2生物信息數(shù)據(jù)庫與查詢

1、1 概述 當前人類基因組研究已進入一個重要時期，2000年將獲得人類基因組的全部序列，這是基因組研究的轉(zhuǎn)折點和關(guān)鍵時刻，意味著人類基因組的研究將全面 進入信息提取和數(shù)據(jù)分析階段，即生物信息學(xué)發(fā)揮重要作用的階段。到1999年12月15日發(fā)布的第115版為止，GenBank中的DNA堿基數(shù)目已達 46億5千萬，DNA序列數(shù)目達到535萬；其中EST序列超過339萬條； UniGene的數(shù)目已達到7萬個；已有25個模式生物的完整基因組被測序完成，另外的70個模式生物基因組正在測序當中；到2000年1月28日為止， 人類基因組已有16%的序列完成測定，另外37.7%的序列已經(jīng)初步完成；同時功能基因組和

2、蛋白質(zhì)組的大量數(shù)據(jù)已開始涌現(xiàn)。如何分析這些數(shù)據(jù)，從中獲得生 物結(jié)構(gòu)、功能的相關(guān)信息是基因組研究取得成果的決定性步驟。生物信息學(xué)是在此背景下發(fā)展起來的綜合運用生物學(xué)、數(shù)學(xué)、物理學(xué)、信息科學(xué)以及計算機科學(xué)等諸多學(xué)科的理論方法的嶄新交叉學(xué)科。生物信息學(xué)是內(nèi)涵非 常豐富的學(xué)科，其核心是基因組信息學(xué)，包括基因組信息的獲取、處理、存儲、分配和解釋?；蚪M信息學(xué)的關(guān)鍵是“讀懂”基因組的核苷酸順序，即全部基因在染 色體上的確切位置以及各DNA片段的功能；同時在發(fā)現(xiàn)了新基因信息之后進行蛋白質(zhì)空間結(jié)構(gòu)模擬和預(yù)測，然后依據(jù)特定蛋白質(zhì)的功能進行藥物設(shè)計。了解基因表 達的調(diào)控機理也是生物信息學(xué)的重要內(nèi)容，根據(jù)生物分子在

3、基因調(diào)控中的作用，描述人類疾病的診斷、治療內(nèi)在規(guī)律。它的研究目標是揭示基因組信息結(jié)構(gòu)的復(fù)雜 性及遺傳語言的根本規(guī)律，解釋生命的遺傳語言。生物信息學(xué)已成為整個生命科學(xué)發(fā)展的重要組成部分，成為生命科學(xué)研究的前沿。近來的研究表明，基因組不僅是基因的簡單排列，它有其特有的組織結(jié)構(gòu)和信息結(jié)構(gòu)，這種結(jié)構(gòu)是在長期的演化過程中產(chǎn)生的，也是基因發(fā)揮其功能所必須的。弄清楚生物體基因組特有的組織結(jié)構(gòu)和信息結(jié)構(gòu)，解譯生命的遺傳語言的關(guān)鍵。目前在數(shù)據(jù)庫中已經(jīng)有越來越多的模式生物全基因組序列，第一個人類染色體全序列-第22號染色體的測序工作已經(jīng)在1999年12月完成，整個人類 基因組計劃工作草圖將在最近完成。這無疑給基因

4、組組織結(jié)構(gòu)和信息結(jié)構(gòu)的研究工作提供了大量的第一手材料，同時也為基因組研究取得突破性進展提供了可能。人 類對基因的認識，將從以往的對單個基因的了解，上升到在整個基因組水平上考察基因的組織結(jié)構(gòu)和信息結(jié)構(gòu)，考察基因之間在位置、結(jié)構(gòu)和功能上的相互關(guān)系。從目前生物信息學(xué)的研究情況來看，國際上公認的生物信息學(xué)的研究內(nèi)容，大致包括以下幾個方面：1. 生物信息的收集、存儲、管理與提供。包括建立國際基本生物信息庫和生物信息傳輸?shù)膰H聯(lián)網(wǎng)系統(tǒng)；建立生物信息數(shù)據(jù)質(zhì)量的評估與檢測系統(tǒng)；生物信息的在線服務(wù)；生物信息可視化和專家系統(tǒng)。2. 基因組序列信息的提取和分析。包括基因的發(fā)現(xiàn)與鑒定，如利用國際EST 數(shù)據(jù)庫 (db

5、EST) 和各自實驗室測定的相應(yīng)數(shù)據(jù)，經(jīng)過大規(guī)模 并行計算發(fā)現(xiàn)新基因和新SNPs以及各種功能位點；基因組中非編碼區(qū)的信息結(jié)構(gòu)分析，提出理論模型，闡明該區(qū)域的重要生物學(xué)功能；進行模式生物完整基因組 的信息結(jié)構(gòu)分析和比較研究；利用生物信息研究遺傳密碼起源、基因組結(jié)構(gòu)的演化、基因組空間結(jié)構(gòu)與DNA折疊的關(guān)系以及基因組信息與生物進化關(guān)系等生物學(xué)的 重大問題。3. 功能基因組相關(guān)信息分析。包括與大規(guī)?；虮磉_譜分析相關(guān)的算法、軟件研究，基因表達調(diào)控網(wǎng)絡(luò)的研究；與基因組信息相關(guān)的核酸、蛋白質(zhì)空間結(jié)構(gòu)的預(yù)測和模擬，以及蛋白質(zhì)功能預(yù)測的研究。4. 生物大分子結(jié)構(gòu)模擬和藥物設(shè)計。包括RNA(核糖核酸)的結(jié)構(gòu)模擬

6、和反義RNA的分子設(shè)計；蛋白質(zhì)空間結(jié)構(gòu)模擬和分子設(shè)計；具有不同 功能域的復(fù)合蛋白質(zhì)以及連接肽的設(shè)計；生物活性分子的電子結(jié)構(gòu)計算和設(shè)計；納米生物材料的模擬與設(shè)計；基于酶和功能蛋白質(zhì)結(jié)構(gòu)、細胞表面受體結(jié)構(gòu)的藥物設(shè) 計；基于DNA結(jié)構(gòu)的藥物設(shè)計等。5. 生物信息分析的技術(shù)與方法研究。包括發(fā)展有效的能支持大尺度作圖與測序需要的軟件、數(shù)據(jù)庫以及若干數(shù)據(jù)庫工具，諸如電子網(wǎng)絡(luò)等遠程通 訊工具；改進現(xiàn)有的理論分析方法，如統(tǒng)計方法、模式識別方法、隱馬爾科夫過程方法、分維方法、神經(jīng)網(wǎng)絡(luò)方法、復(fù)雜性分析方法、密碼學(xué)方法、多序列比較方法 等；創(chuàng)建一切適用于基因組信息分析的新方法、新技術(shù)。包括引入復(fù)雜系統(tǒng)分析技術(shù)、信息

