1


Nepal Journal of Biotechnology. Jan. 2011, Vol. 1, No. 1: 1‐8 

1 

Biotechnology Society of Nepal (BSN), All rights reserved  

ORIGINAL RESEARCH ARTICLE 

Information Theory and Multivariate Techniques for 
Analyzing DNA Sequence Data: An Example from 

Tomato Genes 

Bal K. Joshi and Dilip R. Panthee 
North Carolina State University, Raleigh, North Carolina‐ 27695, USA 

Abstract 
DNA and amino acid sequences are alphabetic symbols having no underlying metric. Use of information theory is 

one of the solutions for sequence metric problems. The reflection of DNA sequence complexity in phenotype 

stability  might  be  useful  for  crop  improvement.  Shannon‐Weaver  index  (Shannon  Entropy,  H’)  and  mutual 

information  (MI)  index  were  estimated  from  DNA  sequences  of  22  genes,  consisted  of  two  gene  families  of 

tomato,  namely  disease  resistance  and  fruit  quality.  Main  objective  was  use  of  information  theory  and 

multivariate  techniques  to  understand  diversity  among  genes  and  relate  the  sequence  complexity  with 

phenotypes. The normalized H’ value ranged from 0.429 to 0.461. The highest diversity was observed  in the 

gene  Crtr‐B  (beta  carotene  hydroxylase).  Two  principal  components  which  accounted  for  36.65%  variation 

placed these genes into four groups. Groupings of these genes by both principal component and cluster analyses 

showed  clearly  the  similarity  at  phenotypes  levels  within  cluster.  Sequences  similarity  among  genes  was 

observed within a family. Diversity assessment of genes applying information theory should link to understand 

the sequences complexity with respect to gene stability for example stability of resistance gene.  

 
Key words: Diversity analysis, DNA sequences, principal component analysis, tomato genes 

 
Correspondence Author: 
E‐mail: joshibalak@yahoo.com 

Introduction 
Sequencing of genomic DNA has been started in many 

organisms in the world and most of the sequences are 

publically available.  International Solanaceae Genome 

Project  (SOL)  has  started  sequencing  the  genome  of 

tomato.  Ten  countries  namely  Korea,  China,  United 

Kingdom, India, The Netherlands, France, Japan, Spain, 

Italy and the United States are involved in the genome 

sequencing  project  of  tomato  (Mueller  et  al.,  2005). 

Tomato is the model plant for the study of a number of 

economically  important  traits  including  fruit 

development  and  plant  defense  (Li  et  al.,  2001; 

Tanksley,  2004).  Major  problem  with  these  sequence 

data  is  metric  problem  i.e.  difficult  to  analyze 

statistically  to  extract  the  biologically  meaningful 

information.  Use  of  information  theory  is  one  of  the 

ways for handling with sequence metric problem data. 

Information theory which  is based on probability and 

statistics quantifies information in the categorical form 

of  data  e.g.  alphabetic  sequences  of  DNA.  Entropy  is 

the  key  measure  of  information  which  quantifies  the 

uncertainty  involved  when  encountering  a  random 

variable.  Another  element  of  information  theory  is 

mutual  information  which  is  the  amount  of 

information in common between two random variables 

(Schneider, 2003; Atchley et al., 2000). 

Many  resistant  varieties  of  tomato  have  been 

developed through the introgression of resistant genes 

either from cultivated or from wild species of tomato. 

More  than  8  years  is  necessary  to  develop  resistant 

variety  through  conventional  breeding  system. 

However, due to the high mutation rate  in pathogen, 

resistant gene may not be effective for a  longer time 

because  of  the  evolution  of  mutant  pathogen.  More 

stable  resistant  gene,  if  possible  to  identify  at  early 

stage  may  contribute  greatly  in  crop  improvement. 

Similarly, there is a high variation for fruit quality traits 



Nepal Journal of Biotechnology. Jan. 2011, Vol. 1, No. 1: 1‐8 

2 

Biotechnology Society of Nepal (BSN), All rights reserved  

of tomato. Many of these genes have been sequenced 

and  data  are  available  in  the  Solanaceae  Genomics 

Network (SGN) (http://sgn.cornell.edu) (Mueller et al., 

2005a; Mueller et al., 2005b). DNA sequences data are 

added rapidly to the SGN. However, utilization of these 

data  is  restricted  due  to  lack  of  data  analysis  tools. 

Using  the  information  theory,  various  indices  and 

variability  had  been  estimated  from  the  amino  acid 

sequences  data  and  subsequently  analyzed  using 

multivariate techniques (Atchley et al., 1999; Atchley et 

al., 2000; Atchley and Zhao, 2007; Atchley et al., 2005). 

