2012,
लाइसेंस संख्या: 2850830942235, 2850831421638

समीक्षा एंड्री कार्तशोव, कोविंगटन, KY, porter@porter.st द्वारा तैयार की गई है