L'objectif du TP est de comparer 5 especes de bactéries entre elles. Les données sont disponibles sur ce lien
Le but est d'obtenir toutes les distances paire à paire des différentes bactéries.
Concernant le code, les nucléotides différents aux quatres principaux ont été retiré avec une fonction regex (re.sub) dans la fonction stream_kmers.
Après exécution du code, voici la matrice des distances dés bactéries obtenue :
| GCF_020526745.1_ASM2052674v1_genomic.fna | GCF_014892695.1_ASM1489269v1_genomic.fna | GCF_008244785.1_ASM824478v1_genomic.fna | GCF_020535205.1_ASM2053520v1_genomic.fna | GCF_000006945.2_ASM694v2_genomic.fna | |
|---|---|---|---|---|---|
| GCF_020526745.1_ASM2052674v1_genomic.fna | 0.0 | 0.0019466253653915354 | 0.019325578624672622 | 0.6138990942236009 | 0.019091889920944443 |
| GCF_014892695.1_ASM1489269v1_genomic.fna | 0.0019466253653915354 | 0.0 | 0.00176801912767907 | 0.0039007084501784146 | 0.0017591971757668513 |
| GCF_008244785.1_ASM824478v1_genomic.fna | 0.019325578624672622 | 0.00176801912767907 | 0.0 | 0.018013179734302463 | 0.9377564127983907 |
| GCF_020535205.1_ASM2053520v1_genomic.fna | 0.6138990942236009 | 0.0039007084501784146 | 0.018013179734302463 | 0.0 | 0.01791031228841616 |
| GCF_000006945.2_ASM694v2_genomic.fna | 0.019091889920944443 | 0.0017591971757668513 | 0.9377564127983907 | 0.01791031228841616 | 0.0 |
Voici également le temps d'exécution qu'il a fallu pour calculer cette matrice ainsi que l'espace mémoire maximale. La commande /usr/bin/time -v a été utilisée sur Ubuntu et la commande /usr/bin/time -l a été utilisée sur macOS.
Voici le résultat obtenu sur Ubuntu :
Voici le résultat obtenu sur Mac :
Le calcul de la matrice de Jaccard a pour but d’identifier les relations de similarité entre les différentes espèces bactériennes. En effet, cette distance nous permet de mesurer la dissimilarité (complément de la similarité : Similarité = 1- distance_de_jaccard) entre les séquences paires à paires. Plus la distance dans la matrice entre deux espèces est proche de 0 plus les séquences des espèces sont proches, et inversement plus cette distance s’approche de 1 plus la similarité entre les séquences est faible. D’après la matrice calculée on peut déduire que:
- Les 2 espèces les plus proches sont “GCF_020526745.1_ASM2052674v1_genomic” et “GCF_014892695.1_ASM1489269v1_genomic” elles ont un pourcentage de similarité d’environ 1-0.001 = 0.999% .
- Les 2 espèces les plus éloignées sont “GCF_008244785.1_ASM824478v1_genomic” et “GCF_000006945.2_ASM694v2_genomic” elles ont un pourcentage de similarité d’environ 1-0.937 = 0.063% .