DNA sequences are also alphabetic symbols that need 

to transform these symbols to biologically meaningful 

variables.  Approaches  used  by  Atchley  et  al.  (1999, 

2000,  2005)  can  be  used  to  summarize  the  DNA 

sequences  data.  Multivariate  technique,  for  example 

Principal  Component  Analysis  (PCA)  and  cluster 

analysis  would  help  greatly  to  draw  inference  from 

these DNA sequences data. The objective of this study 

was  to  measure  the  diversity  and  to  study  the 

relationship  between  sequence  variation  and 

phenotype  among  two  gene  families  namely  disease 

resistance and fruit quality.  

Multivariate analysis allows using all available variable 

information  simultaneously  producing  a  single 

parameter.  It  has  been  used  for  both  qualitative  and 

quantitative  characters  to  measure  genetic 

relationships  within  cereal  species  e.g.  barley  (Cross, 

1992;  Hussaini  et  al.,  1977)  and  rice  (Kanwal  et  al., 

1983).  The  information  generated  can  be  useful  for 

identifying  groups  of  accessions  that  have  desirable 

characters for further study and for investigating some 

aspects  of  crop  evolution  (Brown,  1991;  Cowen  and 

Frey,  1987;  Perry  and  McIntosh,  1991).  Among  the 

different  methods  of  multivariate  analysis,  PCA  and 

cluster analysis are commonly used. PCA is a technique 

for analyzing relationships among several quantitative 

variables  measured  on a  number  of  objects  (Ringnér, 

2008).  It  provides  information  about  the  relative 

importance  of  each  variable  in  characterizing  the 

objects.  Cluster  analysis  can  be  used  to  group  units 

according to the similarity for certain characteristics.  

Among  the  different  measures  of  diversity,  Shannon‐
Weaver index (Shannon entropy, H') is being used for 
qualitative  traits  (Holcomb  et  al.,  1977;  Niwranski  et 
al., 2002; Tolbert et al., 1979) and amino acid sequence 
data (Atchley et al., 2000, 2005). Principally H' includes 
both  species  number  and  evenness,  where  a  greater 
number of species  increase diversity, as does a more 

equitable distribution of individuals among species. As 
species  richness  and  evenness  increase,  so  does 
diversity.  Diversity  index  provides  important 
information about rarity and commonness of species in 
a  community.  The  ability  to  quantify  diversity  in  this 
way  is  an  important  tool  for  biologists.  Alphabetic 
sequence data can be summarized more precisely with 
this  idea  and  multivariate  techniques.  This  paper 
describes  the  gene  diversity  in  tomato  using 
information theory and multivariate techniques. 

Materials and Methods 
Tomato  Genetic  Resource  Center  (TGRC)  (http://

tgrc.ucdavis.edu) has  listed a total of 1239 genes and 

their  symbols  along  with  their  phenotypes.  Among 

them, there are 68 resistance genes related to diseases 

and 41 genes related to fruit quality of tomato. A total 

of 22 genes (Table 1) consisting of 8 disease resistance 

genes, 12 fruit quality related genes and 2 genes from 

potato  genome  were  used  in  this  study.  DNA 

sequences along with other traits of these genes were 

downloaded  from  Solanaceae  Genomics  Network 

(http://sgn.cornell.edu).  

Multiple  alignments  of  DNA  sequences  were  done  in 
ClustelX2  (http://www.clustal.org/).  ClustalX2 
calculates  the  best  match  for  the  selected  sequences 
based on the homology concept, and lines them up so 
that the  identities, similarities and differences can be 
seen.  Shannon  Entropy  (H’)  was  estimated  for  each 
gene,  not  the  site  of  nucleotides  using  the 
FastaEntropy  software.    FastaEntropy  was  originally 
developed for estimating H’ and MI of amino acid sites 
(column wise) based on the 20 amino acids ( Atchley et 
al., 1999,2000; Butte and Kohane, 2000). We used this 
software  in DNA sequences data. To verify the use of 
FastaEntropy in DNA sequences data, we estimated H’ 
of  translated  amino  acids  and  found  the  strong 
association  with  DNA  sequence‐based  estimates. 
Normalized  entropy  value  was  used  to  develop  the 
entropy  profile  of  each  gene.  Normalized  mutual 
information (MI) matrix among the genes was used to 
generate  the  scatter  biplot  considering  Principal 
Components  I  and  II  using  NTSYSpc  (http://
www.exetersoftware.com/index.html). Cluster analysis 
was also carried out based on this MI in NTSYSpc. PCA 
permits  reduction  of  the  complexity  or  dimension  of 
the  problem  (Johnson  and  Wichern,  1988;  Ringnér, 
2008). The technique consists of reducing the structure 
of  the  data  matrix  starting  from  a  linear  model  of 
getting  new  variables,  referred  to  as  principal 



Nepal Journal of Biotechnology. Jan. 2011, Vol. 1, No. 1: 1‐8 

3 

Biotechnology Society of Nepal (BSN), All rights reserved  

components.  Those  principal  components  with  eigen 
values ³ 1.0 were selected. Cluster analysis allows one 
to  identify  groups  of  objects  or  variables  that  are 
similar among themselves (Sneath and Sokal, 1973).  

