1

我想玩弄基因组数据：

Species_A = ctnngtggaccgacaagaacagtttcgaatcggaagcttgcttaacgtag
Species_B = ctaagtggactgacaggaactgtttcgaatcggaagcttgcttaacgtag
Species_C = ctacgtggaccgacaagaacagtttcgactcggaagcttgcttaacgtag
Species_D = ctacgtggaccgacaagaacagtttcgactcggaagcttgcttaacgccg
Species_E = ctgtgtggancgacaaggacagttccaaatcggaagcttgcttaacacag

鉴于上述基因组序列，我想根据这些生物体之间的相关程度创建一个树状图。我首先做的是计算每个物种的 a、c、t 和 g 的数量，然后我创建了一个数组，然后绘制了一个树状图：

gen_size1 = len(Species_A)
a1 = float(Species_A.count('a'))/float(gen_size1)
c1 = float(Species_A.count('c'))/float(gen_size1)
g1 = float(Species_A.count('g'))/float(gen_size1)
t1 = float(Species_A.count('t'))/float(gen_size1)
.
.
.
gen_size5 = len(Species_E)
a5 = float(Species_E.count('a'))/float(gen_size5)
c5 = float(Species_E.count('c'))/float(gen_size5)
g5 = float(Species_E.count('g'))/float(gen_size5)
t5 = float(Species_E.count('t'))/float(gen_size5)

my_genes = np.array([[a1,c1,g1,t1],[a2,c2,g2,t2],[a3,c3,g3,t3],[a4,c4,g4,t4],[a5,c5,g5,t5]])
plt.subplot(1,2,1)
plt.title("Mononucleotide")
linkage_matrix = linkage(my_genes, "single")
print linkage_matrix
dendrogram(linkage_matrix,truncate_mode='lastp', color_threshold=1, labels=[Species_A, Species_B, Species_C, Species_D, Species_E], show_leaf_counts=True)
plt.show()

物种 A 和 B 是同一生物体的变体，我希望它们都应该从根的共同进化枝分歧，物种 C 和 D 也是如此，它们应该从根的另一个共同进化枝分歧，然后物种 E 从根分歧主根，因为它与物种 A 到 D 无关。不幸的是，树状图结果与从一个共同进化枝发散的物种 A 和 E 混合在一起，然后是另一个进化枝中的物种 C、D 和 B（相当混乱）。

我读过关于基因组序列的层次聚类，但我观察到它只适用于二维系统，不幸的是我有 4 个维度，即 a、c、t 和 g。对此还有其他策略吗？谢谢您的帮助！

4

2 回答 2

3

这是生物信息学中一个相当普遍的问题，因此您应该使用像BioPython这样内置此功能的生物信息学库。

首先，您使用您的序列创建一个多 FASTA 文件：

import os
from Bio import SeqIO
from Bio.Seq import Seq
from Bio.SeqRecord import SeqRecord
from Bio.Alphabet import generic_dna


sequences = ['ctnngtggaccgacaagaacagtttcgaatcggaagcttgcttaacgtag',
             'ctaagtggactgacaggaactgtttcgaatcggaagcttgcttaacgtag',
             'ctacgtggaccgacaagaacagtttcgactcggaagcttgcttaacgtag',
             'ctacgtggaccgacaagaacagtttcgactcggaagcttgcttaacgccg',
             'ctgtgtggancgacaaggacagttccaaatcggaagcttgcttaacacag']

my_records = [SeqRecord(Seq(sequence, generic_dna),
              id='Species_{}'.format(letter), description='Species_{}'.format(letter))
              for sequence, letter in zip(sequences, 'ABCDE')]

root_dir = r"C:\Users\BioGeek\Documents\temp"
filename = 'my_sequences'
fasta_path = os.path.join(root_dir, '{}.fasta'.format(filename))

SeqIO.write(my_records, fasta_path, "fasta")

