1. データ解析の基礎
導入
2008年８月，データ解析の基礎，加藤，瀬々，金子． 1
3. 生命情報学で扱うデータ
生物学的配列 タンパク質立体構造
遺伝子発現データ 遺伝子のネットワーク
など様々
本講義では，生物学的配列を扱う
Molecular Biology of the Cell ４版
2008年８月，データ解析の基礎，加藤，瀬々，金子． 3
4. 生物学的配列
• DNA配列
– アデニン(A)，グアニン(G)，シトシン(T)，チミン(C)
からなる４種類の塩基の鎖
• RNA配列
– アデニン(A)，グアニン(G)，シトシン(T)，ウラシル(U)
からなる４種類の塩基の鎖
• アミノ酸配列
– ２０種類のアミノ酸の鎖
2008年８月，データ解析の基礎，加藤，瀬々，金子． 4
5. DNA配列
Molecular Biology of the Cell ４版
2008年８月，データ解析の基礎，加藤，瀬々，金子． 5
6. アミノ酸配列
２０種類のアミノ酸
Molecular Biology of the Cell ４版
2008年８月，データ解析の基礎，加藤，瀬々，金子． 6
10. DNA配列の逆相補鎖 塩基 相補塩基
A T
T A
G C
C G
たとえば
5’ ATGGCGAACG 3’
の相補鎖は
3’ TACCGCTTGC 5’
となり，5’末端を左にすると
5’ CGTTCGCCAT 3’
となる
Molecular Biology of the Cell ４版，p.194
2008年８月，データ解析の基礎，加藤，瀬々，金子． 10
11. 長いDNA配列の逆相補鎖を求めたい
CAAAAATTGATGGGGAGTCATCATGTGACTGTGCATATTACACGGCAAACACCTTGGCATTTTGACAGCT
TCACAAGGGCCATGTGCTTGGTTTCTAGGGCAAGGATTTTAGAGTAAAAAAGTGAAAGCTGCTTTATTAA
TACAATAGAGATACTGTATCCTACAGAGTAGATTCTAGTAAAGAGACTCCAAATAATTTTGCAAACATTT
ATACTTCTGAGTTCAAATAAAGAATTTGAGCATTAATGGGATTCTAGGTTCATAATACAAAACTCAAGAC
TCTAGTACCATACAGTCTAGATGTGTCATGATCAAAACTCCCCTGTGCACCCCTTTACAGATAACCACTT
CCCCTCCTCAAACACCTGGAAACCATTCTTCTGTTTTCCATGCCCACAGATGTGCCTTTTCCAGAACATG
AGACAAATGAAATTATACAAAGTGTAGCCTTTTCAACTGTCTTCTTTCATTTAGCAATATACATTCAAGA
TTCATTCTTGTTGTTGCATGGATTAATAGCTCTTTCTTTGTTATATGGAATAGTATCCCATTGTAGTTCC
ACCACAGTTGGTGTATCCATTTGTATATTGAAGGACTTCTTGGTTGCTTTTTCTCTGTTTTTGGTGATTA
TGAATAAAACTGCTATAAACATTTTTTGTAGGTTTTTATGTTTATGTTATTTTTCAAGTCAGGTGGAGGA
TTTGATTTGATAAGAAATATTTGATTCTATCTCTTTTAAACTCTGAAATTAGGTGCAAACAGATTAGGAT
TGGTGTGTCTTCATGATTGATTAAGCCCCTTATCATATGACATGCTTCTCTTTACTTTTGATTATATTTT
TTCTTCTGAAATCTACAGAGTAAGATATTGATGTGACTGCTTTAGCTCCTTTATAATTACTATTTGCATT
GTATTGTATATCTTTGTTCATCTTTTTATGTTTTAAGTAGTCTGTGTCTTTATATTTAAAGTGGATTCAA
GGTAGGCAGCAAATAGTTGGC
これくらい長い配列の逆相補鎖を手で求めるのは大変
→計算機にやらせよう
2008年８月，データ解析の基礎，加藤，瀬々，金子． 11
22. 長い配列の場合
この２本から相同な領域を見つけたい
ATAATTATAAAATATTATATTGAAATTAAAGTATATCCAATCAAAAGCATAAAACAGCTGGTTTTAGTAA CAAAAATTGATGGGGAGTCATCATGTGACTGTGCATATTACACGGCAAACACCTTGGCATTTTGACAGCT
AGTGATGGCAGCAGTCACTCTTCAGAGTTAGGTATTGGGACAACGGTAAATAGGTAAAATGGGCATAGAA TCACAAGGGCCATGTGCTTGGTTTCTAGGGCAAGGATTTTAGAGTAAAAAAGTGAAAGCTGCTTTATTAA
