論文資料-生物信息學(xué)原理與方法-第八講DNA序列分析與預(yù)測

1、生物信息學(xué)生物信息學(xué) 原理與方法原理與方法第一講第一講 DNA序列分析與預(yù)測序列分析與預(yù)測 BiologyProteinPhenotypeDNA(Genotype)基因結(jié)構(gòu)（內(nèi)含子和外顯子交界區(qū)符合內(nèi)含子和外顯子交界區(qū)符合gt-ag 規(guī)則規(guī)則）目錄一、定義一、定義二、軟件資源二、軟件資源三、基本步驟三、基本步驟四、電子克隆四、電子克隆cDNA全長序列全長序列五、重復(fù)序列分析五、重復(fù)序列分析數(shù)據(jù)庫同源搜索數(shù)據(jù)庫同源搜索六、基因電子定位與預(yù)測六、基因電子定位與預(yù)測七、基因結(jié)構(gòu)預(yù)測七、基因結(jié)構(gòu)預(yù)測八、八、ORF預(yù)測預(yù)測九、內(nèi)含子九、內(nèi)含子 / 外顯子剪接位點(diǎn)外顯子剪接位點(diǎn)十、十、tRNA 基因識別基

2、因識別一、一、DNA序列分析與預(yù)測的定義序列分析與預(yù)測的定義就是在核酸序列中尋找基因，找出基因的位置就是在核酸序列中尋找基因，找出基因的位置和功能位點(diǎn)的位置等過程。和功能位點(diǎn)的位置等過程。在此過程中，確認(rèn)一段在此過程中，確認(rèn)一段DNA序列是一個基因需序列是一個基因需要有多個證據(jù)的支持。要有多個證據(jù)的支持。一般而言，確定基因的位置和結(jié)構(gòu)需要多個方一般而言，確定基因的位置和結(jié)構(gòu)需要多個方法綜合運(yùn)用，而且需要遵循一定的規(guī)則：法綜合運(yùn)用，而且需要遵循一定的規(guī)則：對于真核生物序列，在進(jìn)行預(yù)測之前先要進(jìn)行對于真核生物序列，在進(jìn)行預(yù)測之前先要進(jìn)行重復(fù)序列分析，把重復(fù)序列標(biāo)記出來并除去；重復(fù)序列分析，把重復(fù)序

3、列標(biāo)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弄清程序適用的是基因組序列還是cDNA序列。序列。二、軟件資源二、軟件資源在在上找有關(guān)生物信息學(xué)的上找有關(guān)生物信息學(xué)的網(wǎng)站或網(wǎng)頁網(wǎng)站或網(wǎng)頁核酸序列數(shù)據(jù)庫 Genbank，美國國家生物技術(shù)信息中心的數(shù)據(jù)庫（ ）。 EMBL，建立在歐洲分子生物實(shí)驗(yàn)室的數(shù)據(jù)庫 (http:/www.embl.de/)。DDBJ，是DNA Data Bank of Japan的簡稱，又叫日本的DNA數(shù)據(jù)庫銀行（available at http:/

4、www.nig.ac.jp )。第一步：獲取第一步：獲取DNA DNA 目標(biāo)序列目標(biāo)序列 如果你已有目標(biāo)序列，可直接進(jìn)入第如果你已有目標(biāo)序列，可直接進(jìn)入第2 2 步；步； 可通過可通過PubMedPubMed查找你感興趣的資料；通過查找你感興趣的資料；通過GenBankGenBank 或或EMBL EMBL 等數(shù)據(jù)庫查找目標(biāo)序列。等數(shù)據(jù)庫查找目標(biāo)序列。第二步：查找第二步：查找ORF ORF 并將目標(biāo)序列翻譯成蛋白質(zhì)序列并將目標(biāo)序列翻譯成蛋白質(zhì)序列利用相應(yīng)工具，如利用相應(yīng)工具，如ORF Finder ORF Finder 、Gene feature(Baylor Gene feature(Bay

5、lor College of Medicine)College of Medicine)、GenLang(UniversityGenLang(University of of Pennsylvania)Pennsylvania)等，查找等，查找ORFORF并將并將DNADNA序列翻譯成蛋白質(zhì)序列翻譯成蛋白質(zhì)序列。序列。三、三、DNA序列分析與預(yù)測基本步驟序列分析與預(yù)測基本步驟第三步：在數(shù)據(jù)庫中進(jìn)行序列搜索第三步：在數(shù)據(jù)庫中進(jìn)行序列搜索可以利用可以利用BLAST BLAST 進(jìn)行進(jìn)行ORF ORF 核苷酸序列和核苷酸序列和ORF ORF 翻譯的蛋白質(zhì)序列搜索。翻譯的蛋白質(zhì)序列搜索。第四步：進(jìn)行目

