本次兴趣小组知识分享的提纲，字写得比较潦草，大家凑合看啊

上期回顾与宏基因组bining

HMM与蛋白质保守区块识别

刚刚看完。最后面说的算法有点多，且蒙圈....

总来说讲得蛮好，特别是对机器学习有一定了解的人来说，受益会很大。但是感觉对新手可能不太友好。就是如果想更多人明白，我个人觉得是要把整个提纲弄得更加清晰，然后尽量不要深入讨论算法之类的，多聚类讲怎样应用。

这里给大家先推荐一篇Nature genetic review的综述：https://www.nature.com/articles/s41576-019-0122-6 。这篇总结得相当好，从浅到深，有助理解很多概念。关于机器学习在生物信息学的应用这个话题，我个人还是蛮兴趣的，其涉及到的应用其实很多，后面会做一些research，再和大家分享。

无监督聚类与宏基因组bining:

感谢连博士的分享！

• mapping based

  优点：计算量小，对低丰度菌种灵敏度高；缺点：依赖参考基因组质量，无法检测新菌种

• mapping free/assemble based

  优点：对参考基因组质量不敏感，可推测新菌种；缺点：计算量大，对丰度低的菌种不敏感

根据序列特征进行聚类。（1、kmer频率，GC含量等；2、丰度信息）

经典聚类方法：

• kmeans，分类形状是圆形；
• Gaussian混合分布，分类形状可变换为椭圆形；
• DBSCAN等

HMM与蛋白质保守区块识别

学习：给定标记的序列，学习和提取出block序列pattern
搜索：在未知序列中搜索pattern
描述序列的方法：
sequence logo
PWM(位点权重矩阵)
HMM
假设有一组未知序列，判断各序列有多大概率是由以上pattern生成器产生的，概率较大的序列被认为服从该pattern的分布

1、给定一条序列和多个模型，判断最可能的来源，计算各block产生该序列的Galvan取最大者（前向-后向算法）

2、已知某序列由某block机器产生，确定block的位置（保守区）（解码问题，维特比算法）

3、给定一组block代表序列，学习转移/发射概率，建立模型（鲍姆-维奇算法（EM-like））
P.S. 序列比对是基于一致性，而block有可变区和不可变区，如果block的可变位点较多但有一个pattern，直接去做比对是比对不上的。

生信与机器学习兴趣小组_Club_5th

无监督聚类与宏基因组bining

解决生物学问题

• 环境中物种以及丰度
• 在行驶的功能，比如代谢
• 不同组织之间的宏基因组组成差异

测序的reads是来自于什么物种

• mapping based（有构建比较好的reference）

  • 优点：
    • 检测灵敏度：对于一些低丰度的菌
  • 缺点：
    • 高度依赖于reference
    • 无法发现新品种

• mapping free/assembly base（不太好的reference）

  比如你有大约1000物种，但只有100个参考 reference

  可以先assembly（overlap），然后利用能够mapping的部分去确定物种

  • 优点和缺点相对应

会拼接成contig，然后决定属于物种归属

• 与已知序列库进行比较，但注释率会比较低
• binning的方法
  • 根据序列的特征，把其聚类在一起，形成bins。
  • 序列组成相似的contig。只需要确定这些contig的对应物种
  • 可以用reads、contig、gene（contig预测出来的gene）去做binning

宏基因组的binming聚类特征

• 序列组成特征

  • k-mer 频率：
    $$
    Contig_i=(Kmer_1,Kmer_2……）
    $$

• • Gene的丰度（基因的拷贝数）

如何根据特征来聚类

• K-means
• 高斯混合分布
• DBSCAN

HMM与蛋白质保守区块识别

• 给定标记好的序列（属于某一功能区块），学习提取出block序列pattern——学习问题
• 给一大堆未知的——搜索问题

• Sequence Logo（motif那种）
• PWM（position weight matrx，位置权重矩阵）

• 有多大的概率是由我这个机器产生的

• • 给定一条序列和多个模型：评估该序列最有可能是由哪个模型产生的（识别block种类，每个block（保守区块）就是一个模型）——前向后向算法

  • 已知一条序列是由block机器产生的，确定block的位置——decoding，维特比算法

    单纯的比对可能并不行，block有些是可变，有些是不可变的

  • 给定一大堆某block的代表序列，把转移概率下的发射概率表现出来——鲍姆维奇算法（EM算法）

无监督聚类与宏基因组bining

#宏基因组：利用新一代高通量测序技术（NGS）以特定环境下微生物群体基因组为研究对象，在分析微生物多样性、种群结构、进化关系的基础上，可进一步探究微生物群体功能活性、相互协作关系及与环境之间的关系，发掘潜在的生物学意义。与传统微生物研究方法相比，宏基因组测序技术规避了绝大部分微生物不能培养、痕量菌无法检测的缺点，因此近年来在环境微生物学研究中得到了广泛应用。#
研究目标：1、有哪些物种，丰度如何※ 2、有何功能 3、生理状态下或个体的动态变化
测序策略：
1、mapping-based （依赖ref完整）
2、Mapping-free/assembly-based （ref不理想）可以检测发现新的物种，但是计算量大，对丰度低的菌检出效率低#基于Debrijn图的基因拼接算法#注释率
Contig->查找物种归属【1、与库中已知序列比对（受注释率影响）2、bining把序列类似的contig归类聚到一起称为bins（多条），有较大概率是来源于同一属物种】
Reads、contig、gene不同层次都可以做bining，但从精度上考虑常用contigs和gene做bining，contigs长度更长信息量更高更适合bining。
无监督聚类是针对无类别标记，具有多个特征feature，f1~fn，根据其相似性进行分类。
重点是根据特征feature分类：
（1）序列组成特点（k-mer频率、GC含量、【#来源于同一物种的序列在组成上更加相似】）
（2）丰度信息（尤其是基因的丰度，某一物种基因A和B的拷贝数量是2：1，不管其数量多少占丰度比例，具有A：B=2：1的特征，根据基因间的固定比例可以确定是来自同一物种）

这个集合可以映射到多维空间上，从空间分布的相似性进行bining。
聚类方法有：
1、k-means【随机假设样本中有k个类，则有k个“样本中心”，计算各样本到这些“样本中心”的直线距离，根据距离来分类（离谁近就算谁这一类），重复这个过程直到“样本中心”稳定为止，其本质是期望最大过程（EM）】

2、高斯混合分布【针对k-means的分类有不足（各个类别界限是偏圆形或的球形），而数据分布可能是近椭圆形分布的，比如一维的高斯分布就是钟型正态分布，二维的高斯分布是一个立体的钟型曲面，如果均值不变，方差变化，这个钟型曲面的平面投影就是椭圆的】
3、层次聚类
#不同聚类方法有不同的适用条件#
同心圆类型的聚类方法

实际上聚类团数k的大小是超参数，是要通过试验来人为确定的，在理想的情况下，类内各样本到中心的总距离是最小的。试验的结果会发现某一个k值能使得总距离最小。
横坐标是k值（整数），纵坐标是距中心点总距离
在学习之前需要先确定K的值。

无类别标记聚类，其可用于聚类的分别为reads,contigs（其序列信息最多）和gene，根据其序列组成的特点k-mer频率和GC含量或者丰度信息（拷贝数）将序列信息矢量化并聚类。

学习到了！感谢分享～

其他小伙伴的笔记太棒啦！！我先。。。占个坑。。。再来补交笔记