RESULTS AND DISCUSSION 
Generally mapping populations in tomato is generated 

by crossing cultivated species with wild relatives which 

results in maximizing the genetic variation particularly 

for disease resistance and fruit quality traits  (Frary et 

al.,  2000;  Fridman  et  al.,  2000).  Therefore,  we  used 

these  two  gene  families  (disease  resistance  and  fruit 

quality)  to  assess  and  characterize  the  sequence 

variation. All available genes with DNA sequences were 

included in our study. 

Tomato is a diploid with 2n= 24 chromosomes and self 
pollinated species. The eight disease resistance genes 
are located in chromosomes 1, 3, 4, 5 and 6, mostly in 
long arm (Table 1). One locus, Pseudomonas syringe pv 
tomato  resistance  has  4  alleles.  DNA  sequences  of 
these genes ranged from 1496 to 3987 base pairs. The 
number of sequences of alleles of Pto were the same. 
With regards to 12 fruit quality related genes, mostly 
they are located in long arm of chromosomes 3 and 6. 
Beta carotene gene has 4 alleles with the same number 
of  DNA  sequences  and  Py‐1  gene  has  5  alleles  with 
different number of sequences. The allele prov5 of Psy‐
1 has the shortest sequences and never ripe, nr has the 
longest DNA sequences. Two disease resistance genes 
from potato genome were of 1508 and 333 number of 
base pairs.  

Shannon entropy profiles along with their index (H’) of 

each  gene  are  given  in  Figure  1.  The  normalized  H’ 

value  ranged  from  0.4291  to  0.461.  All  the  alleles  of 

beta carotene and Pto have the same H’ values. Both 

genes  of  potato  indicated  more  gene  diversity  and 

complexity  as  compared  to  tomato  genes.  Within 

tomato  genes,  the  highest  diversity  was  observed  in 

the gene, CrtR‐b (Beta carotene hydroxylase) and the 

lowest diversity  in Phytoene synthase‐1 (prov5). Gene 

of  white  flower  was  the  most  variable  and  of  yellow 

flower  was  the  least  variable.  The  second  highest 

complexity  in  DNA  sequences  was  observed  in  the 

gene  resistance  to  potato  cyst  nematode.  Entropy 

values  of  all  the  proteins,  generated  after  translating 

these  DNA  sequences  were  higher  than  their  genes, 

but  strong  correlation  between  directly  estimated  H’ 

values  of  genes  and  H’  of  their  translated  protein 

indicates that FastaEntropy can be used to estimate H’ 

from DNA sequences (data not shown). On an average, 

H’ value of disease resistance gene family was higher 

than fruit quality gene family. 

The higher the H’ value, the more sequence complexity 

in  the  gene.  Based  on  this  hypothesis  the  gene  with 

high H’ value would be more stable or such gene need 

long time to take place the evolutionary changes. This 

is very useful particularly to develop disease resistance 

variety. Breeder can identify the more stable resistance 

genes looking on the Shannon entropy profile.  

Mutual information values for genes are given in Table 
2. The value with 1, for example, among the alleles of 
Pto (Pseudomonas syringae pv tomato resistance) and 
B  (beta  carotene)  indicates  that  the  alleles  of  these 
genes have the same sequences. The associations   of 
Psy‐1‐prov5 (yellow color of ripe fruit flesh) with Psy‐1‐
2s  and  Psy‐1‐prov4  were  the  highest.  Association  of 
RanGAP‐2 was  lower with most of the genes. Mutual 
information  values  describe  the  extent  of  association  

Figure 1. 
Normalized 
Shannon entropy 
profile of tomato 
genes 



Nepal Journal of Biotechnology. Jan. 2011, Vol. 1, No. 1: 1‐8 

4 

Biotechnology Society of Nepal (BSN), All rights reserved  

SN  Gene  Allele  Locus Name  Chromosome‐arm  Phenotype  Seq. Length 
Disease resistance genes       