7、系統(tǒng)分析技術(shù)等；建立嚴格的多序列比較方法；發(fā)展與應(yīng)用密碼學(xué)方法以 及其他算法和分析技術(shù)，用于解釋基因組的信息，探索DNA序列及其空間結(jié)構(gòu)信息的新表征；發(fā)展研究基因組完整信息結(jié)構(gòu)和信息網(wǎng)絡(luò)的研究方法等；發(fā)展生物大 分子空間結(jié)構(gòu)模擬、電子結(jié)構(gòu)模擬和藥物設(shè)計的新方法與新技術(shù)。6. 應(yīng)用與發(fā)展研究。匯集與疾病相關(guān)的人類基因信息，發(fā)展患者樣品序列信息檢測技術(shù)和基于序列信息選擇表達載體、引物的技術(shù)，建立與動植物良種繁育相關(guān)的數(shù)據(jù)庫以及與大分子設(shè)計和藥物設(shè)計相關(guān)的數(shù)據(jù)庫。利用生物信息學(xué)方法進行結(jié)構(gòu)功能預(yù)測要注意的是同一問題采用不同算法，可能產(chǎn)生相同或不同的結(jié)果。因此，必要弄清楚某種方法的基本原理，而不是僅把

8、 算法當作一個“黑箱”。因為一種方法可能對特定實例很合適，而對另一個則完全不對。因此，本章采用原理和實用方法并重的原則進行介紹。因生物信息學(xué)覆蓋面 廣，限于篇幅，本章并未將生物信息學(xué)的全部內(nèi)容詳細加以講述，僅針對與目前分子生物學(xué)實驗數(shù)據(jù)分析密切相關(guān)的生物信息學(xué)策略及實用工具進行扼要介紹，文中 涉及問題的更詳細信息可參考相關(guān)網(wǎng)站。生物信息學(xué)是新興發(fā)展中的學(xué)科，該領(lǐng)域的研究日新月異，書中的描述可能滯后于生物信息學(xué)的最新發(fā)展為在所難免，作者 期望本章的介紹對讀者的研究工作有所助益。2 生物信息數(shù)據(jù)庫與查詢近年來大量生物學(xué)實驗的數(shù)據(jù)積累，形成了當前數(shù)以百計的生物信息數(shù)據(jù)庫。它們各自按一定的目標收集和整

9、理生物學(xué)實驗數(shù)據(jù)，并提供相關(guān)的數(shù)據(jù)查詢、數(shù)據(jù)處理的服務(wù)。隨著因特網(wǎng)的普及，這些數(shù)據(jù)庫大多可以通過網(wǎng)絡(luò)來訪問，或者通過網(wǎng)絡(luò)下載。一般而言，這些生物信息數(shù)據(jù)庫可以分為一級數(shù)據(jù)庫 和二級數(shù)據(jù)庫。一級數(shù)據(jù)庫的數(shù)據(jù)都直接來源于實驗獲得的原始數(shù)據(jù)，只經(jīng)過簡單的歸類整理和注釋；二級數(shù)據(jù)庫是在一級數(shù)據(jù)庫、實驗數(shù)據(jù)和理論分析的基礎(chǔ)上針 對特定目標衍生而來，是對生物學(xué)知識和信息的進一步整理。國際上著名的一級核酸數(shù)據(jù)庫有Genbank數(shù)據(jù)庫、EMBL核酸庫和DDBJ庫等；蛋白質(zhì)序列數(shù)據(jù)庫有SWISS-PROT、PIR等；蛋白質(zhì)結(jié)構(gòu)庫有PDB等。國際上二級生物學(xué)數(shù)據(jù)庫非常多，它們因針對不同的研究內(nèi)容和需要而各具特色，

10、如人類基因組圖譜庫GDB、轉(zhuǎn)錄因子和結(jié)合位點庫TRANSFAC、蛋白質(zhì)結(jié)構(gòu)家族分類庫SCOP等等。下面將順序簡要介紹一些著名和有特色的生物信息數(shù)據(jù)庫。2.1 基因和基因組數(shù)據(jù)庫1. GenbankGenbank 庫包含了所有已知的核酸序列和蛋白質(zhì)序列，以及與它們相關(guān)的文獻著作和生物學(xué)注釋。它是由美國國立生物技術(shù)信息中心(NCBI)建立和維護的。它的數(shù)據(jù)直 接來源于測序工作者提交的序列；由測序中心提交的大量EST序列和其它測序數(shù)據(jù)；以及與其它數(shù)據(jù)機構(gòu)協(xié)作交換數(shù)據(jù)而來。Genbank每天都會與歐洲分子 生物學(xué)實驗室(EMBL)的數(shù)據(jù)庫，和日本的DNA數(shù)據(jù)庫(DDBJ)交換數(shù)據(jù)，使這三個數(shù)據(jù)庫的數(shù)據(jù)

11、同步。到1999年8月，Genbank中收集的序 列數(shù)量達到460萬條，34億個堿基，而且數(shù)據(jù)增長的速度還在不斷加快。Genbank的數(shù)據(jù)可以從NCBI的FTP服務(wù)器上免費下載完整的庫，或下載積 累的新數(shù)據(jù)。NCBI還提供廣泛的數(shù)據(jù)查詢、序列相似性搜索以及其它分析服務(wù)，用戶可以從NCBI的主頁上找到這些服務(wù)。Genbank庫里的數(shù)據(jù)按來源于約55,000 個物種，其中56%是人類的基因組序列(所有序列中的34%是人類的EST序列)。每條Genbank數(shù)據(jù)記錄包含了對序列的簡要描述，它的科學(xué)命名，物 種分類名稱，參考文獻，序列特征表，以及序列本身。序列特征表里包含對序列生物學(xué)特征注釋如：編碼區(qū)、

12、轉(zhuǎn)錄單元、重復(fù)區(qū)域、突變位點或修飾位點等。所有數(shù) 據(jù)記錄被劃分在若干個文件里，如細菌類、病毒類、靈長類、嚙齒類，以及EST數(shù)據(jù)、基因組測序數(shù)據(jù)、大規(guī)模基因組序列數(shù)據(jù)等16類，其中EST數(shù)據(jù)等又被各自分成若干個文件。(1)Genbank數(shù)據(jù)檢索NCBI 的數(shù)據(jù)庫檢索查詢系統(tǒng)是Entrez。Entrez是基于Web界面的綜合生物信息數(shù)據(jù)庫檢索系統(tǒng)。利用Entrez系統(tǒng)，用戶不僅可以方便地檢索 Genbank的核酸數(shù)據(jù)，還可以檢索來自Genbank和其它數(shù)據(jù)庫的蛋白質(zhì)序列數(shù)據(jù)、基因組圖譜數(shù)據(jù)、來自分子模型數(shù)據(jù)庫(MMDB)的蛋白質(zhì)三維結(jié) 構(gòu)數(shù)據(jù)、種群序列數(shù)據(jù)集、以及由PubMed獲得Medline的

13、文獻數(shù)據(jù)。Entrez提供了方便實用的檢索服務(wù)，所有操作都可以在網(wǎng)絡(luò)瀏覽器上完成。用戶可以利用Entrez界面上提供的限制條件(Limits)、索引 (Index)、檢索歷史(History)和剪貼板(Clipboard)等功能來實現(xiàn)復(fù)雜的檢索查詢工作。對于檢索獲得的記錄，用戶可以選擇需要顯示 的數(shù)據(jù)，保存查詢結(jié)果，甚至以圖形方式觀看檢索獲得的序列。更詳細的Entrez使用說明可以在該主頁上獲得。(2)向Genbank提交序列數(shù)據(jù)測序工作者可以把自己工作中獲得的新序列提交給NCBI，添加到Genbank數(shù)據(jù)庫。這個任務(wù)可以由基于Web界面的BankIt或獨立程序Sequin來完成。BankIt