TATTCAAAGATTAATTTAAAACAATACGGAGGAGAATTGACTGTCTCTGGTCTCTGTTCTGTTCTGACTC TACAATAGAGATACTGTATCCTACAGAGTAGATTCTAGTAAAGAGACTCCAAATAATTTTGCAAACATTT
AATCTCTGTCCCTGGCCTTAAAATATCAGCACCTACCCAGGAAAACAATATTCACCAGGAGCCATTGGAT ATACTTCTGAGTTCAAATAAAGAATTTGAGCATTAATGGGATTCTAGGTTCATAATACAAAACTCAAGAC
GAGGGACAAAGATAGAGAACCCATGTCTTTTCCAGACTTCAGTCTTCACCTTTTACACTCTGCAGTATCA TCTAGTACCATACAGTCTAGATGTGTCATGATCAAAACTCCCCTGTGCACCCCTTTACAGATAACCACTT
GTATACTCAGCACACTGATATAAGAAAAGCCATCACGATTATTACAAGCTAATTAGGAATTTGACGTCAC CCCCTCCTCAAACACCTGGAAACCATTCTTCTGTTTTCCATGCCCACAGATGTGCCTTTTCCAGAACATG
TGGACGGTAGTGACCAAGAGACCCAGAGGAGAGTTGTGATAGCAGAAATACCTTAATCAGGGATAATTAC AGACAAATGAAATTATACAAAGTGTAGCCTTTTCAACTGTCTTCTTTCATTTAGCAATATACATTCAAGA
GTGAGACAATTTGTTTGCCCACAATAATTATGGTGCATCACCTTGAGGATTTCACAAATGGAAGAAGCAG TTCATTCTTGTTGTTGCATGGATTAATAGCTCTTTCTTTGTTATATGGAATAGTATCCCATTGTAGTTCC
CAGGCCTAATGGAAATGCTTTGTTCTGTAAGAGATGTAACACTTTTTTTAAAAAGCAATGAGTAATTTTG ACCACAGTTGGTGTATCCATTTGTATATTGAAGGACTTCTTGGTTGCTTTTTCTCTGTTTTTGGTGATTA
TTAGCTAATTCTTTATGTTTCCGAAGAGCTTTAGAAAAGCACTATTGGGAGTGTCAAAAATTGATGGGGA TGAATAAAACTGCTATAAACATTTTTTGTAGGTTTTTATGTTTATGTTATTTTTCAAGTCAGGTGGAGGA
GTCATCATGTGACTGTGCATATTACACGGCAAACACCTTGGCATTTTGACAGCTTCACAAAAGCCATGTG TTTGATTTGATAAGAAATATTTGATTCTATCTCTTTTAAACTCTGAAATTAGGTGCAAACAGATTAGGAT
CTTGGTTTCTAGGGCAAGGATTTTAGAGTAAAAAAGTGAAAGCTGCTTTATTAATACAATAGAGATACTG TGGTGTGTCTTCATGATTGATTAAGCCCCTTATCATATGACATGCTTCTCTTTACTTTTGATTATATTTT
TATCCTACAGAGTAGATTCTAGTAAAGAGACTCCAAATAATTTTGCAAACATTTATACTTCTGAGTTCAA TTCTTCTGAAATCTACAGAGTAAGATATTGATGTGACTGCTTTAGCTCCTTTATAATTACTATTTGCATT
ATAAAGAATTTGAGCATTAATGGGACTCTAGGTTCATAATACAAAACTCAAGACTCTAGTACCATACAGT GTATTGTATATCTTTGTTCATCTTTTTATGTTTTAAGTAGTCTGTGTCTTTATATTTAAAGTGGATTCAA
CTAGATGTGTCATGATCAAAACTCCCCTGTGCACCCCTTTACAGATAACCTCTTCCCCTCCTCAAACACC GGTAGGCAGCAAATAGTTGGC
TGGAAACCATTCTTCTGTTTTCCATGCCTACAGATGTGTGTTTTCCAGAACATGAGACAAATGAAATTGT
ACAATGTGTAGCCTTTTCAACTGTCTTCTTTCATTTAGCAATATACATTCAAGATTCATTCTTGTTGTTG
CATGGATTAATAGCTCTTTCTTTGTTACATGGAATAGTATCCCACTGTATTTCTACCACAGTTTGTGTAT
CCATTTGTATATTGAAGGACTTCTTGGTTGCTTTTTCTCTGTTTTTGGTGATTATGAATAAAACTGCTAT
AAACATTTTTTGTAAGTTTTTATGTTTATGTTATTTTTCAAGTCAGGTGGAGGATTTGATTTGATAAGAA
