五節(jié)基因識(shí)別

五節(jié)基因識(shí)別第1頁(yè)/共57頁(yè)

第五節(jié)基因識(shí)別第2頁(yè)/共57頁(yè)基因識(shí)別基因識(shí)別是生物信息學(xué)領(lǐng)域里的一個(gè)重要研究?jī)?nèi)容基因識(shí)別問題，在近幾年受到廣泛的重視當(dāng)人類基因組研究進(jìn)入一個(gè)系統(tǒng)測(cè)序階段時(shí)，急需可靠自動(dòng)的基因組序列翻譯解釋技術(shù)，以處理大量已測(cè)定的但未知功能或未經(jīng)注釋的DNA序列第3頁(yè)/共57頁(yè)原核基因識(shí)別 重點(diǎn)在于識(shí)別編碼區(qū)域第4頁(yè)/共57頁(yè)非翻譯區(qū)域（untranslatedregions,UTR）編碼區(qū)域兩端的DNA，有一部分被轉(zhuǎn)錄，但是不被翻譯，這一部分稱為非翻譯區(qū)域

5’UTR---基因上游區(qū)域的非翻譯區(qū)域3’UTR---基因下游區(qū)域的非翻譯區(qū)域第5頁(yè)/共57頁(yè)對(duì)于任何給定的核酸序列（單鏈DNA或mRNA），根據(jù)密碼子的起始位置，可以按照三種方式進(jìn)行解釋。例如，序列ATTCGATCGCAA這三種閱讀順序稱為閱讀框（readingframes）CAA

A

ATTCGATCGATTCGATCGCAAATTCGATCGCA（1）（3）（2）第6頁(yè)/共57頁(yè)一個(gè)開放閱讀框（ORF,openreadingframe）是一個(gè)沒有終止編碼的密碼子序列。原核基因識(shí)別任務(wù)的重點(diǎn)是識(shí)別開放閱讀框，或者說識(shí)別長(zhǎng)的編碼區(qū)域。第7頁(yè)/共57頁(yè)基于基因密碼子特性的識(shí)別方法辨別編碼區(qū)域與非編碼區(qū)域的一種方法是檢查終止密碼子的出現(xiàn)頻率終止密碼子出現(xiàn)的期望次數(shù)為：每21個(gè)（64/3）密碼子出現(xiàn)一次終止密碼子

第8頁(yè)/共57頁(yè)基本思想：如果能夠找到一個(gè)比較長(zhǎng)的序列，其相應(yīng)的密碼子序列不含終止密碼子，則這段序列可能就是編碼區(qū)域?；舅惴ǎ簰呙杞o定的DNA序列，在三個(gè)不同的閱讀框中尋找較長(zhǎng)的ORF。遇到終止密碼子以后，回頭尋找起始密碼子。這種算法過于簡(jiǎn)單，不適合于處理短的ORF或者交疊的ORF。第9頁(yè)/共57頁(yè)識(shí)別編碼區(qū)域的另一種方法是分析各種密碼子出現(xiàn)的頻率

將一個(gè)隨機(jī)均勻分布的DNA序列翻譯成氨基酸序列，則在氨基酸序列中上述3種氨基酸出現(xiàn)的比例應(yīng)該為6:4:1例如，亮氨酸、丙氨酸、色氨酸分別有6個(gè)、4個(gè)和1個(gè)密碼子但是在真實(shí)的氨基酸序列中，上述比例并不正確這說明DNA的編碼區(qū)域并非隨機(jī)第10頁(yè)/共57頁(yè)假設(shè)在一條DNA序列中已經(jīng)找到所有的ORF，那么可以利用密碼子頻率進(jìn)一步區(qū)分編碼ORF和非編碼ORF馬爾柯夫鏈模型利用這種方法，可以計(jì)算一個(gè)ORF成為編碼區(qū)域的可能性。第11頁(yè)/共57頁(yè)一個(gè)簡(jiǎn)單的統(tǒng)計(jì)模型