14、是一系列表單，包括聯(lián)絡(luò)信息、發(fā)布要求、引用參考信息、序列來源信息、以及序列本身的信息等。用戶提交序列后，會從電子郵件收到自動生成的數(shù) 據(jù)條目，Genbank的新序列編號，以及完成注釋后的完整的數(shù)據(jù)記錄。用戶還可以在BankIt頁面下修改已經(jīng)發(fā)布序列的信息。BankIt適合于獨立 測序工作者提交少量序列，而不適合大量序列的提交，也不適合提交很長的序列，EST序列和GSS序列也不應(yīng)用BankIt提交。BankIt使用說明和對 序列的要求可詳見其主頁面。大量的序列提交可以由Sequin程序完成。Sequin程序能方便的編輯和處理復(fù)雜注釋，并包含一系列內(nèi)建的檢查函數(shù)來提高序列的質(zhì)量保證。它還被設(shè)計 用

15、于提交來自系統(tǒng)進化、種群和突變研究的序列，可以加入比對的數(shù)據(jù)。Sequin除了用于編輯和修改序列數(shù)據(jù)記錄，還可以用于序列的分析，任何以 FASTA或ASN.1格式序列為輸入數(shù)據(jù)的序列分析程序都可以整合到Sequin程序下。在不同操作系統(tǒng)下運行的Sequin程序都可以在 /sequin/下找到，Sequin的使用說明可詳見其網(wǎng)頁。NCBI的網(wǎng)址是：。Entrez的網(wǎng)址是：/entrez/。BankIt的網(wǎng)址是：http:/www.ncbi.nlm.ni

16、/BankIt。Sequin的相關(guān)網(wǎng)址是：/Sequin/。2. EMBL核酸序列數(shù)據(jù)庫EMBL 核酸序列數(shù)據(jù)庫由歐洲生物信息學(xué)研究所(EBI)維護的核酸序列數(shù)據(jù)構(gòu)成，由于與Genbank和DDBJ的數(shù)據(jù)合作交換，它也是一個全面的核酸序列數(shù)據(jù) 庫。該數(shù)據(jù)庫由Oracal數(shù)據(jù)庫系統(tǒng)管理維護，查詢檢索可以通過通過因特網(wǎng)上的序列提取系統(tǒng)(SRS)服務(wù)完成。向EMBL核酸序列數(shù)據(jù)庫提交序列可以 通過基于Web的WEBIN工具，也可以用Sequin軟件來完成。數(shù)據(jù)庫網(wǎng)址是：http:/www.ebi.ac.uk/embl/。SRS的網(wǎng)址是：h

17、ttp:/srs.ebi.ac.uk/。WEBIN的網(wǎng)址是：http:/www.ebi.ac.uk/embl/Submission/webin.html。3. DDBJ數(shù)據(jù)庫日本DNA數(shù)據(jù)倉庫(DDBJ)也是一個全面的核酸序列數(shù)據(jù)庫，與Genbank和EMBL核酸庫合作交換數(shù)據(jù)。可以使用其主頁上提供的SRS工具進行數(shù)據(jù)檢索和序列分析。可以用Sequin軟件向該數(shù)據(jù)庫提交序列。DDBJ的網(wǎng)址是：http:/www.ddbj.nig.ac.jp/。4. GDB基 因組數(shù)據(jù)庫(GDB)為人類基因組計劃(HGP)保存和處理基因組圖譜數(shù)據(jù)。GDB的目標是構(gòu)建關(guān)于人類基因組的百科全書，除了構(gòu)建基因組圖譜之

18、外，還開 發(fā)了描述序列水平的基因組內(nèi)容的方法，包括序列變異和其它對功能和表型的描述。目前GDB中有：人類基因組區(qū)域(包括基因、克隆、amplimers PCR 標記、斷點breakpoints、細胞遺傳標記cytogenetic markers、易碎位點fragile sites、EST序列、綜合區(qū)域syndromic regions、contigs和重復(fù)序列)；人類基因組圖譜(包括細胞遺傳圖譜、連接圖譜、放射性雜交圖譜、content contig圖譜和綜合圖譜等)；人類基因組內(nèi)的變異(包括突變和多態(tài)性，加上等位基因頻率數(shù)據(jù))。GDB數(shù)據(jù)庫以對象模型來保存數(shù)據(jù)，提供基于Web的 數(shù)據(jù)對象檢索

19、服務(wù)，用戶可以搜索各種類型的對象，并以圖形方式觀看基因組圖譜。GDB的網(wǎng)址是：。GDB的國內(nèi)鏡像是：2.2 蛋白質(zhì)數(shù)據(jù)庫1. PIR和PSDPIR 國際蛋白質(zhì)序列數(shù)據(jù)庫(PSD)是由蛋白質(zhì)信息資源(PIR)、慕尼黑蛋白質(zhì)序列信息中心(MIPS)和日本國際蛋白質(zhì)序列數(shù)據(jù)庫(JIPID)共同維護 的國際上最大的公共蛋白質(zhì)序列數(shù)據(jù)庫。這是一個全面的、經(jīng)過注釋的、非冗余的蛋白質(zhì)序列數(shù)據(jù)庫，包含超過142,000條蛋白質(zhì)序列(至99年9月)，其 中包括來自幾十個完整基因組的蛋白質(zhì)序列。所有序列數(shù)據(jù)都經(jīng)過整理，超過99%的序列已按蛋白質(zhì)家族分類，一半以上還按蛋白質(zhì)超家族進

20、行了分類。PSD的 注釋中還包括對許多序列、結(jié)構(gòu)、基因組和文獻數(shù)據(jù)庫的交叉索引，以及數(shù)據(jù)庫內(nèi)部條目之間的索引，這些內(nèi)部索引幫助用戶在包括復(fù)合物、酶底物相互作用、活 化和調(diào)控級聯(lián)和具有共同特征的條目之間方便的檢索。每季度都發(fā)行一次完整的數(shù)據(jù)庫，每周可以得到更新部分。PSD數(shù)據(jù)庫有幾個輔助數(shù)據(jù)庫，如基于超家族的非冗余庫等。PIR提供三類序列搜索服務(wù)：基于文本的交互式檢索；標準的序列相似性搜索，包括BLAST、 FASTA等；結(jié)合序列相似性、注釋信息和蛋白質(zhì)家族信息的高級搜索，包括按注釋分類的相似性搜索、結(jié)構(gòu)域搜索GeneFIND等。PIR和PSD的網(wǎng)址是：http:/pir.georgetown.

