序列质量检查

给定一个序列或一系列FASTA格式的序列，本网站提供了一个工具，以预测它们代表真实的基因和功能产品，或可能源自污染/转录噪声。

幕后程序:

• 计算每个序列的二核苷酸频率(DFs)。
• 在matlab中构造的二次判别分析(QDA)分类器采用DF作为预测因子。QDA被用来划分两个预定义的类:真实基因，我们称之为PSL (PET(普遍表达的转录本)序列样)和基因间区域，我们称之为GSL(基因组序列样)。
• 使用互斥训练集重复预测5次。每个训练集由一个GSL类组成，包含2400个250 ~ 4000bp基因组序列的DFs载体;和一个PSL类，其中包括2400个广泛表达转录本的DFs载体，范围从250到4000bp。
• 报告了该序列属于PSL的后验概率，该后验概率是5个预测的平均值。1减去这个数字就是该序列起源于基因间区域的概率，暗示污染或转录噪声。

关于QDA幕后的任何问题，请联系张杰欣(jiexinzhang@mdanderson.org)

相应的出版

张捷新，张丽，凯文·库姆斯。
通过挖掘UniGene从属网络揭示基因序列的特征。生物信息学2006;22日:385 - 391。

样本输入数据

对输入序列(s):

输入文件应该是FASTA格式的DNA序列，这意味着它以单行描述开始，后面跟着几行序列数据。序列必须至少包含字母。否则，由于序列太短，无法进行预测。

• 描述行以大于号(" > ")开始。
• 大于号(" > ")后面的字直接是序列的" ID "(名称)，其余的行是描述。
• ID和描述是可选的。
• 所有的文本行应该短于80个字符。
• 如果一行的开头有另一个大于symbol(" > ")的序列，并且另一个序列开始，则该序列结束。
• 序列有望在标准IUB/IUPAC核酸编码中表示。

样本数据:

> gi | 58380931 | ref | XM_310883.2 |冈比亚疟蚊str CAGGGTTCGGACCCAAGGGTCGCCACCTGTCGCGGCAAGCTGCAGAGCAAGCGGTGCAAGCTGAACCAGG AAATCAACAAGGAGCTCCGGTTGCGGGCCGGTGCCGAAAACCTTTACAAGGCCACCACGAACAAGAAGCT CAAGGACACGGTCGCACTCGAGCTGAGCTTCGTCAACTCGAACCTGCAGCTGCTGAAGGAGCAGCTGTCC GAGCTGAACTCCTCCGTCGAGATCTACCAAAGTGAAGGCCTCGACTACGTTATACCGATGATACCGCTCGGGCTGAAGGAAACGAAGGAGGTCAACTTTATGGAACCGTTCTCGGACTTTATTCTGGAGCACTACAGCGA GCCGTCGCACATCTACGAGGACGCGATCGCCGACATTACCGACACGAGACAGGCCGCCAAAACGCCGACC CGCGATGCGCAGGGCGTTTCGCTGCTGTTCCGCTACTACAACCTGCTGTACTACGTCGAGCGGCGCTTCT TCCCGCCCGATCGCAGCCTGGGCGTGTACTTCGAATGGT > gi | 58378162 | ref | XM_308283.2 |冈比亚疟蚊strTTCACCGCAAACCTGCAGGGCGATTACATCAAGCATCCCGTGCTGTACGAGCTGAGCCACAAGTACGGCC TGCCGGACAATGTGTCCGAGCAGCTGCTGCCGGACCGGCTGGAGGAGATCAAGGAGGCGATCCGGCGCGA