 1  Asc  ‐‐ 
Alternaria stem 
canker resistance 

 3‐long  Resistance to Alternaria stem canker  1496 

 2  Cf‐9  ‐‐ 
Cladosporium 
fulvum resistance 

 1‐short 
Resistance to specific races of 
Cladosporium fulvum 

2906 

 3  Hero  ‐‐ 
Heterodera 
rostochiensis 

 4‐short 
Resistance to potato cyst nematode 
(Globodera rostochiensis) 

4280 

 4  Pto  1 
Pseudomonas 
syringae pv tomato 
resistance 

 5‐long 
Resistance to Pseudomonas syringae 
pv tomato, race zero sensitive to 
insecticide Fenthion 

2466 

 5  Pto  2 
Pseudomonas 
syringae pv tomato 
resistance 

 5‐long 
Resistance to Pseudomonas syringae 
pv tomato 

2466 

 6  Pto  h 
Pseudomonas 
syringae pv tomato 
resistance 

5‐long 
Resistance to Pseudomonas syringae 
without Fenthion sensitivity 

2466 

 7  Pto  Pto‐2 
Pseudomonas 
syringae pv tomato 
resistance 

 5‐long 
Resistance to Pseudomonas syringae 
pv tomato 

2466 

 8  Mi‐1.2    
Leucine zipper, 
nucleotide binding, 
leucine‐rich repeat 

6‐short 

R gene that confers resistance 
against some species of root knot 
nematode and specific isolates of 
potato aphid and white fly 

3987 

Fruit quality genes          

 9  B  1  Beta‐carotene   6‐long 
Flesh of ripe fruit orange, due to high 
B‐carotene, low lycopene 
concentrations 

1772 

 10  B  c  Beta‐carotene  6‐long 
Increased fruit lycopene content, 
phenotype similar to B‐og 

1772 

 11  B  m  Beta‐carotene  6‐long 
High B‐carotene, low lycopene in ripe 
fruit 

1772 

 12  B  og  Beta‐carotene  6‐long 
Corolla tawny orange, increased fruit 
lycopene 

1772 

 13  CrtR‐b  wf 
Beta carotene 
hydroxylase 

3‐short  White flower  1340 

 14  nr  ‐‐  Never ripe   9‐long 

Fruits turn color at normal time, but 
develop full pigmentation slowly and 
never assume as deep a color as 
normal 

3240 

 15  Psy 1  (1s)  Phytoene synthase 1   3‐short  Yellow color of ripe fruit flesh  942 

 16  Psy 1  (2s)  Phytoene synthase 1   3‐short 
Yellow fruit flesh, lighter yellow 
flowers 

1730 

 17  Psy  1  prov4  Phytoene synthase 1  3‐short  Yellow color of ripe fruit flesh  1939 
 18  Psy 1  prov5  Phytoene synthase 1  3‐short  Yellow color of ripe fruit flesh  213 

 19  Psy 1  y  Phytoene synthase 1  3‐short 
Likely allele of r with reddish flesh 
tones in ripe fruit 

303 

 20  rin  1  Ripening inhibitor   5‐long 
Fruits green at maturity, later turning 
bright yellow, retarded ripening 

1192 

Potato genes          

 21  Star    
Solanum tubersum 
ankyrin repeat 

  
Putatively involved in quantitative 
resistance to Phytophthora infestans 

1508 

 22 
RanGA
P2 

  
GTPase‐activating 
protein 

  
A GTPase‐activating protein that 
interacts with Rx, the potato virus X 
resistance gene 

333 

Table 1. List of genes and phenotypes along with their location related to diseases resistance and fruit quality of 

tomato (http://tgrc.ucdavis.edu/Data/Acc/Genes.aspx) used in this study 

between  gene  pair  and  zero  value  between  them 

means  they  are  independent  (Atchley  et  al,  1999, 

2000).  We  found  all  genes  having  some  degree  of 

association with each others.  

Result of principal component analysis of sequences of 

DNA  is  given  in  Figure  2.  The  first  seven  principal 



Nepal Journal of Biotechnology. Jan. 2011, Vol. 1, No. 1: 1‐8 

5 

Biotechnology Society of Nepal (BSN), All rights reserved  

components with ≥ 1 eigen value accounted for 70.03% 

of  the  total  variance  among  the  genes  based  on  the 

DNA  sequences.  The  first  principal  component 

explained  18.61%  and  second  component  accounted 

for 18.03% variance. Plotting of these accessions along 

first  and  second  principal  components  indicated  that 

these  genes  were  placed  in four  groups. Most  of the 

individual  genes  make  a  separate  cluster  (Figure  3). 

Clustering  these  genes  can  be  helpful  to  identify  the 

similarity among the genes.  