21、edu/。數(shù)據(jù)庫下載地址是：/pir/。2. SWISS-PROTSWISS- PROT是經(jīng)過注釋的蛋白質(zhì)序列數(shù)據(jù)庫，由歐洲生物信息學(xué)研究所(EBI)維護。數(shù)據(jù)庫由蛋白質(zhì)序列條目構(gòu)成，每個條目包含蛋白質(zhì)序列、引用文獻信息、分 類學(xué)信息、注釋等，注釋中包括蛋白質(zhì)的功能、轉(zhuǎn)錄后修飾、特殊位點和區(qū)域、二級結(jié)構(gòu)、四級結(jié)構(gòu)、與其它序列的相似性、序列殘缺與疾病的關(guān)系、序列變異體和 沖突等信息。SWISS-PROT中盡可能減少了冗余序列，并與其它30多個數(shù)據(jù)建立了交叉引用，其中包括核酸序列庫、蛋白質(zhì)序列庫和蛋白質(zhì)結(jié)構(gòu)庫等。利用序列提取系統(tǒng)(SRS)可以方便地

22、檢索SWISS-PROT和其它EBI的數(shù)據(jù)庫。SWISS-PROT只接受直接測序獲得的蛋白質(zhì)序列，序列提交可以在其Web頁面上完成。SWISS-PROT的網(wǎng)址是：http:/www.ebi.ac.uk/swissprot/。3. PROSITEPROSITE 數(shù)據(jù)庫收集了生物學(xué)有顯著意義的蛋白質(zhì)位點和序列模式，并能根據(jù)這些位點和模式快速和可靠地鑒別一個未知功能的蛋白質(zhì)序列應(yīng)該屬于哪一個蛋白質(zhì)家族。有的 情況下，某個蛋白質(zhì)與已知功能蛋白質(zhì)的整體序列相似性很低，但由于功能的需要保留了與功能密切相關(guān)的序列模式，這樣就可能通過PROSITE的搜索找到隱 含的功能motif，因此是序列分析的有效工具。P

23、ROSITE中涉及的序列模式包括酶的催化位點、配體結(jié)合位點、與金屬離子結(jié)合的殘基、二硫鍵的半胱氨 酸、與小分子或其它蛋白質(zhì)結(jié)合的區(qū)域等；除了序列模式之外，PROSITE還包括由多序列比對構(gòu)建的profile，能更敏感地發(fā)現(xiàn)序列與profile 的相似性。PROSITE的主頁上提供各種相關(guān)檢索服務(wù)。PROSITE的網(wǎng)址是：http:/www.expasy.ch/prosite/。4. PDB蛋 白質(zhì)數(shù)據(jù)倉庫(PDB)是國際上唯一的生物大分子結(jié)構(gòu)數(shù)據(jù)檔案庫，由美國Brookhaven國家實驗室建立。PDB收集的數(shù)據(jù)來源于X光晶體衍射和核磁 共振(NMR)的數(shù)據(jù)，經(jīng)過整理和確認后存檔而成。目前PDB

24、數(shù)據(jù)庫的維護由結(jié)構(gòu)生物信息學(xué)研究合作組織(RCSB)負責(zé)。RCSB的主服務(wù)器和世界各地 的鏡像服務(wù)器提供數(shù)據(jù)庫的檢索和下載服務(wù)，以及關(guān)于PDB數(shù)據(jù)文件格式和其它文檔的說明，PDB數(shù)據(jù)還可以從發(fā)行的光盤獲得。使用Rasmol等軟件可以 在計算機上按PDB文件顯示生物大分子的三維結(jié)構(gòu)。RCSB的PDB數(shù)據(jù)庫網(wǎng)址是：/pdb/。5. SCOP蛋白質(zhì)結(jié)構(gòu)分類(SCOP)數(shù)據(jù)庫詳細描述了已知的蛋白質(zhì)結(jié)構(gòu)之間的關(guān)系。分類基于若干層次：家族，描述相近的進化關(guān)系；超家族，描述遠源的進化關(guān)系；折疊子(fold)，描述空間幾何結(jié)構(gòu)的關(guān)系；折疊類，所有折疊子被歸于全、全、/、和多

25、結(jié)構(gòu)域等幾個大類。SCOP還提供一個非冗余的ASTRAIL序列庫，這個庫通常被用來評估各種序列比對算法。此外，SCOP還提供一個PDB-ISL中介序列庫，通過與這個庫中序列的兩兩比對，可以找到與未知結(jié)構(gòu)序列遠緣的已知結(jié)構(gòu)序列。SCOP的網(wǎng)址是：http:/scop.mrc-lmb.cam.ac.uk/scop/。6. COG蛋 白質(zhì)直系同源簇(COGs)數(shù)據(jù)庫是對細菌、藻類和真核生物的21個完整基因組的編碼蛋白，根據(jù)系統(tǒng)進化關(guān)系分類構(gòu)建而成。COG庫對于預(yù)測單個蛋白質(zhì)的 功能和整個新基因組中蛋白質(zhì)的功能都很有用。利用COGNITOR程序，可以把某個蛋白質(zhì)與所有COGs中的蛋白質(zhì)進行比對，并把它

26、歸入適當?shù)腃OG簇。 COG庫提供了對COG分類數(shù)據(jù)的檢索和查詢，基于Web的COGNITOR服務(wù)，系統(tǒng)進化模式的查詢服務(wù)等。COG庫的網(wǎng)址是：/COG。下載COG庫和COGNITOR程序在：/pub/COG。2.3 功能數(shù)據(jù)庫1. KEGG京 都基因和基因組百科全書(KEGG)是系統(tǒng)分析基因功能，聯(lián)系基因組信息和功能信息的知識庫?；蚪M信息存儲在GENES數(shù)據(jù)庫里，包括完整和部分測序的 基因組序列；更高級的功能信息存儲在PATHWAY數(shù)據(jù)庫里，包括圖解的細胞生化過程如代謝、膜轉(zhuǎn)運、信號傳遞、細胞周期

27、，還包括同系保守的子通路等信 息；KEGG的另一個數(shù)據(jù)庫是LIGAND，包含關(guān)于化學(xué)物質(zhì)、酶分子、酶反應(yīng)等信息。KEGG提供了Java的圖形工具來訪問基因組圖譜，比較基因組圖 譜和操作表達圖譜，以及其它序列比較、圖形比較和通路計算的工具，可以免費獲取。KEGG的網(wǎng)址是：http:/www.genome.ad.jp/kegg/。2. DIP相互作用的蛋白質(zhì)數(shù)據(jù)庫(DIP)收集了由實驗驗證的蛋白質(zhì)蛋白質(zhì)相互作用。數(shù)據(jù)庫包括蛋白質(zhì)的信息、相互作用的信息和檢測相互作用的實驗技術(shù)三個部分。用戶可以根據(jù)蛋白質(zhì)、生物物種、蛋白質(zhì)超家族、關(guān)鍵詞、實驗技術(shù)或引用文獻來查詢DIP數(shù)據(jù)庫。DIP的網(wǎng)址是：http:

28、//。3. ASDB可 變剪接數(shù)據(jù)庫(ASDB)包括蛋白質(zhì)庫和核酸庫兩部分。ASDB(蛋白質(zhì))部分來源于SWISS-PROT蛋白質(zhì)序列庫，通過選取有可變剪接注釋的序列， 搜索相關(guān)可變剪接的序列，經(jīng)過序列比對、篩選和分類構(gòu)建而成。ASDB(核酸)部分來自Genbank中提及和注釋的可變剪接的完整基因構(gòu)成。數(shù)據(jù)庫提供 了方便的搜索服務(wù)。ASDB的網(wǎng)址是：/asdb。4. TRRD轉(zhuǎn) 錄調(diào)控區(qū)數(shù)據(jù)庫(TRRD)是在不斷積累的真核生物基因調(diào)控區(qū)結(jié)構(gòu)功能特性信息基礎(chǔ)上構(gòu)建的。每一個TRRD的條目里包含特定基因各種結(jié)構(gòu)功能特性