6、標(biāo)序列與搜索得到的相似序第四步：進(jìn)行目標(biāo)序列與搜索得到的相似序列的全局配對列的全局配對(global alignment)(global alignment)雖然第三步已進(jìn)行局部配對雖然第三步已進(jìn)行局部配對(local (local lignmentlignment) )分析，但全局配對有助于進(jìn)一步分析，但全局配對有助于進(jìn)一步加深目標(biāo)序列的認(rèn)識。加深目標(biāo)序列的認(rèn)識。第五步：查找基因家族第五步：查找基因家族進(jìn)行多序列比對進(jìn)行多序列比對(multiple sequence alignment)(multiple sequence alignment)和獲得配對區(qū)段的可視信息。可分別在和獲得配對區(qū)段

7、的可視信息?？煞謩e在AMAS(Oxford AMAS(Oxford University)University)和和BOXSHADE (ISREC,Switzerland)BOXSHADE (ISREC,Switzerland)等等服務(wù)器上進(jìn)行。服務(wù)器上進(jìn)行。第六步：查找目標(biāo)序列中的特定模序第六步：查找目標(biāo)序列中的特定模序 分別在分別在ProciteProcite 、BLOCK BLOCK 、Motif Motif 數(shù)據(jù)庫進(jìn)行數(shù)據(jù)庫進(jìn)行profile profile 、模塊、模塊(block)(block)、模序、模序(motif)(motif)檢索；檢索； 對蛋白質(zhì)序列進(jìn)行統(tǒng)計(jì)分析和有關(guān)預(yù)測

8、對蛋白質(zhì)序列進(jìn)行統(tǒng)計(jì)分析和有關(guān)預(yù)測第七步：預(yù)測目標(biāo)序列結(jié)構(gòu)第七步：預(yù)測目標(biāo)序列結(jié)構(gòu)可以利用可以利用PredictProtein(EMBLPredictProtein(EMBL) )、NNPREDICT NNPREDICT (University of California)(University of California)等預(yù)測目標(biāo)序列等預(yù)測目標(biāo)序列的蛋白質(zhì)二級結(jié)構(gòu)。的蛋白質(zhì)二級結(jié)構(gòu)。第八步：獲取相關(guān)蛋白質(zhì)的功能信息第八步：獲取相關(guān)蛋白質(zhì)的功能信息為了了解目標(biāo)序列的功能，收集與目標(biāo)序列和為了了解目標(biāo)序列的功能，收集與目標(biāo)序列和結(jié)構(gòu)相似蛋白質(zhì)的功能信息非常必要?？衫媒Y(jié)構(gòu)相似蛋白質(zhì)的功能信息非

9、常必要?？衫肞ubMedPubMed 進(jìn)行搜索。進(jìn)行搜索。四、電子克隆四、電子克隆cDNA全長序列全長序列電子克隆技術(shù)以數(shù)學(xué)為核心，以計(jì)算機(jī)和互聯(lián)電子克隆技術(shù)以數(shù)學(xué)為核心，以計(jì)算機(jī)和互聯(lián)網(wǎng)為工具，利用現(xiàn)有的表達(dá)序列標(biāo)簽（網(wǎng)為工具，利用現(xiàn)有的表達(dá)序列標(biāo)簽（EST）和生物信息數(shù)據(jù)庫，和生物信息數(shù)據(jù)庫， 可以加速對人類基因組未可以加速對人類基因組未知功能新基因的發(fā)掘，為人類功能基因組學(xué)與知功能新基因的發(fā)掘，為人類功能基因組學(xué)與蛋白質(zhì)組學(xué)研究提供新的線索和基礎(chǔ)。蛋白質(zhì)組學(xué)研究提供新的線索和基礎(chǔ)?；驹砘驹慝@得未知基因的獲得未知基因的c DNA部分序列后部分序列后 ,采用生物信采用生物信息學(xué)的方

10、法延伸息學(xué)的方法延伸EST序列序列 ,以獲得基因的部分乃以獲得基因的部分乃至全長至全長 c DNA序列序列 。53最初的EST在 EST database中搜索用重疊群再在 dbEST 中搜索53完整的 cDNA序列 拼接EST再次拼接重復(fù)過程直到重疊簇不能延伸基本步驟基本步驟電子克隆的技巧電子克隆的技巧1.如何鑒定片段重疊和篩選最佳目的如何鑒定片段重疊和篩選最佳目的EST2.選擇合適的片段用于檢索選擇合適的片段用于檢索EST數(shù)據(jù)庫數(shù)據(jù)庫種子序列BB351715BG083616 BY764174 AAAAABG083616BB351715BY764174AC116557ATGTAAattata