假設(shè)相繼的密碼子是獨(dú)立的，不存在前后依賴關(guān)系。

令fabc代表密碼子abc在編碼區(qū)域出現(xiàn)的頻率 給定序列

a1,b1,c1,a2,b2,c2,…,an+1,bn+1

從密碼子a1b1c1開始的閱讀框，其n個(gè)密碼子的出現(xiàn)概率為第12頁(yè)/共57頁(yè)第二種和第三種閱讀框n個(gè)密碼子出現(xiàn)的概率分別為第13頁(yè)/共57頁(yè)第i個(gè)閱讀框成為編碼閱讀框的概率 計(jì)算：算法： 在序列上移動(dòng)長(zhǎng)度為n的窗口，計(jì)算Pi

根據(jù)Pi的值識(shí)別編碼的閱讀框第14頁(yè)/共57頁(yè)基于編碼區(qū)域堿基組成特征的識(shí)別方法編碼序列與非編碼序列在堿基組成上有區(qū)別單個(gè)堿基的組成比例多個(gè)堿基的組成通過統(tǒng)計(jì)分析識(shí)別編碼序列第15頁(yè)/共57頁(yè)分析實(shí)例第16頁(yè)/共57頁(yè)第17頁(yè)/共57頁(yè)2、真核基因識(shí)別問題

真核基因遠(yuǎn)比原核基因復(fù)雜：一方面，真核基因的編碼區(qū)域是非連續(xù)的，編碼區(qū)域被分割為若干個(gè)小片段。另一方面，真核基因具有更加豐富的基因調(diào)控信息，這些信息主要分布在基因上游區(qū)域。第18頁(yè)/共57頁(yè)第19頁(yè)/共57頁(yè)第20頁(yè)/共57頁(yè)基因識(shí)別基本思路

找出基因兩端的功能區(qū)域:

轉(zhuǎn)錄啟動(dòng)區(qū)終止區(qū)在啟動(dòng)區(qū)下游位置尋找翻譯起始密碼子識(shí)別轉(zhuǎn)錄剪切位點(diǎn)剪切給體位點(diǎn)剪切接受體位點(diǎn)第21頁(yè)/共57頁(yè)各種不同的方法有不同的適應(yīng)面，而不同的方法有時(shí)可以結(jié)合起來以提高基因識(shí)別的準(zhǔn)確率。關(guān)鍵問題是如何提高一個(gè)識(shí)別算法的敏感性（sensitivity，Sn）和特異性（specificity，Sp）。

第22頁(yè)/共57頁(yè)3、基因識(shí)別的主要方法兩大類識(shí)別方法：從頭算方法（或基于統(tǒng)計(jì)的方法）根據(jù)蛋白質(zhì)編碼基因的一般性質(zhì)和特征進(jìn)行識(shí)別，通過統(tǒng)計(jì)值區(qū)分外顯子、內(nèi)含子及基因間區(qū)域

基于同源序列比較的方法利用數(shù)據(jù)庫(kù)中現(xiàn)有與基因有關(guān)的信息（如EST序列、蛋白質(zhì)序列），通過同源比較，幫助發(fā)現(xiàn)新基因。最理想的方法是綜合兩大類方法的優(yōu)點(diǎn)，開發(fā)混合算法。第23頁(yè)/共57頁(yè)基因識(shí)別方法有：（1）基于規(guī)則的系統(tǒng)（2）語(yǔ)義學(xué)方法（3）線性辨別分析（LDA）（4）決策樹

（5）動(dòng)態(tài)規(guī)劃

（6）隱馬爾柯夫模型

（7）剪切對(duì)比排列（splicedalignment）第24頁(yè)/共57頁(yè)4、編碼區(qū)域識(shí)別兩類方法：基于特征信號(hào)的識(shí)別內(nèi)部外顯子 剪切位點(diǎn)5’端的外顯子一定在核心啟動(dòng)子的下游3’端的外顯子的下游包含多聚Ａ信號(hào)和終止編碼基于統(tǒng)計(jì)度量的方法根據(jù)密碼子使用傾向雙聯(lián)密碼統(tǒng)計(jì)度量等第25頁(yè)/共57頁(yè)

在一個(gè)基因中，第i個(gè)（i=1，64）密碼子相對(duì)使用傾向RSCUi的定義如下：Obsi是該基因中第i個(gè)密碼子實(shí)際出現(xiàn)的次數(shù)

Expi是對(duì)應(yīng)密碼子期望的出現(xiàn)次數(shù)

aai是統(tǒng)計(jì)的第i個(gè)密碼子出現(xiàn)的次數(shù) syni是所有與第i個(gè)密碼子同義密碼子出現(xiàn)的次數(shù)RSCU大于1表示相應(yīng)密碼子出現(xiàn)的次數(shù)比期望次數(shù)高，而小于1則表示出現(xiàn)次數(shù)相對(duì)較少。（5-66）（5-65）