Both  PCA  and  cluster  analysis  separated  these  genes 

into  four  groups.  These  grouping  were  also  similar 

phenotypically.  For  example,  genes  related  to  beta 

carotene  make  a  single  cluster  and  genes  related  to 

fruit  characters  tended  to  appear  together.  This 

indicates that the nature of variation in DNA sequences 

reflect the similar variation at phenotypic levels.  

Genes  within  cluster  were  phenotypically  similar. 

However,  one  group  consisted  of  both  disease 

resistance and fruit quality genes. This might be due to 

role  of  secondary  metabolites  in  fruit  quality  and 

disease resistance. For example tomato fruit contains 

antioxidant, mainly pigment which is also necessary in 

defense  mechanism.  Potato  gene,  RanGAP2  made  an 

Figure 2. Plotting of tomato genes considering Principal Component I (18.61%) and Principal Component II 
(18.03%) based on mutual information index calculated from the DNA sequences  

Figure 3. UPGMA cluster analysis of tomato genes generated from the mutual information matrix 



Nepal Journal of Biotechnology. Jan. 2011, Vol. 1, No. 1: 1‐8 

6 

Biotechnology Society of Nepal (BSN), All rights reserved  

G
en

e 
P
to
 

2 
3 

4 
5 

6 
7 

8 
9 

10
 

11
 

12
 

13
 

14
 

15
 

16
 

17
 

18
 

19
 

20
 

21
 

P
to
2 

1 
1 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 

P
to
‐2
 

1 
1 

1 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 

P
to
‐h
 

1 
1 

1 
1 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 

P
sy
‐1
‐2
s 

0.
02

7 
0.
02

7 
0.
02

7 
0.
02

7 
1 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

P
sy
‐1
‐

p
ro
v5

 
0.
08

1 
0.
08

1 
0.
08

1 
0.
08

1 
0.
90

8 
1 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 

P
sy
‐1
‐

p
ro
v4

 
0.
02

5 
0.
02

5 
0.
02

5 
0.
02

5 
0.
26

7 
0.
90

8 
1 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

P
sy
‐1
‐y
 

0.
05

6 
0.
05

6 
0.
05

6 
0.
05

6 
0.
63

7 
0.
75

6 
0.
65

 
1 

 
 

 
 

 
 

 
 

 
 

 
 

 

H
er
o
 

0.
00

9 
0.
00

9 
0.
00

9 
0.
00

9 
0.
01

3 
0.
03

1 
0.
01

5 
0.
01

6 
1 

 
 

 
 

 
 

 
 

 
 

 
 

M
i‐
1.
2 

0.
01

 
0.
01

 
0.
01

 
0.
01

 
0.
01

 
0.
01

7 
0.
01

4 
0.
01

3 
0.
23

 
1 

 
 

 
 

 
 

 
 

 
 

 

B
‐1
 

0.
01

1 
0.
01

1 
0.
01

1 
0.
01

1 
0.
01

2 
0.
03

4 
0.
01

1 
0.
01

2 
0.
07

7 
0.
06

4 
1 

 
 

 
 

 
 

 
 

 
 

B
‐c
 

0.
01

1 
0.
01

1 
0.
01

1 
0.
01

1 
0.
01

2 
0.
03

4 
0.
01

1 
0.
01

2 
0.
07

7 
0.
06

4 
1 

1 
 

 
 

 
 

 
 

 
 

B
‐m

 
0.
01

1 
0.
01

1 
0.
01

1 
0.
01

1 
0.
01

2 
0.
03

4 
0.
01

1 
0.
01

2 
0.
07

7 
0.
06

4 
1 

1 
1 

 
 

 
 

 
 

 
 

B
‐o
g 

0.
01

1 
0.
01

1 
0.
01

1 
0.
01

1 
0.
01

2 
0.
03

4 
0.
01

1 
0.
01

2 
0.
07

7 
0.
06

4 
1 

1 
1 

1 
 

 
 

 
 

 
 

P
sy
‐1
‐1
s 

0.
00

7 
0.
00

7 
0.
00

7 
0.
00

7 
0.
02

2 
0.
02

1 
0.
02

3 
0.
02

4 
0.
00

9 
0.
01

 
0.
00

5 
0.
00

5 
0.
00

5 
0.
00

5 
1 

 
 

 
 

 
 

n
r‐
1 

0.
00

6 
0.
00

6 
0.
00

6 
0.
00

6 
0.
01

 
0.
03

6 
0.
01

2 
0.
00

9 
0.
00

5 
0.
00

3 
0.
00

5 
0.
00

5 
0.
00

5 
0.
00

5 
0.
01

1 
1 

 
 

 
 

