Mismatch K-tuple

Mismatch K-tuple

Mismatch K-tuple表明连续 k 元组中允许出现m(m<k)个错误

说法一

StackTADB: a stacking-based ensemble learning model for predicting the boundaries of topologically associating domains (TADs) accurately in fruit flies

特征表示：
f k M i s = { { A k } 1 , { A k − 1 T 1 } 1 , { A k − 2 T 2 } 1 , . . . , { C k } 1 } 等 价 于 ： { { A A A A } 1 , { A A A T } 1 , . . . , { G G G G } 1 , . . . , { C C C C } 1 } f^{Mis}_k=\{\{A^k\}_1,\{A^{k-1}T^1\}_1,\{A^{k-2}T^2\}_1,...,\{C^k\}_1\}\\ {等价于：}\\ \{\{AAAA\}_1,\{AAAT\}_1,...,\{GGGG\}_1,...,\{CCCC\}_1\} fkMis​={{Ak}1​,{Ak−1T1}1​,{Ak−2T2}1​,...,{Ck}1​}等价于：{{AAAA}1​,{AAAT}1​,...,{GGGG}1​,...,{CCCC}1​}
变量说明：

$k$：K-mers的窗口大小

{ A k } 1 \{A^k\}_1 {Ak}1​：表示在 { A k } \{A^k\} {Ak}中允许有一个错误

特征向量维数：$4^k$

**其他操作：**可以选择所有特征中计数最高的前N个（如：600）作为最终特征

说法二

2021-04_bio_iEnhancer-XG：interpretable sequence-based enhancers and their strength predictor

特征表示：
$$f_{k,m}^{mis}(x)=(\sum _{j=0}^m{c}_{1,j},\sum _{j=0}^m{c}_{2,j},...,\sum _{j=0}^m{c}_{4^k,j})$$
变量说明：

$c_{i,j}$ is the occurrence of the $i$th K-mer type in $x$⁠, only $j$ does not match, $i=1,2,3,\dots ,4^k$ and $j=0,1,\dots ,m$⁠.

$x$就是序列

${\sum }_{j=0}^m{c}_{1,j}$：$j$从0累加到m，统计从不出错到m个错误的kmer的出现总和。$c_{1,0}$就统计第一种类型的kmer在不出错的情况下的出现次数，$c_{1,1}$就统计第一种类型的kmer在容忍一个碱基出错的情况下的出现次数

demo

当$k=4$时，此时会产生$4^4$=64维特征向量

总结

一般有两种做法，一种是就单独统计m，另一种就是从0累加到m进行求和统计。

发散：可以从0累加到m进行拼接统计