密碼子使用傾向第26頁(yè)/共57頁(yè)設(shè)一段DNA序列為S，從S的第i位到第j位的雙聯(lián)密碼統(tǒng)計(jì)度量IF6（i，j）定義為：

fk是從第k位開始的雙聯(lián)密碼的頻率

Fk是該雙聯(lián)密碼隨機(jī)出現(xiàn)的頻率（5-67）雙聯(lián)密碼統(tǒng)計(jì)度量第27頁(yè)/共57頁(yè)通過相似搜索發(fā)現(xiàn)編碼區(qū)域或者外顯子EST（ExpressedSequenceTags）cDNA蛋白質(zhì)序列第28頁(yè)/共57頁(yè)目前大多數(shù)預(yù)測(cè)程序都將數(shù)據(jù)庫(kù)相似性搜索的信息結(jié)合進(jìn)基因預(yù)測(cè)過程同時(shí)考慮序列特征信號(hào)和統(tǒng)計(jì)度量

GRAIL

用人工神經(jīng)網(wǎng)絡(luò)識(shí)別編碼區(qū)域第29頁(yè)/共57頁(yè)輸入是一系列反映功能位點(diǎn)信號(hào)特征和序列編碼統(tǒng)計(jì)特征的參數(shù)輸出就是對(duì)一段DNA序列是否是編碼區(qū)域的判別結(jié)果神經(jīng)網(wǎng)絡(luò)具有非線性映射能力，能夠發(fā)現(xiàn)輸入和輸出之間的高階相關(guān)性第30頁(yè)/共57頁(yè)5、構(gòu)建基因模型基因識(shí)別最終任務(wù)是建立完整的基因結(jié)構(gòu)模型一個(gè)理想的基因識(shí)別程序應(yīng)該能夠發(fā)現(xiàn)完整的基因結(jié)構(gòu) （…,e1,i1,…,in-1,en,

…）ATG-外顯子1內(nèi)含子外顯子外顯子n-UAG第31頁(yè)/共57頁(yè)基因剪切位點(diǎn)剪切給體（donor）位點(diǎn)-“gt”

接受體（acceptor）位點(diǎn)-“ag”第32頁(yè)/共57頁(yè)基因的可變剪切第33頁(yè)/共57頁(yè)geneA基因可變剪切示意第34頁(yè)/共57頁(yè)構(gòu)建基因模型方法

剪切位點(diǎn)形成外顯子和內(nèi)含子的邊界

搜集候選外顯子→候選基因第35頁(yè)/共57頁(yè)第36頁(yè)/共57頁(yè)候選基因是一條非相交的外顯子和內(nèi)含子的鏈，表示為（i0,e1,i1,…,en,in）

其中ij代表內(nèi)含子（0jn）

el代表外顯子（1ln）

i0和in并非真實(shí)的內(nèi)含子，它們分別代表基因兩側(cè)的非編碼序列第37頁(yè)/共57頁(yè)候選基因位于給定的DNA序列，并滿足下列一致性條件：（1）所有外顯子加起來的長(zhǎng)度是3的整數(shù)倍；（2）在各個(gè)外顯子內(nèi)部（除最后一個(gè)外顯子的最后一個(gè)密碼子），沒有終止編碼；（3）第一個(gè)內(nèi)含子-外顯子邊界（i0,e1）是翻譯起始編碼，而最后一個(gè)外顯子-內(nèi)含子邊界（en,in）是終止編碼。第38頁(yè)/共57頁(yè)位點(diǎn)圖（分層標(biāo)注剪切位點(diǎn)）另設(shè)兩個(gè)特殊的頂點(diǎn)，即起點(diǎn)（source）和終點(diǎn)（sink）。從起點(diǎn)到終點(diǎn)的任何一條路徑代表一個(gè)可能的基因結(jié)構(gòu)。第39頁(yè)/共57頁(yè)例如：位點(diǎn)圖上的路徑第40頁(yè)/共57頁(yè)候選基因所對(duì)應(yīng)的道路圖中的路徑第41頁(yè)/共57頁(yè)求最優(yōu)路徑每一條弧附加一個(gè)權(quán)值 外顯子、內(nèi)含子度量每個(gè)節(jié)點(diǎn)附加權(quán)值