11、ccacAAAAAA流程示意圖匹配度9553匹配度100匹配度100AAAAA4個EST簇拼接成的重疊群（2117bp）在dbEST中搜索 AC116557（ genome DNA genome DNA ）該被檢序列5在dbEST中不能繼續(xù)延伸用基因組草圖搜索法在mouse genome中搜索Length=3218bp AAAAAA對于真核生物的核酸序列而言，在進(jìn)行基因辨識之前都應(yīng)該把簡單的大量的重復(fù)序列標(biāo)記出來并除去，因?yàn)楹芏嗲闆r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Repeat

12、Masker（/）等，可以在Web界面上使用這些程序，或者用Email來進(jìn)行。如果有大量序列需要處理，可以使用如果有大量序列需要處理，可以使用XBLAST程序，它可以從程序，它可以從Internet上下載上下載得到。得到。XBLAST中以及包含了由程序作中以及包含了由程序作者收集整理的一些重復(fù)序列，此外還可者收集整理的一些重復(fù)序列，此外還可以從以從Repbase中找到更多的重復(fù)序列。還中找到更多的重復(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)序列時順便把克隆樣就可以在處理重復(fù)序列時順便把克隆

13、載體也一同除去。經(jīng)處理的序列中重復(fù)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序列所在位置會一律由“X”代替。代替。六、基因電子定位或預(yù)測六、基因電子定位或預(yù)測方法：1.e-PCR2.LocusLink查詢3.數(shù)據(jù)庫同源搜索 4.基因組BLAST搜索七、基因結(jié)構(gòu)預(yù)測七、基因結(jié)構(gòu)預(yù)測 所謂基因所謂基因結(jié)構(gòu)結(jié)構(gòu)預(yù)測，一般是指預(yù)測預(yù)測，一般是指預(yù)測DNA DNA 序列中編碼蛋白質(zhì)的部分，即外顯子部分。序列中編碼蛋白質(zhì)的部分，即外顯子部分。不過目前基因區(qū)域的預(yù)測已從單純外顯子不過目前基因區(qū)域的預(yù)測已從單純外顯子預(yù)測發(fā)展到整個基因結(jié)構(gòu)的預(yù)測。這些預(yù)預(yù)測發(fā)展到整個基因結(jié)構(gòu)的預(yù)測。這些預(yù)測綜合各種

14、外顯子預(yù)測的算法和人們對基測綜合各種外顯子預(yù)測的算法和人們對基因結(jié)構(gòu)信號因結(jié)構(gòu)信號( (如如TATA TATA 盒等盒等) )的認(rèn)識，預(yù)測的認(rèn)識，預(yù)測出可能的完整基因。出可能的完整基因?；蜃R別的方法利用同源比對利用同源比對(blast)(blast)?；诨蛑芯幋a序列和非編碼序基于基因中編碼序列和非編碼序列區(qū)域堿基的統(tǒng)計(jì)差異性。列區(qū)域堿基的統(tǒng)計(jì)差異性。根據(jù)真核基因的生物結(jié)構(gòu)，建立根據(jù)真核基因的生物結(jié)構(gòu)，建立整體的基因預(yù)測模型整體的基因預(yù)測模型.(Genscan).(Genscan)。預(yù)測程序GRAIL /tools/index.shtmlFGEN

15、EH http:/genomic.sanger.ac.uk/gf/gf.shtmlMZEF /genefinderGENSCAN /GENSCAN.htmlBanbury Cross http:/igs-rs-mrs.fr/igs/banburyGeneID http:/www1.imim.es/geneid.htmlGeneMachine /genemachineGeneParser /eesnyder/GenePar

16、ser.htlGenotator /nomi/genotator/HMMgene http:/www.cbs.dtu.dk/services/HMMgene/PROCRUSTES /software/procrustesRepeatMasker /RM/RepeatMasker.htmlSputnik http:/ / 外顯子剪接位點(diǎn)外顯子剪接位點(diǎn)剪接位點(diǎn)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(diǎn)識別程序預(yù)測剪接位點(diǎn)的敏感性和精度。如果把剪接位點(diǎn)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(diǎn)的識別效果。 常見的基因識別工具很多都包含了剪接位點(diǎn)識別功能，獨(dú)立的剪接位點(diǎn)識別工具有 NetGene 。 NetGene 服務(wù)的 Email 地址是： netgenecbs.dtu.dk 。 http:/www.cbs.dtu.dk/services/NetGene2/NetGene主頁主頁十、十、tR