1 / 13

Shotgun sequencing

Shotgun sequencing. Ejemplo de aplicación de modelos y técnicas probabilísticas. Introducción. Las técnicas de secuenciación de DNA no permiten secuenciar con facilidad grandes fragmentos de un vez Alternativa: Shotgun sequencing

Download Presentation

Shotgun sequencing

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Shotgun sequencing Ejemplo de aplicación de modelos y técnicas probabilísticas

  2. Introducción • Las técnicas de secuenciación de DNA no permiten secuenciar con facilidad grandes fragmentos de un vez • Alternativa: Shotgun sequencing • Fragmentar (múltiples copias) de la secuencia en trozos pequeños • Secuenciarlos por separado • Recomponerlo

  3. IIustración del Shotgun Sequencing

  4. Problemas y soluciones • Problema • No se sabe en que punto empieza o acaba cada fragmento • Solución • Hierarchical Shotgun sequencing method • Secuenciar varias copias de cada fragmento  es fácil reconocer la superposición • Reconstruir el genoma a partir de las subsecuencias superpuestas

  5. Esquema del proceso Fragmentos secuenciados Secuencia problema “Contigs” de secuencia reconstruída

  6. Problemas asociados • Proporción de la secuencia finalmente recubierta por “contigs” • Número medio de “contigs” • Tamaño medio de cada “contig”

  7. Un modelo simplificado • Secuencia S de longitud total G • N fragmentos al azar de (=) tamaño L • Posición de inicio de un fragmento cualquiera ~U[0,G] • Hay 2 simplificaciones • Modelo contínuo (U(0,G)) de un fenómeno discreto (secuencia de caracteres) • Se ignoran efectos de fin de secuencia

  8. Número de recubrimiento • Es el número de veces que todos los fragmentos juntos pueden recubrir la secuencia (“coverage number”) • Se trata de un parámetro importante

  9. Análisis del modelo • Sea Xel punto de inicio de un fragmento en (0,G) • Otros fragmentos se superponen o no • Sea YiX el indicador de que el fragmento i contiene x. Entonces: • Y1X,…,YNX ~ b(p), p=P[Y1x=1]=L/G • KX=i=1N YiX ~ B(N, p=L/G)

  10. Aproximaciones • E[KX]=a=NL/G • a representa el # de fragmentos que se espera que recubra X • Dado que N és grande y L pequeña se puede aproximar la binomial KX por una Poisson P(=NL/G=a)

  11. 1. Porcentaje de recubrimiento • Si el recubrimiento se define • R=(i=1NC Ci)/G=C/G • Nos interesa E(R)(=RE) • RE=P[KX>0]=1-P[KX=0]=1-e-a • Aplicación • Para RE=0.99 a=4.6, RE=0.999a=6.9 • Genoma humano: 3*109 bases. RE=0.999 3*106 sin cubrir

  12. 2. Número esperado de contigs • Sea D el suceso “un fragmento está en el extremo derecho de un contig” • Y=Nº de fragmentos que “son D” • E[C]=E[Y]=N·P(D) • P[KX=0]=e-a • El nº esperado de contigs es • E[C]=N·e-a

  13. Si G=100.000, y L=500 se obtiene la tabla de arriba Pocos fragmentos  Pocos contigs Muchos fragmentos  Pocos contigs grandes Ejemplo

More Related