29、： 轉(zhuǎn)錄因子結(jié)合位點、啟動子、增強子、靜默子、以及基因表達調(diào)控模式等。TRRD包括五個相關(guān)的數(shù)據(jù)表：TRRDGENES(包含所有TRRD庫基因的基本 信息和調(diào)控單元信息)；TRRDSITES(包括調(diào)控因子結(jié)合位點的具體信息)；TRRDFACTORS(包括TRRD中與各個位點結(jié)合的調(diào)控因子的具體 信息)；TRRDEXP(包括對基因表達模式的具體描述)；TRRDBIB(包括所有注釋涉及的參考文獻)。TRRD主頁提供了對這幾個數(shù)據(jù)表的檢索服 務(wù)。TRRD的網(wǎng)址是：http:/wwwmgs.bionet.nsc.ru/mgs/dbases/trrd4/。5. TRANSFACTRANSFAC 數(shù)據(jù)庫是

30、關(guān)于轉(zhuǎn)錄因子、它們在基因組上的結(jié)合位點和與DNA結(jié)合的profiles的數(shù)據(jù)庫。由SITE、GENE、FACTOR、CLASS、 MATRIX、CELLS、METHOD和REFERENCE等數(shù)據(jù)表構(gòu)成。此外，還有幾個與TRANSFAC密切相關(guān)的擴展庫：PATHODB庫收集了 可能導(dǎo)致病態(tài)的突變的轉(zhuǎn)錄因子和結(jié)合位點；S/MART DB收集了與染色體結(jié)構(gòu)變化相關(guān)的蛋白因子和位點的信息；TRANSPATH庫用于描述與轉(zhuǎn)錄因子調(diào)控相關(guān)的信號傳遞的網(wǎng)絡(luò)；CYTOMER庫表現(xiàn)了人類 轉(zhuǎn)錄因子在各個器官、細胞類型、生理系統(tǒng)和發(fā)育時期的表達狀況。TRANSFAC及其相關(guān)數(shù)據(jù)庫可以免費下載，也可以通過Web進行

31、檢索和查詢。TRANSFAC的網(wǎng)址是：http:/transfac.gbf.de/TRANSFAC/。2.4 其它數(shù)據(jù)庫資源1. DBCatDBCat是生物信息數(shù)據(jù)庫的目錄數(shù)據(jù)庫，它收集了500多個生物信息學(xué)數(shù)據(jù)庫的信息，并根據(jù)它們的應(yīng)用領(lǐng)域進行了分類。包括DNA、RNA、蛋白質(zhì)、基因組、圖譜、蛋白質(zhì)結(jié)構(gòu)、文獻著作等基本類型。數(shù)據(jù)庫可以免費下載或在網(wǎng)絡(luò)上檢索查詢。DBCat的網(wǎng)址是：biogen.fr/services/dbcat/。下載DBCat在：biogen.fr/pub/db/dbcat。2. PubMedPubMed是NCBI維護

32、的文獻引用數(shù)據(jù)庫，提供對MEDLINE、Pre-MEDLINE等文獻數(shù)據(jù)庫的引用查詢和對大量網(wǎng)絡(luò)科學(xué)類電子期刊的鏈接。利用Entrez系統(tǒng)可以對PubMed進行方便的查詢檢索。PubMed的網(wǎng)址是：/。除了以上提及的數(shù)據(jù)之外，還有許許多多的專門生物信 息數(shù)據(jù)庫，涉及了目前生物學(xué)研究的各個層面和領(lǐng)域，由于篇幅所限無法一一詳述。國內(nèi)也有一些大數(shù)據(jù)庫的鏡像站點和自己開發(fā)的有特色的數(shù)據(jù)庫，如歐洲分子生 物學(xué)網(wǎng)絡(luò)組織EMBNet中國節(jié)點北京大學(xué)分子生物信息鏡像系統(tǒng)，上海博容基因公司與上海嘉瑞軟件公司合作開發(fā)的國產(chǎn)漢化基因數(shù)據(jù)庫及分析管理系統(tǒng)，同時 國家

33、級的生物信息學(xué)中心也在籌建之中。我們期待國內(nèi)能有更多高質(zhì)量和使用便利的數(shù)據(jù)庫資源，推動我國生物信息學(xué)和整個生命科學(xué)的發(fā)展。清華大學(xué)生物信息學(xué)研究所網(wǎng)址：北京大學(xué)生物信息鏡像系統(tǒng)網(wǎng)址：3 序列比對和數(shù)據(jù)庫搜索比較是科學(xué)研究中最常見的方法，通過將研究對象相互比較來尋找對象可能具備的特性。在生物信息學(xué)研究中，比對是最常用和最經(jīng)典的研究手段。最常見的比對是蛋白質(zhì)序列之間或核酸序列之間的兩兩比對，通過比較兩個序列之間的相似區(qū)域和保守性位點，尋找二者可能的分子進化關(guān)系。進一步的比對是將多 個蛋白質(zhì)或核酸同時進行比較，尋找這些有進化關(guān)系的序列之間共同的保守區(qū)域、位點和profile，從而探索導(dǎo)致它們產(chǎn)生共同

34、功能的序列模式。此外，還可 以把蛋白質(zhì)序列與核酸序列相比來探索核酸序列可能的表達框架；把蛋白質(zhì)序列與具有三維結(jié)構(gòu)信息的蛋白質(zhì)相比，從而獲得蛋白質(zhì)折疊類型的信息。比對還是數(shù)據(jù)庫搜索算法的基礎(chǔ)，將查詢序列與整個數(shù)據(jù)庫的所有序列進行比對，從數(shù)據(jù)庫中獲得與其最相似序列的已有的數(shù)據(jù)，能最快速的獲得有關(guān)查詢序列的 大量有價值的參考信息，對于進一步分析其結(jié)構(gòu)和功能都會有很大的幫助。近年來隨著生物信息學(xué)數(shù)據(jù)大量積累和生物學(xué)知識的整理，通過比對方法可以有效地分析 和預(yù)測一些新發(fā)現(xiàn)基因的功能。3.1 序列兩兩比對序 列比對的理論基礎(chǔ)是進化學(xué)說，如果兩個序列之間具有足夠的相似性，就推測二者可能有共同的進化祖先，經(jīng)過

35、序列內(nèi)殘基的替換、殘基或序列片段的缺失、以及序 列重組等遺傳變異過程分別演化而來。序列相似和序列同源是不同的概念，序列之間的相似程度是可以量化的參數(shù)，而序列是否同源需要有進化事實的驗證。在殘基 殘基比對中，可以明顯看到序列中某些氨基酸殘基比其它位置上的殘基更保守，這些信息揭示了這些保守位點上的殘基對蛋白質(zhì)的結(jié)構(gòu)和功能是至關(guān)重要的，例如 它們可能是酶的活性位點殘基，形成二硫鍵的半胱氨酸殘基，與配體結(jié)合部位的殘基，與金屬離子結(jié)合的殘基，形成特定結(jié)構(gòu)motif的殘基等等。但并不是所有 保守的殘基都一定是結(jié)構(gòu)功能重要的，可能它們只是由于歷史的原因被保留下來，而不是由于進化壓力而保留下來。因此，如果兩個

