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&