Aritalab:Lecture/Bioinformatics/MotifFinding
From Metabolomics.JP
< Aritalab:Lecture | Bioinformatics(Difference between revisions)
m |
|||
| Line 78: | Line 78: | ||
これをモチーフ発見問題といいます。スコア関数は − <big>ΣΣ</big> p log p の形をとっており、プロファイルのエントロピーといいます。 | これをモチーフ発見問題といいます。スコア関数は − <big>ΣΣ</big> p log p の形をとっており、プロファイルのエントロピーといいます。 | ||
| − | このエントロピーとは[[Aritalab:Lecture/Basic/Entropy|シャノンの平均情報量]] | + | このエントロピーとは[[Aritalab:Lecture/Basic/Entropy|シャノンの平均情報量]]を意味し、分布の偏りを示す指標です。全ての塩基が等確率で出てくるときに平均情報量は最も大きく、塩基の出現確率に偏りがあればあるほど、平均情報量は小さくなります。このスコア関数をハミング距離にしても問題は変わりません。 |
Revision as of 14:32, 8 November 2010
モチーフ
DNA配列の中で転写制御部位や生体分子の結合部位など、決まったパターンを持つ部分配列をモチーフと呼びます。 決まったパターンといっても全く同じ部分配列が存在することは稀で、多くは「ほとんど」一致する部分配列となります。 モチーフを表現するのに、正則表現やプロファイル行列がよく用いられます。
プロファイル行列
固定長 (l とします) の配列を n 本そろえて n × l 行列の形に表現し、各列における各塩基配列の出現頻度を記した 4 × l 行列をプロファイルと呼びます。 プロファイルの (i, j) 要素 (i ∈ {A,C,G,T}, j ∈ Z) には、もとの行列で塩基 i が出現する確率が入ります。
- 例
|
⇒ |
|
⇒ |
|
モチーフ発見問題
ここでは長いDNA配列 n 本を与えられたとき、配列それぞれの位置 s = (s1, s2, ... sn) にから長さ l の部分配列を取り出してできるプロファイル行列を考えます。
- 問題. スコア関数 S(s, DNA) = − Σlj ΣiA,T,G,C pi,j log pi,j を最小化する位置の配列 s を求めよ。
これをモチーフ発見問題といいます。スコア関数は − ΣΣ p log p の形をとっており、プロファイルのエントロピーといいます。 このエントロピーとはシャノンの平均情報量を意味し、分布の偏りを示す指標です。全ての塩基が等確率で出てくるときに平均情報量は最も大きく、塩基の出現確率に偏りがあればあるほど、平均情報量は小さくなります。このスコア関数をハミング距離にしても問題は変わりません。