36、序列有顯著的保守性，要確定二 者具有共同的進化歷史，進而認為二者有近似的結(jié)構(gòu)和功能還需要更多實驗和信息的支持。通過大量實驗和序列比對的分析，一般認為蛋白質(zhì)的結(jié)構(gòu)和功能比序列具 有更大的保守性，因此粗略的說，如果序列之間的相似性超過30%，它們就很可能是同源的。早期的序列比對是全局的序列比較，但由于蛋白質(zhì)具有的模塊性質(zhì)，可能由于外顯子的交換而產(chǎn)生新蛋白質(zhì)，因此局部比對會更加合理。通常用打分矩陣描述序列兩 兩比對，兩條序列分別作為矩陣的兩維，矩陣點是兩維上對應(yīng)兩個殘基的相似性分數(shù)，分數(shù)越高則說明兩個殘基越相似。因此，序列比對問題變成在矩陣里尋找最佳 比對路徑，目前最有效的方法是Needleman-

37、Wunsch動態(tài)規(guī)劃算法，在此基礎(chǔ)上又改良產(chǎn)生了Smith-Waterman算法和SIM算法。在 FASTA程序包中可以找到用動態(tài)規(guī)劃算法進行序列比對的工具LALIGN，它能給出多個不相互交叉的最佳比對結(jié)果。在進行序列兩兩比對時，有兩方面問題直接影響相似性分值：取代矩陣和空位罰分。粗糙的比對方法僅僅用相同/不同來描述兩個殘基的關(guān)系，顯然這種方法無法描 述殘基取代對結(jié)構(gòu)和功能的不同影響效果，纈氨酸對異亮氨酸的取代與谷氨酸對異亮氨酸的取代應(yīng)該給予不同的打分。因此如果用一個取代矩陣來描述氨基酸殘基兩 兩取代的分值會大大提高比對的敏感性和生物學(xué)意義。雖然針對不同的研究目標和對象應(yīng)該構(gòu)建適宜的取代矩陣，

38、但國際上常用的取代矩陣有PAM和BLOSUM 等，它們來源于不同的構(gòu)建方法和不同的參數(shù)選擇，包括PAM250、BLOSUM62、BLOSUM90、BLOSUM30等。對于不同的對象可以采用不 同的取代矩陣以獲得更多信息，例如對同源性較高的序列可以采用BLOSUM90矩陣，而對同源性較低的序列可采用BLOSUM30矩陣?？瘴涣P分是為了補償插入和缺失對序列相似性的影響，由于沒有什么合適的理論模型能很好地描述空位問題，因此空位罰分缺乏理論依據(jù)而更多的帶有主觀特色。一 般的處理方法是用兩個罰分值，一個對插入的第一個空位罰分，如1015；另一個對空位的延伸罰分，如12。對于具體的比對問題，采用不同的罰分

39、方法會 取得不同的效果。對于比對計算產(chǎn)生的分值，到底多大才能說明兩個序列是同源的，對此有統(tǒng)計學(xué)方法加以說明，主要的思想是把具有相同長度的隨機序列進行比對，把分值與最初的 比對分值相比，看看比對結(jié)果是否具有顯著性。相關(guān)的參數(shù)E代表隨機比對分值不低于實際比對分值的概率。對于嚴格的比對，必須E值低于一定閾值才能說明比對 的結(jié)果具有足夠的統(tǒng)計學(xué)顯著性，這樣就排除了由于偶然的因素產(chǎn)生高比對得分的可能。Genbank、SWISS-PROT等序列數(shù)據(jù)庫提供的序列搜索服務(wù)都是以序列兩兩比對為基礎(chǔ)的。不同之處在于為了提高搜索的速度和效率，通常的序列搜 索算法都進行了一定程度的優(yōu)化，如最常見的FASTA工具和BL

40、AST工具。FASTA是第一個被廣泛應(yīng)用的序列比對和搜索工具包，包含若干個獨立的程 序。FASTA為了提供序列搜索的速度，會先建立序列片段的“字典”，查詢序列先會在字典里搜索可能的匹配序列，字典中的序列長度由ktup參數(shù)控制，缺 省的ktup=2。FASTA的結(jié)果報告中會給出每個搜索到的序列與查詢序列的最佳比對結(jié)果，以及這個比對的統(tǒng)計學(xué)顯著性評估E值。FASTA工具包可以 在大多提供下載服務(wù)的生物信息學(xué)站點上找到。BLAST是現(xiàn)在應(yīng)用最廣泛的序列相似性搜索工具，相比FASTA有更多改進，速度更快，并建立在嚴格的統(tǒng)計學(xué)基礎(chǔ)之上。NCBI提供了基于Web的 BLAST服務(wù)，用戶可以把序列填入網(wǎng)頁上

41、的表單里，選擇相應(yīng)的參數(shù)后提交到數(shù)據(jù)服務(wù)器上進行搜索，從電子郵件中獲得序列搜索的結(jié)果。BLAST包含五個 程序和若干個相應(yīng)的數(shù)據(jù)庫，分別針對不同的查詢序列和要搜索的數(shù)據(jù)庫類型。其中翻譯的核酸庫指搜索比對時會把核酸數(shù)據(jù)按密碼子按所有可能的閱讀框架轉(zhuǎn)換成 蛋白質(zhì)序列。表1. BLAST程序：程序 數(shù)據(jù)庫 查 詢 簡 述 blastpblastnblastxtblastntblastx 蛋白質(zhì)核酸蛋白質(zhì)核苷酸(翻譯)核酸(翻譯) 蛋白質(zhì)核苷酸核酸(翻譯)蛋白質(zhì)核酸(翻譯) 可能找到具有遠源進化關(guān)系的匹配序列適合尋找分值較高的匹配，不適合遠源關(guān)系適合新DNA序列和EST序列的分析適合尋找數(shù)據(jù)庫中尚未標

42、注的編碼區(qū)適合分析EST序列 表2. BLAST的蛋白質(zhì)數(shù)據(jù)庫：數(shù)據(jù)庫 簡 述 nr monthswissprotpdbyeastE.coliKabatalu 匯集了SWISS-PROT,PIR,PRF以及從GenBank序列編碼區(qū)中得到的蛋白質(zhì)和PDB中擁有原子坐標的蛋白質(zhì)，并去除了冗余的序列nr中過去30天內(nèi)的最新序列SWISS-PROT數(shù)據(jù)庫PDB結(jié)構(gòu)數(shù)據(jù)庫中的蛋白質(zhì)序列酵母基因組中編碼的全部蛋白質(zhì)大腸桿菌基因組中編碼的全部蛋白質(zhì)Kabat的免疫學(xué)相關(guān)蛋白質(zhì)序列由REPBASE中的Alu重復(fù)序列翻譯而來，用來遮蔽查詢序列中的重復(fù)片段 表3. BLAST的核酸數(shù)據(jù)庫：數(shù)據(jù)庫 簡 述 nrm