 

ri
n
‐1
 

0.
01

2 
0.
01

2 
0.
01

2 
0.
01

2 
0.
01

2 
0.
02

9 
0.
01

4 
0.
01

9 
0.
00

6 
0.
00

8 
0.
00

5 
0.
00

5 
0.
00

5 
0.
00

5 
0.
00

7 
0.
01

 
1 

 
 

 
 

St
ar
 

0.
00

6 
0.
00

6 
0.
00

6 
0.
00

6 
0.
01

8 
0.
02

1 
0.
01

8 
0.
05

4 
0.
00

5 
0.
00

5 
0.
01

4 
0.
01

4 
0.
01

4 
0.
01

4 
0.
02

7 
0.
01

 
0.
01

 
1 

 
 

 

A
sc
 

0.
00

4 
0.
00

4 
0.
00

4 
0.
00

4 
0.
00

3 
0.
02

2 
0.
00

5 
0.
02

 
0.
00

6 
0.
00

5 
0.
00

8 
0.
00

8 
0.
00

8 
0.
00

8 
0.
00

4 
0.
00

2 
0.
01

1 
0.
01

8 
1 

 
 

C
rt
R
‐w

f 
0.
00

4 
0.
00

4 
0.
00

4 
0.
00

4 
0.
00

8 
0.
02

1 
0.
01

3 
0.
01

2 
0.
00

7 
0.
00

8 
0.
00

8 
0.
00

8 
0.
00

8 
0.
00

8 
0.
00

9 
0.
00

8 
0.
00

5 
0.
02

 
0.
00

4 
1 

 

R
an

G
A
P
‐2
 

0.
00

3 
0.
00

3 
0.
00

3 
0.
00

3 
0.
00

7 
0.
02

8 
0.
00

7 
0.
02

2 
0.
00

6 
0.
00

6 
0.
00

3 
0.
00

3 
0.
00

3 
0.
00

3 
0.
00

8 
0.
00

4 
0.
00

3 
0.
01

4 
0.
00

3 
0.
00

7 
1 

C
f‐
9 

0.
00

5 
0.
00

5 
0.
00

5 
0.
00

5 
0.
00

7 
0.
02

8 
0.
00

8 
0.
02

3 
0.
00

4 
0.
00

5 
0.
00

8 
0.
00

8 
0.
00

8 
0.
00

8 
0.
00

7 
0.
00

4 
0.
00

4 
0.
03

2 
0.
00

6 
0.
00

7 
0.
00

3 

Ta
b
le
 2
. M

u
tu
al
 in
fo
rm

at
io
n
 m

at
ri
x 
am

o
n
g 
22

 g
en

es
 o
f 
to
m
at
o
 a
n
d
 p
o
ta
to
 e
st
im

at
ed

 f
ro
m
 D
N
A
 s
eq

u
en

ce
s 



Nepal Journal of Biotechnology. Jan. 2011, Vol. 1, No. 1: 1‐8 

7 

Biotechnology Society of Nepal (BSN), All rights reserved  

individual  cluster.  Phytophthora  infestans  resistance 

gene from potato clustered with Cladosporium fulvum 

resistance gene of tomato.  

Sequences of DNA are being deposited in the website 

by large amount and such data has a sequence metric 

problem. This problem could now be handled following 

the method of estimating variability and covariability, 

mutual  information  index  and  applying  dimension 

reduction  approaches  as  used  in  amino  acids 

sequences  (Atchley  et  al.,  2000,  2005;  Atchley  and 

Zhao,  2006).  Atchley  et  al.  (2000)  summarized  the 

amino  acids  sites  of  bHLH  protein  by  estimating 

entropy  and  mutual  information  values.  Information 

theory is useful to look for pattern in DNA and protein 

sequences  (Schneider,  1999).  Information  theory  has 

been  applied  to  the  analysis  of  DNA  and  protein 

sequences for analyzing sequence complexity from the 

Shannon‐Weaver  indices  and  comparing  homologous 

sites  in  a  set of  aligned  sequences  by  means  of  their 

information content.  

Strong relationship was detected in the present study 
between  DNA  variation  and  phenotype.  A  large 
amount of genetic and molecular information has been 
deposited  at  http://sgn.cornell.edu  (Jiménez‐Gómez 
and  Maloof,  2009)  that  might  be  useful  to  explore 
possible  relationships  using  this  technique. 
Relationship  among  the  diversity  index,  sequence 
complexity and phenotype stability of the gene should 
be considered in the future work to enhance the crop 
improvement efforts. 

REFERENCES 
Atchley,  W.R.,  W.  Terhalle  and  A.  Dress.  1999. 

Positional dependence, cliques and predictive motifs 

in  the  bHLH  protein  domain.  Journal  of  Molecular 

Evolution 48: 501‐516. 

