Undersøgelse af ikke lineære sammenhænge mellem codon ...

More documents

Recommendations

Info

Figuren viser fordelingen af dicodon CAI-værdier beregnet ud fra 100 højtudtrykte gener Det ses på figuren, at der er et lille hak, som der er for Li og Sharps CAI, og dermed en forudsigelse af højtudtrykte gener, men da der ikke er så mange punkter efterfølgende, forudsiger denne endnu færre højtudtrykte gener. Figuren viser dicodon CAI, der er beregnet ud fra 100 udtagne gener, men det samme gjorde sig gældende for de andre udtag. 20
Konklusion Det er blevet undersøgt hvor god Li og Sharps CAI er, og det kan konkluderes at denne er det bedste bud til forudsigelse af højtudtrykte gener, da der er en korrelation mellem CAI og ekspressionsværdierne på 0,734 (ikke log-transformeret data). Samtidig forudsiges kun en lille del af det samlede antal gener til at være højtudtrykte. Der er blevet beregnet en ”Optimal” CAI, men denne egner sig ikke til forudsigelse af højtudtrykte gener, da der ikke er nogle CAI-værdier under 0,5 og dermed ingen forudsigelse af lavt udtrykte gener, og som følge deraf er korrelationen generelt lav. Grunden til dette er w, der næsten er modsat af Li og Sharps w. Den indeholder ingen lave værdier, hvorimod den oprindelige næsten ikke har nogle høje værdier(når der ses bort fra de værdier der er 1). Til slut er der blevet beregnet en dicodon CAI. I denne er der større spredning end i den ”optimale” CAI, men forudsigelsen af højtudtrykte gener er stadig ikke god, da mean og median for disse CAIværdier ligger over 0,7. Deraf ses det, at over halvdelen af generne forudsiges til at være højtudtrykte Der er set på basesammensætningen, for at se om denne kunne forklare resultaterne, men sammensætningen er næsten konstant for de udtagne gener sammenlignet med hele organismen, så dette kan ikke forklare de høje CAI-værdier. Det må derfor konkluderes, at hvis man ønsker forudsigelse af højtudtrykte gener, skal man benytte Li og Sharps w. 21
Page 1 and 2: Undersøgelse af ikke lineære samm
Page 3 and 4: Indledning Protein kodes af RNA, de
Page 5 and 6: Data For at lave CAI beregninger, s
Page 7 and 8: Normalisering af data For at kunne
Page 9 and 10: Geometrisk gennemsnit Herefter bere
Page 11 and 12: Beregning af optimal CAI Der beregn
Page 13 and 14: Resultater Li og Sharps CAI Herunde
Page 15 and 16: Pearson korrelation for ikke logari
Page 17 and 18: Dicodon CAI For at få et overblik
Page 19: Diskussion Den optimale CAI forudsi
Page 23 and 24: [8] Cheng Li and Wing Hung Wong, Mo
Page 25 and 26: Normalisering af data: Sc.data.qsp
Page 27 and 28: Koble genudtryk med gennavne source
Page 29 and 30: Til Optimal CAI beregning kun gener
Page 31 and 32: Beregning af CAI wk=0 CAI.vector.10
Page 37 and 38: For alle gener...De 100 højst udtr
Page 39 and 40: For alle gener...For de 24 højst u
Page 41 and 42: For alle gener...De 250 højst udtr
Page 43 and 44: Sammenligning mellem Li og Sharps C
Page 45 and 46: Sammensætning af gener i dicodons:
Page 47: Sammenligning mellem dicodon CAI og

Undersøgelse af ikke lineære sammenhænge mellem codon ...

Create successful ePaper yourself

Delete template?

Save as template?