GAAATATTTGATTCTATTTTAAACTCTGAAATTAGGTGCAAACAGATTAGGATTGGTATGTCTTCATGAT
TGATTAAGCCCCTTATATGACATGCTTCTCTTTACTTTTGATTATATTTTTTCTTCTGAAATCTACAGAG
TCAGATATTGATGTGACTGCTTTAGCTCCTTTATAATTACTATTTGCATTGTATTGTATATCTTTGTTCA
TCTTTTTATGTTTAAGTAGTCTGTGTCTTTATATTTAAAGTGGATTCAAGGTAGGCAGCAAATAGTTGGC
TTTTGCTTGTATTGTTCATTCTAGCAATGCCTGCCTTTTAGTAGACTTCTTATACTATTTACATATAATG
TAAATGATATGTTGGGTTTATATCTACTACCTTGCTACTTTTTTTTAATTTGGGACTTCCTTTACTTTCC
GTTTTTGTGGTAGAATTATATCAACCATGATATGTCTTGCTTTTGTTTGACTTACAAAGTCTTCATTTCA
CTTTCATTTTGAAGGATATTTTACATACTTAAATGATTGTGTTGACTGTTGTTTTCATTCTGTTTTTTTA
ACAATTCTAATCCTGTTTTATAATAAGTATTCAGTTATTCA
2008年８月，データ解析の基礎，加藤，瀬々，金子． 22
25. 塩基配列から進化系統樹を描こう
塩基配列の集合 距離行列
1 2 3 4
GGCTCAGCTA
AGCTGAGCTC 1
GGCTCAGCCC 2 0.3
AGATCGGTTC 3 0.2 0.3
4 0.5 0.4 0.5
進化系統樹
2008年８月，データ解析の基礎，加藤，瀬々，金子． 25
26. 塩基配列間の距離
• p-distance
– ２つの同じ長さの塩基配列の間の距離
– 異なる塩基数 / 長さ
例１ 例２
GGCTCAGCTC GGCTCAGCTC
AGCTGAGCTC GGCTCAGCCC
*** ***** ******** *
p-distance=2/10=0.2 p-distance=1/10=0.1
例３ 例４
GGCTCAGCTC AGCTGAGCTC
AGATCGGTTC GGCTCAGCCC
* ** * ** *** *** *
p-distance=4/10=0.4 p-distance=3/10=0.3
2008年８月，データ解析の基礎，加藤，瀬々，金子． 26
27. 塩基配列から進化系統樹を描こう
塩基配列の集合 距離行列
1 2 3 4
GGCTCAGCTA
AGCTGAGCTC 1
GGCTCAGCCC 2 0.3
AGATCGGTTC 3 0.2 0.3
4 0.5 0.4 0.5
進化系統樹
2008年８月，データ解析の基礎，加藤，瀬々，金子． 27
29. 目標
• Java 言語の文法を習得する
– プログラミングへの最初の壁を突破する
• 講義後もっと学べばより高度なことができる
– オブジェクト指向を覚えれば，使いやすいプログラムが書ける
– システムコールを覚えれば，さまざまな既存のツールを自動的
に呼び出して使える
• ツールを手動で何回も動かさなくても良くなる
– インターネット上のデータベースの使用も自動化できる
– アルゴリズムを勉強すれば，高速に大規模に計算できる
– 統計を勉強すれば，大量データの検定も自動的にできる
– パターン認識を勉強すれば，さまざまな予測ができるようになる
– 多くの場合，他の言語にもjavaと同様な概念がある
2008年８月，データ解析の基礎，加藤，瀬々，金子． 29
31. プログラミング経験者への課題
距離行列
進化系統樹
1 2 3 4
1
2 0.3
3 0.2 0.3
4 0.5 0.4 0.5
距離行列から進化系統樹を描くプログラムを java で作成せよ
期限 ８月２１日18:00 までにメールで提出
課題の詳細はウェブページ参照
2008年８月，データ解析の基礎，加藤，瀬々，金子． 31
32. 参考文献
• B. Albert et al., Molecular Biology of the Cell,
fifth edition, Garland Science
• 林，改訂新Java言語入門ビギナーズ編，ソフトバンクク
リエイティブ
• T. Lindholm & F. Yellin, The Java Virtual
Machine Specification, 2nd edition, Addison-
Wesley Pub
• 丸山＆阿久津，バイオインフォマティクス—配列データ
解析と構造解析，朝倉書店
• 松尾，バイオプログラミング，オーム社
2008年８月，データ解析の基礎，加藤，瀬々，金子． 32