Atchley, W.R., K.R. Wollenberg, W.M. Fitch, W. Terhalle 

and  A.W.  Dress.  2000.  Correlations  among  amino 

acid sites  in bHLH protein domains: An  information 

theoretic  analysis.  Molecular  Biology  and  Evolution 

17: 164‐178. 

Atchley, W.R. and J. Zhao. 2007. Molecular architecture 

of  the  DNA‐binding  region  and  its  relationship  to 

classification  of  basic  helix‐loop‐helix  proteins. 

Molecular Biology and Evolution 24: 192‐202. 

Atchley,  W.R.,  J.  Zhao,  A.D.  Fernandes  and  T.  Drüke. 

2005. Solving the protein sequence metric problem. 

Proceedings  of  the  National  Academy  of  Sciences 

102: 6395‐6400. 

Brown,  J.S.  1991.  Principal  component  and  cluster 

analysis  of  cotton  cultivar  variability  across  the  US 

cotton belt. Crop Science 31: 915‐922. 

Butte, A.J. and  I.S. Kohane. 2000. Mutual  information 

relevance  networks:  Functional  genomic  clustering 

using  pairwise  entropy  measurements.  Pacific 

Symposium on Bio‐computing p. 418‐429. 

Cowen,  N.M.  and  K.J.  Frey.  1987.  Relationships 

between  three  measures  of  genetic  distance  and 

breeding behaviour in oats (Avena sativa L). Genome 

29: 97‐106. 

Cross,  R.J.  1992.  A  proposed  revision  of  the  IBPGR 

barley  descriptor  list.  Theoretical  and  Applied 

Genetics 84: 501‐507. 

Frary, A., T.C. Nesbitt, S. Grandillo, E. Knaap, B. Cong, J. 

Liu, J. Meller, R. Elber and K.B. Alpert. 2000. fw2. 2: a 

quantitative  trait  locus  key  to  the  evolution  of 

tomato fruit size. Science 289: 85‐88. 

Fridman,  E.,  T.  Pleban  and  D.  Zamir.  2000.  A 

recombination  hotspot  delimits  a  wild‐species 

quantitative trait  locus for tomato sugar content to 

484 bp within an invertase gene. Proceedings of the 

National Academy of Sciences 97: 4718‐4723. 

Holcomb,  J.,  D.M.  Tolbert  and  S.K.  Jain.  1977.  A 

diversity  analysis  of  genetic  resources  in  rice. 

Euphytica 26: 441‐450. 

Hussaini, S.H., M.M. Goodman and D.H. Timothy. 1977. 

Multivariate  analysis  and  the  geographical 

distribution  of  the  world  collection  of  finger  millet. 

Crop Science 17: 257‐263. 

Jiménez‐Gómez, J.M. and J.N. Maloof. 2009. Sequence 

diversity in three tomato species: SNPs, markers, and 

molecular evolution. BMC Plant Biology 9: 85. 

Johnson,  R.A.  and  D.W.  Wichern.  1988.  Applied 

multivariate statistical analysis. 2nd ed. Prentice Hall, 

Englewood Cliffs, NJ. 

Kanwal, K.S., R.M. Singh and J. Singh. 1983. Divergent 

gene  pools  in  rice  improvement.  Theoretical  and 

Applied Genetics 65: 263‐267. 

Atchley,  W.R.,  W.  Terhalle  and  A.  Dress.  1999. 

Positional dependence, cliques and predictive motifs 

in  the  bHLH  protein  domain.  Journal  of  Molecular 



Nepal Journal of Biotechnology. Jan. 2011, Vol. 1, No. 1: 1‐8 

8 

Biotechnology Society of Nepal (BSN), All rights reserved  

Evolution 48: 501‐516. 

Atchley, W.R., K.R. Wollenberg, W.M. Fitch, W. Terhalle 

and  A.W.  Dress.  2000.  Correlations  among  amino 

acid sites  in bHLH protein domains: An  information 

theoretic  analysis.  Molecular  Biology  and  Evolution 

17: 164‐178. 

Atchley, W.R. and J. Zhao. 2007. Molecular architecture 

of  the  DNA‐binding  region  and  its  relationship  to 

classification  of  basic  helix‐loop‐helix  proteins. 

Molecular Biology and Evolution 24: 192‐202. 

Atchley,  W.R.,  J.  Zhao,  A.D.  Fernandes  and  T.  Drüke. 

2005. Solving the protein sequence metric problem. 

Proceedings  of  the  National  Academy  of  Sciences 

102: 6395‐6400. 

Brown,  J.S.  1991.  Principal  component  and  cluster 

analysis  of  cotton  cultivar  variability  across  the  US 

cotton belt. Crop Science 31: 915‐922. 

