Jenny

一、测序深度概率分布模型       只有理解测序深度分布模型，才能更好地理解测序数据，理解测序深度相关的分析，比如拷贝数变异检测、差异表达分析等。下文基于参考资料，加上自己的理解写成，理解的也不是很正确，欢迎留言指教。 1-多项分布 ki为某个region上比对的reads总数，一次测序好比从一个瓮中抽一个彩球，一个瓮就是一个pool，抽某个颜色的球的概率pi取决于彩球在瓮中的比例，如果抽样次数即测序总reads数N远远小于DNA模板数（即瓮中彩球总数），那么每种球抽到的个数（每个区域上的片段总数ki的向量)符合多项分布，每种球被抽到的概率pi是不会随着抽样次数N而改变的。但是随着我们测序通量的加大，测序的reads数有时候甚至能够超过模板数，因此这个模型可能不是太适用了。 2-二项分布和泊松分布 如果单独地考虑一个片段被测序的次数（一个球是否被抽到，不放回抽样），是否被测序（抽到没抽到）只有是否2个选项，测序彼此之间相互独立（每次抽相互独立，球与球之间不会互相干扰），区域i上测序reads数ki即符合二项分布，试验次数N即测序总reads数，成功概率取决于region i的片段占中片段的比例和测序的容易程度，pi会随着N而变化。N变大，pi变小，二项分布会收敛于泊松分布。实际的测序比较符合后者，因为现在的NGS里测序reads数都很大。 3-过度离散的泊松分布（复合泊松分布） 上述的理想实验描述了从一个非常大的DNA片段总体中重复抽样的过程，但是，重复抽样虽然可以作为技术重复的假设，却没办法作为生物学重复的假设。一个实验里的生物学重复就意味着生成了一个新的DNA片段总体，在这个新的样本总体里，基因组上不同区域上被抽样的概率p不是完全相同。因此虽然泊松近似的二项分布依然可以来描述一个单独的抽样，因为N依然很大，而pi很小，但是样本j在特征（比如区域）i上读断数的期望值E（Kij）会随着样本j而变化。测序深度符合泊松分布，测序深度的均值也符合泊松分布，所以就是复合泊松分布。而且因为方差大于均值，所以这个泊松分布是过度离散的。就是说不同样本同一个区域之间的reads数方差大于他们的均值。 为了构建这样一个模型，模型需要有以下的特征：       1）模型需要能够支持0...