序列相似度定义

序列相似度（identity）是两个序列之间相似度的度量值。在测序数据中一般是测序错误率的反面。当我们说“两个物种的差异是。。”或者“测序错误是。。”，事实上有不同的相似度的计算方法，这里我们讨论了集中算法，每次在说相似度时，要搞清楚用的是那种算法。

首先举个例子说明，下面两条序列的相似度是多少呢？

CCAGTGTGGCCGATACCCCAGGTTGGCACGCATCGTTGCCTTGGTAAGC

CCAGTGTGGCCGATGCCCGTGCTACGCATCGTTGCCTTGGTAAGC

计算相似度，通常先要进行比对，我们使用match=1,mismatch=-2, gapOpen=-2 and gapExt=-1的参数进行比对，得到如下结果

有43个matching的碱基，1个mismatch，5个deletion，1个insertion，CIGAR是18M3D2M2D2M1I22M.

Gap-excluded identity

 

这种计算法，我们首先排除比对中gapped列，也就是只保留match，和mismatch，相似度就=matches / (matches + mismatches)。上面例子的相似度就是43/(43+1)=97.7%.

这种计算方法明显的问题就是没有考虑gaps。然而这还是一种经常使用的定义。经常有人说“人和大猩猩基因组只有百分之几的差异”，这种说法就是使用的这种计算方法。论文&