Butte, A.J. and  I.S. Kohane. 2000. Mutual  information 

relevance  networks:  Functional  genomic  clustering 

using  pairwise  entropy  measurements.  Pacific 

Symposium on Bio‐computing p. 418‐429. 

Cowen,  N.M.  and  K.J.  Frey.  1987.  Relationships 

between  three  measures  of  genetic  distance  and 

breeding behaviour in oats (Avena sativa L). Genome 

29: 97‐106. 

Cross,  R.J.  1992.  A  proposed  revision  of  the  IBPGR 

barley  descriptor  list.  Theoretical  and  Applied 

Genetics 84: 501‐507. 

Frary, A., T.C. Nesbitt, S. Grandillo, E. Knaap, B. Cong, J. 

Liu, J. Meller, R. Elber and K.B. Alpert. 2000. fw2. 2: a 

quantitative  trait  locus  key  to  the  evolution  of 

tomato fruit size. Science 289: 85‐88. 

Fridman,  E.,  T.  Pleban  and  D.  Zamir.  2000.  A 

recombination  hotspot  delimits  a  wild‐species 

quantitative trait  locus for tomato sugar content to 

484 bp within an invertase gene. Proceedings of the 

National Academy of Sciences 97: 4718‐4723. 

Holcomb,  J.,  D.M.  Tolbert  and  S.K.  Jain.  1977.  A 

diversity  analysis  of  genetic  resources  in  rice. 

Euphytica 26: 441‐450. 

Hussaini, S.H., M.M. Goodman and D.H. Timothy. 1977. 

Multivariate  analysis  and  the  geographical 

distribution  of  the  world  collection  of  finger  millet. 

Crop Science 17: 257‐263. 

Jiménez‐Gómez, J.M. and J.N. Maloof. 2009. Sequence 

diversity in three tomato species: SNPs, markers, and 

molecular evolution. BMC Plant Biology 9: 85. 

Johnson,  R.A.  and  D.W.  Wichern.  1988.  Applied 

multivariate statistical analysis. 2nd ed. Prentice Hall, 

Englewood Cliffs, NJ. 

Kanwal, K.S., R.M. Singh and J. Singh. 1983. Divergent 

gene  pools  in  rice  improvement.  Theoretical  and 

Applied Genetics 65: 263‐267. 

Li,  L.,  C.  Li  and  G.A.  Howe.  2001.  Genetic  analysis  of 

wound signaling in tomato. Evidence for a dual role 

of jasmonic acid in defense and female fertility. Plant 

Physiology 127: 1414‐1417. 

Mueller,  L.A.,  T.H.  Solow,  N.  Taylor,  B.  Skwarecki,  R. 

Buels, J. Binns, C. Lin, M.H. Wright, R. Ahrens and Y. 

Wang.  2005a.  The  SOL  genomics  network.  A 

comparative  resource  for  Solanaceae  biology  and 

beyond. Plant Physiology 138: 1310‐1317. 

Mueller, L.A., S.D. Tanksley, J.J. Giovannoni, J. Van Eck, 

S. Stack, D. Choi, B.D. Kim, M. Chen, Z. Cheng and C. 

Li.  2005b.  The  tomato  sequencing  project,  the  first 

cornerstone of the International Solanaceae Project 

(SOL). Comparative and Functional Genomics 6. 

Niwranski, K., P.G. Kevan and A. Fjellberg. 2002. Effects 

of vehicle disturbance and soil compaction on Arctic 

collembolan  abundance  and  diversity  on  Igloolik 

Island,  Nunavut,  Canada.  European  Journal  of  Soil 

Biology 38: 193‐196. 

Perry,  M.C.  and  M.S.  McIntosh.  1991.  Geographical 

patterns  of  variation  in  the  USDA  soybean 

germplasm  collection:  I.  Morphological  traits.  Crop 

Science 31: 1350‐1355. 

Ringnér,  M.  2008.  What  is  principal  component 

analysis? Nature Biotechnology 26: 303. 

Schneider, T.D. 1999. Information Theory Primer. Web 

Document: 1‐9. 

Sneath,  P.H.A.  and  R.R.  Sokal.  1973.  Numerical 

taxonomy. Springer. 

Tanksley,  S.D.  2004.  The  genetic,  developmental,  and 

molecular bases of fruit size and shape variation  in 

tomato. The Plant Cell Online 16: S181‐189. 

Tolbert, D.M., C.O. Qualset, S.K. Jain and J.C. Craddock. 
1979.  A  diversity  analysis  of  a  world  collection  of 
barley. Crop Science 19: 789‐794.