Egy kizárólag A, C, G és T jelekből álló DNS-szekvencia GC-aránya a G és C bázisok együttes darabszáma osztva a teljes hosszal. Ha ismeretlen pozíciók is vannak a szekvenciában, előbb meg kell határoznod, hogy az ismert részt jellemzed vagy a teljes szakaszról szeretnél becslést adni. A két nevező eltérő kérdésre válaszol.
Egyértelmű szekvencia, egyértelmű arány
Vegyük ezt a saját szemléltető mintát:
ACGCGTACGG
A hossza 10 bázis. Az A kétszer, a T egyszer, a G négyszer, a C háromszor szerepel. Így:
GC% = (G + C) / (A + T + G + C) × 100 = 7 / 10 × 100 = 70%.
A számláló és a nevező is bázisok darabszáma, az arány mértékegység nélküli. A DNS-szekvencia-elemzőbe beírhatod a tízbetűs mintát. Az eszköz A, C, G és T karaktereket fogad el, a kisbetűket nagybetűvé alakítja, a szóközöket és sortöréseket figyelmen kívül hagyja. A GC-számolás különböző megoldásait a Biopython saját dokumentációja is bemutatja.
Mi változik két N hozzáadásával?
A hosszabb szemléltető változat:
ACGCGTACGGNN
Ez 12 pozíció, amelyekből kettő ismeretlen. Az N egy nem meghatározott bázis jelölésére is használatos; az INSDC szekvenciajelölési leírása megkülönbözteti a meghatározott és az N-nel jelölt, meg nem határozott bázisokat. Az N tehát nem egy ötödik, biztosan G-től és C-től különböző bázis.
Az ismert rész GC-aránya továbbra is 70%. Ha a teljes 12 pozícióból csak a biztos G-ket és C-ket számolod a számlálóba, 7 / 12 × 100 ≈ 58,33% adódik. Ez a biztosan GC-ként azonosított pozíciók aránya, és egyben a teljes szakasz GC-arányának alsó határa.
Ha mindkét N valójában G vagy C lenne, a felső határ 9 / 12 × 100 = 75%. A rendelkezésre álló jelölések alapján a teljes szakaszról ennyit állíthatsz:
58,33% ≤ teljes GC-arány ≤ 75%.
Súlyozás: külön feltételezés
Választhatsz olyan becslést, amely minden N-hez fél GC-bázist rendel. A példában a becsült számláló 7 + 2 × 0,5 = 8, ezért az eredmény 8 / 12 × 100 ≈ 66,67%.
A Biopython súlyozott módja is használ ilyen értéket N esetén. Ettől azonban még nem tudtuk meg a két tényleges bázist. A 0,5 súly egy választott kezelési szabály; a saját adataid keletkezése vagy összetétele más feltételezést indokolhat.
| Számítás tárgya | Nevező | Eredmény |
|---|---|---|
| Ismert A/C/G/T rész | 10 | 70% |
| Biztos GC a teljes hosszon | 12 | 58,33% |
| Teljes lehetséges maximum | 12 | 75% |
| N-enként fél GC becslés | 12 | 66,67% |
A kétértelmű báziskód néha egyértelmű GC-információt ad
Az INSDC IUPAC-kódtáblájában az S C-t vagy G-t, a W A-t vagy T-t jelöl. Az S tehát biztosan GC-pozíció, a W biztosan nem az, még ha a konkrét bázis nevét nem is tudjuk.
Saját rövid példánk ASWN. Négy pozícióból az S biztosan egy GC-t ad, az A és a W nullát, az N pedig nulla vagy egy GC lehet. A teljes GC-arány ezért 25% és 50% közé esik. Ha az N-hez külön feltevésként fél GC-t rendelsz, 1,5/4 = 37,5% a becslés. A négy pozíció tényleges, teljesen azonosított változata ugyanakkor egy vagy két GC-bázist tartalmazhat, tehát 25%-ot vagy 50%-ot ad. A köztes 37,5% a bizonytalanság választott súlyozásának eredménye; nem jelenti fél bázis tényleges jelenlétét.
Az S, W és N egyszerű törlése csak az A-t hagyná meg, és 0%-ot adna az így megmaradt részre. Ezzel a biztosan ismert S-információ is elveszne. Az A/C/G/T-re korlátozott DG-bemenetet ezért ne az eredeti szekvencia átírásával kerüld meg; a teljes kódolást és a kézi korlátszámítást külön őrizd meg.
