获得共识序列的逻辑答案

【问题标题】：logic to get consensus sequence获得共识序列的逻辑
【发布时间】：2013-11-03 03:08:36
【问题描述】：

我有一组 fasta 格式的对齐序列。我想从对齐中获得共识。在大多数站点的情况下，基地之一显示出最大的发生率。在两个或多个碱基出现相同次数的位点的情况下，应取哪个碱基。下面给出一个例子：

>Seq_1
ATGCGA
>Seq_2
AT-CGT
>Seq_3
AT-CCG
>Seq_4
AT-CCC
>Seq_5
AA-CT-

按照惯例，这将是共识

Site      : 1 2 3 4 5     6
Consensus : A T G C [G/C] N

但是这个共识序列的输出在与其他序列对齐时会抛出错误。那么在这种情况下应该怎么做，如何为这样的网站达成共识？

【问题讨论】：

【解决方案1】：

您也可以在 Biostars 提出这个问题。

但是，这些是我的建议。

1) 存在几个包来计算共有序列。使用已知的软件包可能值得。
2) 如果您想创建自己的算法，请查看 IUPAC 核苷酸代码（例如here）。按照惯例，G/C 将由“S”表示

【讨论】：

我已经为此创建了代码，但问题是应用程序不接受这种带有 ATGC 以外字母的序列，并且在一个位点的序列中有多个碱基显然会在比对过程中造成问题。
您使用什么应用程序？你真的有错误吗？
我得到的一个错误是无效字符错误，即使这样我也可以选择忽略此类错误。如果我忽略此类错误，则会在其他序列中产生间隙。它也只是忽略了字母 S、Y 和 N。我使用 MEGA 4.0 进行分析。此外，即使应用程序没有抛出错误，它仍然是数据故障，最终会以某种方式影响对齐。
这并不是数据中的真正“故障”。数据没有歧义，您似乎是通过共识方法人为地引入了歧义。为什么不按原样对齐所有序列？为什么要先建立一致序列，然后再进行比对？
我所拥有的信息仅是对齐序列。甚至我上面给出的例子也是对齐序列的例子。

【解决方案2】：

大多数共识调用者会考虑质量，不仅要找到最频繁的碱基，还要找到置信度最高的碱基。

例如，在过去的桑格时代，执行此操作的算法是 Churchill-Waterman 共识调用算法。也有修改版本以满足您的需求（例如，没有歧义的版本）

【讨论】：