剪切位點(diǎn)度量

綜合評(píng)價(jià)

第42頁(yè)/共57頁(yè)6、用于基因識(shí)別的HMM模型隱馬爾柯夫模型HMM是一條狀態(tài)不可見的馬爾柯夫鏈，其當(dāng)前狀態(tài)的輸出是可見的。每個(gè)狀態(tài)按照一定的概率分布隨機(jī)地從字母表中取出字符并釋放。擴(kuò)展的隱藏馬爾柯夫模型（GHMMs）對(duì)HMM進(jìn)一步抽象，產(chǎn)生更一般的馬爾柯夫模型，以分析復(fù)雜的脊椎動(dòng)物基因。第43頁(yè)/共57頁(yè)(1)信號(hào)傳感器模型將剪切位點(diǎn)、起始編碼區(qū)域或者終止編碼區(qū)域看成是DNA序列上的功能位點(diǎn)或者信號(hào)位點(diǎn)，用HMM來進(jìn)行分析

第44頁(yè)/共57頁(yè)內(nèi)含子區(qū)域

外顯子區(qū)域

保守位點(diǎn)

第45頁(yè)/共57頁(yè)對(duì)前一節(jié)所介紹的HMM模型進(jìn)行修改，可以處理雙聯(lián)核苷酸的問題，即將4種概率分布擴(kuò)展為16種。假設(shè)一段序列為ACTGTC…，則P(ACTGTC…)=p1(A)p2(CA)p3(TC)p4(GT)p5(TG)p6(CT)…

其中p1是狀態(tài)1對(duì)于4種核苷酸的概率，p2(xy)狀態(tài)2的條件概率。第46頁(yè)/共57頁(yè)(2)編碼區(qū)模型第47頁(yè)/共57頁(yè)由于密碼子的長(zhǎng)度為3，因此密碼子模型的最后一個(gè)狀態(tài)應(yīng)該至少為2階。對(duì)于2階的狀態(tài)，具有64種概率分布，可根據(jù)已知編碼區(qū)域進(jìn)行統(tǒng)計(jì)計(jì)算而得到64種分布。例如：

p(ACA)=c(CAA)/[c(CAA)+c(CAC)+c(CAG)+c(CAT)]p(CCA)=c(CAC)/[c(CAA)+c(CAC)+c(CAG)+c(CAT)]p(GCA)=c(CAG)/[c(CAA)+c(CAC)+c(CAG)+c(CAT)]p(TCA)=c(CAT)/[c(CAA)+c(CAC)+c(CAG)+c(CAT)]

其中，c(xyz)是密碼子xyz的計(jì)數(shù)。這樣的模型可以檢測(cè)無結(jié)束編碼的區(qū)域，因?yàn)閷?duì)應(yīng)于三個(gè)結(jié)束編碼TAA、TAG和TGA的p(ATA)、p(GTA)和p(ATG)自動(dòng)為0。第48頁(yè)/共57頁(yè)(3)組合模型第49頁(yè)/共57頁(yè)將上述模型擴(kuò)展，使之可以識(shí)別具有多個(gè)外顯子的基因。改進(jìn)后的模型見下圖第50頁(yè)/共57頁(yè)第51頁(yè)/共57頁(yè)７、基于剪切比對(duì)的基因識(shí)別方法基本思想是：利用數(shù)據(jù)庫(kù)中的同源信息進(jìn)行基因識(shí)別，包括DNA、RNA和蛋白質(zhì)數(shù)據(jù)庫(kù)。其方法是：首先通過分析所有可能的剪切接受體位點(diǎn)和剪切給體位點(diǎn)，構(gòu)建一組候選的外顯子。然后進(jìn)一步分析候選外顯子，探查所有可能的外顯子組合，尋找一個(gè)與已知目標(biāo)蛋白質(zhì)或其他表達(dá)序列最匹配的組合第52頁(yè)/共57頁(yè)一種半自動(dòng)的綜合方法識(shí)別基因過程：（1）選擇所有長(zhǎng)度大于50bp并介于保守的剪切接受位點(diǎn)和給體位點(diǎn)之間的ORF，作為候選的外顯子；

預(yù)選（