Több szekvencia közös GC-aránya
Tegyük fel, hogy a 10 bázisos, 70%-os példaminta mellé kerül egy külön, 90 bázisos szekvencia, amelyben 27 G vagy C van. Ennek aránya 30%. Mindkét minta teljesen ismert A/C/G/T sorozat, és a teljes közös bázisállomány arányát keressük.
A két százalék egyszerű átlaga (70 + 30) / 2 = 50%. Összesen azonban 7 + 27 = 34 GC-bázis van 10 + 90 = 100 pozíción, így a közös arány 34%.
Az 50% a két szekvencia arányának egyenlő súlyú átlaga. A 34% az összes bázisra vonatkozik, ahol a kilencszer hosszabb második minta kilencszeres súlyt kap. A kívánt összesítést ezért a kérdésed alapján válaszd meg: átlagos szekvenciajellemzőt vagy teljes bázisarányt akarsz közölni?
Ismeretlen pozícióknál előbb minden mintára azonos nevezőszabályt alkalmazz, és az annak megfelelő darabszámokat add össze. A kerekített százalékok átlagolása helyett őrizd meg a G+C darabszámot és a használt nevezőt. Így később a nagyobb gyűjtemény aránya is ellenőrizhető marad.
Mit írj a kalkulátorba?
A DG elemző az N-t tartalmazó bemenetet jelzi, nem dönt helyetted annak értelmezéséről. Ha az ismert rész arányát akarod ellenőrizni, külön másolatban megtarthatod a tíz ismert bázist, de az eredmény mellé írd oda, hogy az eredeti 12 pozícióból kettőt kihagytál. A teljes hosszal számított határokat a fenti módon számold ki.
A formátum leíró fejléceit se add meg bázissorozatként. Az üres vagy kizárólag ismeretlen bázisokból álló szakasznál az ismert rész nevezője nulla: ebből nem következik 0% GC. Ilyenkor az ismert rész aránya nem meghatározható.
Két szekvencia összehasonlításakor a hosszt, az ismeretlen pozíciók számát és a nevező szabályát együtt közöld. A példában a 70% és az 58,33% ugyanazokból a biztos bázisokból származik; a különbséget teljes egészében a nevező választása okozza.
Háromkérdéses tudáspróba
Válassz kérdésenként egy választ, és írd fel az A, B vagy C betűt. A három feladat után ellenőrizd magad a magyarázatokkal.
1. ACGCGTACGGNN esetén 7 biztos GC van 12 pozíción. Mekkora a teljes szakasz lehetséges GC-tartománya?
- A) Pontosan 70%
- B) Pontosan 58,33%
- C) 58,33–75%
2. Az S IUPAC-kód G-t vagy C-t jelent. Mi következik ebből a GC-számításra?
- A) Egy biztos GC-pozíciót ad.
- B) Fél GC-pozíciót kell adnia.
- C) Minden számításból törölni kell.
3. Egy 10 bázisos mintában 7, egy 90 bázisosban 27 GC van. Mennyi a közös bázisállomány GC-aránya?
- A) 50%
- B) 34%
- C) 70%
Megoldások és önálló pontozás
Minden helyes válasz 1 pont, a hibás vagy kihagyott válasz 0 pont; összesen 3 pont szerezhető. 3 pont: a vizsgált összefüggéseket helyesen alkalmaztad; következőként készíts számítást a saját bemeneteiddel. 2 pont: az eltévesztett feladatnál megnevezett részt olvasd újra, és ellenőrizd a megoldást a képlettel. 0–1 pont: kezdd a(z) Mi változik két N hozzáadásával? résszel, majd haladj végig a három magyarázaton, és oldd meg újra a kérdéseket. A próba a cikk megértéséről ad visszajelzést.
1. megoldás
C) 58,33–75% – Az alsó határ 7/12, a felső 9/12: a két N egyike, mindkettője vagy egyik sem lehet G/C. Ha más választ adtál vagy kihagytad, ezt a részt ismételd át: Mi változik két N hozzáadásával?.
2. megoldás
A) Egy biztos GC-pozíciót ad. – Mindkét megengedett bázis a GC-csoportban van; a konkrét bázis neve bizonytalan, a GC-tagság biztos. Ha más választ adtál vagy kihagytad, ezt a részt ismételd át: A kétértelmű báziskód néha egyértelmű GC-információt ad.
3. megoldás
B) 34% – A darabszámokat adjuk össze: (7+27)/(10+90)=34%. Az 50% két külön szekvenciaarány egyenlő súlyú átlaga lenne. Ha más választ adtál vagy kihagytad, ezt a részt ismételd át: Több szekvencia közös GC-aránya.