43、onthdbestdbstshtgsyeastE.colipdbkabatvectormitoalugss 非冗余的GenBankEMBLDDBJPDB序列，除了EST、STS、GSS和0,1,2階段的HTGS序列nr中過去30天的最新序列非冗余的GenbankEMBLDDBJPDB的EST部分非冗余的GenbankEMBLDDBJPDB的STS部分0,1,2階段的高產(chǎn)量基因組序列(3階段完成的HTG序列在nr庫里)酵母的全基因組序列大腸桿菌的全基因組序列由三維結(jié)構(gòu)庫來的核酸序列Kabat的免疫學(xué)相關(guān)序列庫Genbank的載體子集線粒體核酸序列REPBASE中Alu重復(fù)序列翻譯而來，用來遮蔽查

44、詢序列中的重復(fù)片段基因組勘測序列(Genome Survey Sequence) BLAST對序列格式的要求是常見的FASTA格式。FASTA格式第一行是描述行，第一個字符必須是“”字符；隨后的行是序列本身，一般每行序 列不要超過80個字符，回車符不會影響程序?qū)π蛄羞B續(xù)性的看法。序列由標準的IUB/IUPAC氨基酸和核酸代碼代表；小寫字符會全部轉(zhuǎn)換成大寫；單個 “-”號代表不明長度的空位；在氨基酸序列里允許出現(xiàn)“U”和“*”號；任何數(shù)字都應(yīng)該被去掉或換成字母(如，不明核酸用“N”，不明氨基酸用“X”)。 此外，對于核酸序列，除了A、C、G、T、U分別代表各種核酸之外，R代表G或A(嘌呤)；Y代

45、表T或C(嘧啶)；K代表G或T(帶酮基)；M代表A或 C(帶氨基)；S代表G或C(強)；W代表A或T(弱)；B代表G、T或C；D代表G、A或T；H代表A、C或T；V代表G、C或A；N代表A、G、C、 T中任意一種。對于氨基酸序列，除了20種常見氨基酸的標準單字符標識之外，B代表Asp或Asn；U代表硒代半胱氨酸；Z代表Glu或Gln；X代表任 意氨基酸；“*”代表翻譯結(jié)束標志。BLAST的當前版本是2.0，它的新發(fā)展是位點特異性反復(fù)BLAST(PSI-BLAST)。PSI-BLAST的特色是每次用profile搜索數(shù)據(jù) 庫后再利用搜索的結(jié)果重新構(gòu)建profile，然后用新的profile再次搜

46、索數(shù)據(jù)庫，如此反復(fù)直至沒有新的結(jié)果產(chǎn)生為止。PSI-BLAST先用帶空 位的BLAST搜索數(shù)據(jù)庫，將獲得的序列通過多序列比對來構(gòu)建第一個profile。PSI-BLAST自然地拓展了BLAST方法，能尋找蛋白質(zhì)序列中 的隱含模式，有研究表明這種方法可以有效的找到很多序列差異較大而結(jié)構(gòu)功能相似的相關(guān)蛋白，甚至可以與一些結(jié)構(gòu)比對方法，如threading相媲美。 PSI-BLAST服務(wù)可以在NCBI的BLAST主頁上找到，還可以從NCBI的FTP服務(wù)器上下載PSI-BLAST的獨立程序。NCBI的BLUST網(wǎng)址是：/BLAST/。下載BLUST的

47、網(wǎng)址是：/blast/。下載FASTA的網(wǎng)址是：/pub/fasta/。3.2 多序列比對顧 名思義，多序列比對就是把兩條以上可能有系統(tǒng)進化關(guān)系的序列進行比對的方法。目前對多序列比對的研究還在不斷前進中，現(xiàn)有的大多數(shù)算法都基于漸進的比對的 思想，在序列兩兩比對的基礎(chǔ)上逐步優(yōu)化多序列比對的結(jié)果。進行多序列比對后可以對比對結(jié)果進行進一步處理，例如構(gòu)建序列模式的profile，將序列聚類 構(gòu)建分子進化樹等等。目前使用最廣泛的多序列比對程序是CLUSTALW(它的PC版本是CLUSTALX)。CLUSTALW是一種漸進

48、的比對方法，先將多個序列兩兩比對構(gòu) 建距離矩陣，反應(yīng)序列之間兩兩關(guān)系；然后根據(jù)距離矩陣計算產(chǎn)生系統(tǒng)進化指導(dǎo)樹，對關(guān)系密切的序列進行加權(quán)；然后從最緊密的兩條序列開始，逐步引入臨近的序 列并不斷重新構(gòu)建比對，直到所有序列都被加入為止。CLUSTALW的程序可以自由使用，在NCBI的FTP服務(wù)器上可以找到下載的軟件包。CLUSTALW程序用選項單逐步指導(dǎo)用戶進行操作，用戶可根據(jù) 需要選擇打分矩陣、設(shè)置空位罰分等。EBI的主頁還提供了基于Web的CLUSTALW服務(wù)，用戶可以把序列和各種要求通過表單提交到服務(wù)器上，服務(wù)器把 計算的結(jié)果用Email返回用戶。CLUSTALW對輸入序列的格式比較靈活，可以

49、是前面介紹過的FASTA格式，還可以是PIR、SWISS-PROT、GDE、Clustal、 GCG/MSF、RSF等格式。輸出格式也可以選擇，有ALN、GCG、PHYLIP和GDE等，用戶可以根據(jù)自己的需要選擇合適的輸出格式。用CLUSTALW得到的多序列比對結(jié)果中，所有序列排列在一起，并以特定的符號代表各個位點上殘基的保守性，“*”號表示保守性極高的殘基位點；“.”號代表保守性略低的殘基位點。EBI的CLUSTALW網(wǎng)址是：http:/www.ebi.ac.uk/clustalw/。下載CLUSTALW的網(wǎng)址是：ftp:/ftp.ebi.ac.uk/pub/software/。4 核酸與蛋

50、白質(zhì)結(jié)構(gòu)和功能的預(yù)測分析人 們獲得各種核酸和蛋白質(zhì)序列的目的是了解這個序列在生物體中充當了怎樣的角色。例如，DNA序列中重復(fù)片段、編碼區(qū)、啟動子、內(nèi)含子/外顯子、轉(zhuǎn)錄調(diào)控因 子結(jié)合位點等信息；蛋白質(zhì)的分子量、等電點、二級結(jié)構(gòu)、三級結(jié)構(gòu)、四級結(jié)構(gòu)、膜蛋白的跨膜區(qū)段、酶的活性位點、以及蛋白質(zhì)之間相互作用等結(jié)構(gòu)和功能信息。 雖然用實驗的方法是多年以來解決這類問題的主要途徑，但新的思路是利用已有的對生物大分子結(jié)構(gòu)和功能特性的認識，用生物信息學(xué)的方法通過計算機模擬和計算 來“預(yù)測”出這些信息或提供與之相關(guān)的輔助信息。由于生物信息學(xué)的特點，可以用較低的成本和較快的時間就能獲得可靠的結(jié)果。近10年來生物學(xué)序