这将创建如下C:\Users\BioGeek\Documents\temp\my_sequences.fasta所示的文件：

>Species_A
ctnngtggaccgacaagaacagtttcgaatcggaagcttgcttaacgtag
>Species_B
ctaagtggactgacaggaactgtttcgaatcggaagcttgcttaacgtag
>Species_C
ctacgtggaccgacaagaacagtttcgactcggaagcttgcttaacgtag
>Species_D
ctacgtggaccgacaagaacagtttcgactcggaagcttgcttaacgccg
>Species_E
ctgtgtggancgacaaggacagttccaaatcggaagcttgcttaacacag

接下来，使用命令行工具ClustalW进行多序列比对：

from Bio.Align.Applications import ClustalwCommandline
clustalw_exe = r"C:\path\to\clustalw-2.1\clustalw2.exe"
assert os.path.isfile(clustalw_exe), "Clustal W executable missing"
clustalw_cline = ClustalwCommandline(clustalw_exe, infile=fasta_path)
stdout, stderr = clustalw_cline()    
print stdout

这打印：

 CLUSTAL 2.1 Multiple Sequence Alignments


Sequence format is Pearson
Sequence 1: Species_A     50 bp
Sequence 2: Species_B     50 bp
Sequence 3: Species_C     50 bp
Sequence 4: Species_D     50 bp
Sequence 5: Species_E     50 bp
Start of Pairwise alignments
Aligning...

Sequences (1:2) Aligned. Score:  90
Sequences (1:3) Aligned. Score:  94
Sequences (1:4) Aligned. Score:  88
Sequences (1:5) Aligned. Score:  84
Sequences (2:3) Aligned. Score:  90
Sequences (2:4) Aligned. Score:  84
Sequences (2:5) Aligned. Score:  78
Sequences (3:4) Aligned. Score:  94
Sequences (3:5) Aligned. Score:  82
Sequences (4:5) Aligned. Score:  82
Guide tree file created:   [C:\Users\BioGeek\Documents\temp\my_sequences.dnd]

There are 4 groups
Start of Multiple Alignment

Aligning...
Group 1: Sequences:   2      Score:912
Group 2: Sequences:   2      Score:921
Group 3: Sequences:   4      Score:865
Group 4: Sequences:   5      Score:855
Alignment Score 2975

CLUSTAL-Alignment file created  [C:\Users\BioGeek\Documents\temp\my_sequences.aln]

该my_sequences.dnd文件ClustalW创建，是一个标准的Newick 树文件，Bio.Phylo可以解析这些：

from Bio import Phylo
newick_path = os.path.join(root_dir, '{}.dnd'.format(filename))
tree = Phylo.read(newick_path, "newick")
Phylo.draw_ascii(tree)

哪个打印：

       ____________ Species_A
  ____|
 |    |_____________________________________ Species_B
 |
_|          ____ Species_C
 |_________|
 |         |_________________________ Species_D
 |
 |__________________________________________________________________ Species_E

或者，如果您已安装matplotlib或pylab安装，您可以使用以下功能创建图形draw：

tree.rooted = True
Phylo.draw(tree, branch_labels=lambda c: c.branch_length)

产生：

树状图

这张树状图清楚地说明了您观察到的情况：物种 A 和 B 是同一生物体的变体，并且都从根的共同进化枝分化而来。物种 C 和 D 也是如此，它们都从根的另一个共同进化枝中分化出来。最后，物种 E 与主根不同，因为它与物种 A 到 D 无关。

于 2016-03-14T13:44:39.717 回答
0

好吧，使用SciPy ，您可以使用自定义距离（我的赌注是 Needleman-Wunsch 或 Smith-Waterman 作为开始）。这是一个如何使用输入数据的示例。您还应该检查如何在 SciPy 中定义自定义距离。设置好后，您可以使用更高级的对齐方法，例如MAFFT。您可以提取基因组之间的关系并在创建树状图时使用它们。

于 2016-03-14T07:10:58.637 回答