首先泊松分布描述的是:一个时间段或一个区间内某事件发生次数的概率。
公式是:
f
(
x
)
=
u
x
e
−
u
x
!
f(x)=\frac{u^xe^{-u}}{x!}
f(x)=x!uxe−u
其中x指的是事件发生的次数,u是事件在一个区间发生次数的期望值或均值,f(x)代表事件发生x次的概率。
测序原理有利用到泊松分布,那么测序中,“时间”或者“区间” 指的什么?“事件” 又是指的什么?
按我理解:
一句话描述:
假设一个基因测了100次,每次拿到的序列称为区间,这个基因某个位点在这100个区间中出现的次数服从泊松分布
或
假设一个序列测了N次,得到N个区间,某个位点或任一位点在这N个区间发生(出现)的次数服从泊松分布
具体解释:
假设某个基因的长度是500(bp),如果经过测序拿到的序列长度是1000,那么我们有一个问题:
这1000个碱基覆盖了多少目标基因?
首先,我们需要找到泊松分布中的事件在这里指的什么?
假设这个基因中有一个位点叫a,事件其实就是:
任意序列区间中,a是否出现(发生)。
我们要求的问题就是:
在这1000的序列中,a出现至少1次的概率
这样,泊松公式需要的参数我们很容易就能拿到:
1.期望值
我们期望这1000个碱基中,a位点出现的次数,应该是2,因为最理想的情况是基因每个碱基都被测了2次
期望值u=1000/500=2
2.事件发生的次数
泊松公式需要指定具体的次数,我们要求至少1次发生,那么可以先求发生0次的概率
次数x=0
那么最终结果就是:
1-f(x)
也就是,a位点在这1000个碱基里至少出现1次的概率是1-f(x)
因为a位点可以是基因任一一个位点,所以结果就可以描述成:
任一位点在这1000个碱基里至少出现1次的概率是多少
可以解释为
覆盖度(严格来说,应该是1-f(x)的500次方)
根据公式,我们知道:
当x=0时
f
(
x
)
=
e
−
u
f(x)=e^{-u}
f(x)=e−u
即任一位点至少出现1次的概率为:
P
(
X
≥
1
)
=
1
−
f
(
x
)
=
1
−
e
−
u
P(X\geq1)=1-f(x)=1-e^{-u}
P(X≥1)=1−f(x)=1−e−u
所以,u越大,P就越大,换算成测序中的说法就是,对于同一个目标序列,深度越大,结果越准确。