51、列信息的爆 炸性增長大大促進了各種序列分析和預(yù)測技術(shù)的發(fā)展，目前已經(jīng)可以用理論預(yù)測的方法獲得大量的結(jié)構(gòu)和功能信息。要注意的是，盡管各種預(yù)測方法都基于現(xiàn)有的生 物學(xué)數(shù)據(jù)和已有的生物學(xué)知識，但在不同模型或算法基礎(chǔ)上建立的不同分析程序有其一定的適用范圍和相應(yīng)的限制條件，因此最好對同一個生物學(xué)問題盡量多用幾種 分析程序，綜合分析各種方法得到的結(jié)果和結(jié)果的可靠性。此外，生物信息學(xué)的分析只是為生物學(xué)研究提供參考，這些信息能提高研究的效率或提供研究的思路，但 很多問題還需要通過實驗的方法得到驗證。4.1 針對核酸序列的預(yù)測方法針 對核酸序列的預(yù)測就是在核酸序列中尋找基因，找出基因的位置和功能位點的位置，以及

52、標記已知的序列模式等過程。在此過程中，確認一段DNA序列是一個基因 需要有多個證據(jù)的支持。一般而言，在重復(fù)片段頻繁出現(xiàn)的區(qū)域里，基因編碼區(qū)和調(diào)控區(qū)不太可能出現(xiàn)；如果某段DNA片段的假想產(chǎn)物與某個已知的蛋白質(zhì)或其它 基因的產(chǎn)物具有較高序列相似性的話，那么這個DNA片段就非?？赡軐儆谕怙@子片段；在一段DNA序列上出現(xiàn)統(tǒng)計上的規(guī)律性，即所謂的“密碼子偏好性”，也 是說明這段DNA是蛋白質(zhì)編碼區(qū)的有力證據(jù)；其它的證據(jù)包括與“模板”序列的模式相匹配、簡單序列模式如TATA Box等相匹配等。一般而言，確定基因的位置和結(jié)構(gòu)需要多個方法綜合運用，而且需要遵循一定的規(guī)則：對于真核生物序列，在進行預(yù)測之前先要進

53、行重復(fù)序列分 析，把重復(fù)序列標記出來并除去；選用預(yù)測程序時要注意程序的物種特異性；要弄清程序適用的是基因組序列還是cDNA序列；很多程序?qū)π蛄虚L度也有要求，有 的程序只適用于長序列，而對EST這類殘缺的序列則不適用。1. 重復(fù)序列分析對 于真核生物的核酸序列而言，在進行基因辨識之前都應(yīng)該把簡單的大量的重復(fù)序列標記出來并除去，因為很多情況下重復(fù)序列會對預(yù)測程序產(chǎn)生很大的擾亂，尤其是 涉及數(shù)據(jù)庫搜索的程序。常見的重復(fù)序列分析程序有CENSOR和RepeatMasker等，可以在Web界面上使用這些程序，或者用Email來進行。 如果有大量序列需要處理，可以使用XBLAST程序，它可以從Intern

54、et上下載得到。XBLAST中以及包含了由程序作者收集整理的一些重復(fù)序列， 此外還可以從Repbase中找到更多的重復(fù)序列。還可以把克隆載體也加入重復(fù)序列中，這樣就可以在處理重復(fù)序列時順便把克隆載體也一同除去。經(jīng)處理的序 列中重復(fù)序列所在位置會一律由“X”代替。CENSOR和Repbase的網(wǎng)址是：/。CENSOR的Email服務(wù)地址是：。RepeatMasker的網(wǎng)址是：/cgi-bin/RepeatMasker。下載XBLAST的網(wǎng)址是：ftp:/

55、/pub/jmc。下載Repbase的網(wǎng)址是：ftp:/ncbi//repository/repbase/REF。2. 數(shù)據(jù)庫搜索把未知核酸序列作為查詢序列，在數(shù)據(jù)庫里搜索與之 相似的已有序列是序列分析預(yù)測的有效手段，在上一節(jié)中已經(jīng)專門介紹了序列比對和搜索的原理和技術(shù)。但值得注意的是，由相似性分析作出的結(jié)論可能導(dǎo)致錯誤的 流傳；有一定比例的序列很難在數(shù)據(jù)庫里找到合適的同源伙伴。對于EST序列而言，序列搜索將是非常有效的預(yù)測手段。3. 編碼區(qū)統(tǒng)計特性分析統(tǒng)計獲得的經(jīng)驗說明，DNA中密碼子的使用頻率不是平均分布的，某些密碼子會以較高的頻率使用而

56、另一些則較少出現(xiàn)。這樣就使得編碼區(qū)的序列呈現(xiàn)出可察覺的 統(tǒng)計特異性，即所謂的“密碼子偏好性”。利用這一特性對未知序列進行統(tǒng)計學(xué)分析可以發(fā)現(xiàn)編碼區(qū)的粗略位置。這一類技術(shù)包括：雙密碼子計數(shù)(統(tǒng)計連續(xù)兩個密 碼子的出現(xiàn)頻率)；核苷酸周期性分析(分析同一個核苷酸在3,6,9,.位置上周期性出現(xiàn)的規(guī)律)；均一/復(fù)雜性分析(長同聚物的統(tǒng)計計數(shù))；開放可 讀框架分析等。常見的編碼區(qū)統(tǒng)計特性分析工具將多種統(tǒng)計分析技術(shù)組合起來，給出對編碼區(qū)的綜合判別。著名的程序有GRAIL和GenMark等，GRAIL提供了基于Web的服務(wù)。GRAIL的網(wǎng)址是：/Grail-1.3/

57、。4. 啟動子分析啟動子是基因表達所必需的重要序列信號，識別出啟 動子對于基因辨識十分重要。有一些程序根據(jù)實驗獲得的轉(zhuǎn)錄因子結(jié)合特性來描述啟動子的序列特征，并依次作為啟動子預(yù)測的依據(jù)，但實際的效果并不十分理想， 遺漏和假陽性都比較嚴重?？偟膩碚f，啟動子仍是值得繼續(xù)研究探索的難題。5. 內(nèi)含子/外顯子剪接位點剪接位點一般具有較明顯的序列特征，但是要注意可變剪接的問題。由于可變剪接在數(shù)據(jù)庫里的注釋非常不完整，因此很難評估剪接位點識別程序預(yù)測剪接位點的敏感性和精度。如果把剪接位點和兩側(cè)的編碼特性結(jié)合起來分析則有助于提供剪接位點的識別效果。常見的基因識別工具很多都包含了剪接位點識別功能，獨立的剪接位點

58、識別工具有NetGene等。NetGene服務(wù)的Email地址是：netgenecbs.dtu.dk。6. 翻譯起始位點對于真核生物，如果已知轉(zhuǎn)錄起始點，并且沒有內(nèi)含 子打斷5非翻譯區(qū)的話，“Kozak規(guī)則”可以在大多數(shù)情況下定位起始密碼子。原核生物一般沒有剪接過程，但在開放閱讀框中找正確的起始密碼子仍很困 難。這時由于多順反操縱子的存在，啟動子定位不象在真核生物中起關(guān)鍵作用。對于原核生物，關(guān)鍵是核糖體結(jié)合點的定位，可以由多個程序提供解決方案，可以參 考下面的綜述。Gelfand, M. S. (1995). Prediction of function in DNA sequence analyi