《五節(jié)基因識》PPT課件.ppt

第五節(jié) 基因識別,主講人：孫 嘯 制作人：劉志華,東南大學 吳健雄實驗室,基因識別,基因識別是生物信息學領域里的一個重要研究內容 基因識別問題，在近幾年受到廣泛的重視 當人類基因組研究進入一個系統(tǒng)測序階段時，急需可靠自動的基因組序列翻譯解釋技術，以處理大量已測定的但未知功能或未經注釋的DNA序列,原核基因識別 重點在于識別編碼區(qū)域,非翻譯區(qū)域（untranslated regions, UTR） 編碼區(qū)域兩端的DNA，有一部分被轉錄，但是不被翻譯，這一部分稱為非翻譯區(qū)域 5UTR-基因上游區(qū)域的非翻譯區(qū)域 3UTR-基因下游區(qū)域的非翻譯區(qū)域,對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行解釋。 例如，序列ATTCGATCGCAA 這三種閱讀順序稱為閱讀框（reading frames）,CAA,A,ATT,CGA,TCG,A,TTC,GAT,CGC,AA,AT,TCG,ATC,GCA,（1）,（3）,（2）,一個開放閱讀框（ORF,open reading frame）是一個沒有終止編碼的密碼子序列。 原核基因識別任務的重點是識別開放閱讀框，或者說識別長的編碼區(qū)域。,基于基因密碼子特性的識別方法 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（ 64/3）密碼子出現(xiàn)一次終止密碼子,基本思想： 如果能夠找到一個比較長的序列，其相應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。 基本算法： 掃描給定的DNA序列，在三個不同的閱讀框中尋找較長的ORF。遇到終止密碼子以后，回頭尋找起始密碼子。 這種算法過于簡單，不適合于處理短的ORF或者交疊的ORF。,識別編碼區(qū)域的另一種方法是分析各種密碼子出現(xiàn)的頻率,將一個隨機均勻分布的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 比例應該為6:4:1,例如，亮氨酸、丙氨酸、色氨酸分別有 6個、4個和1個密碼子,但是在真實的氨基酸序列中，上述比例并不正確,這說明DNA的編碼區(qū)域并非隨機,假設在一條DNA序列中已經找到所有的ORF，那么可以利用密碼子頻率進一步區(qū)分編碼ORF和非編碼ORF 馬爾柯夫鏈模型 利用這種方法，可以計算一個ORF成為編碼區(qū)域的可能性。,一個簡單的統(tǒng)計模型 假設相繼的密碼子是獨立的，不存在前后依賴關系。 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個密碼子的出現(xiàn)概率為,第二種和第三種閱讀框n個密碼子出現(xiàn)的概率分別為,第i個閱讀框成為編碼閱讀框的概率 計算： 算法： 在序列上移動長度為n的窗口，計算Pi 根據(jù)Pi的值識別編碼的閱讀框,基于編碼區(qū)域堿基組成特征的識別方法 編碼序列與非編碼序列在堿基組成上有區(qū)別 單個堿基的組成比例 多個堿基的組成 通過統(tǒng)計分析識別編碼序列,分析實例,2、真核基因識別問題,真核基因遠比原核基因復雜： 一方面，真核基因的編碼區(qū)域是非連續(xù)的，編碼區(qū)域被分割為若干個小片段。 另一方面，真核基因具有更加豐富的基因調控信息，這些信息主要分布在基因上游區(qū)域。,基因識別基本思路 找出基因兩端的功能區(qū)域: 轉錄啟動區(qū) 終止區(qū) 在啟動區(qū)下游位置尋找翻譯起始密碼子 識別轉錄剪切位點 剪切給體位點 剪切接受體位點,各種不同的方法有不同的適應面，而不同的方法有時可以結合起來以提高基因識別的準確率。 關鍵問題是如何提高一個識別算法的敏感性（sensitivity，Sn）和特異性（specificity，Sp）。,3、基因識別的主要方法,兩大類識別方法： 從頭算方法（或基于統(tǒng)計的方法） 根據(jù)蛋白質編碼基因的一般性質和特征進行識別，通過統(tǒng)計值區(qū)分外顯子、內含子及基因間區(qū)域 基于同源序列比較的方法 利用數(shù)據(jù)庫中現(xiàn)有與基因有關的信息（如EST序列、蛋白質序列），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，開發(fā)混合算法。,基因識別方法有 ： （1）基于規(guī)則的系統(tǒng) （2） 語義學方法 （3） 線性辨別分析（LDA） （4） 決策樹 （5） 動態(tài)規(guī)劃 （6） 隱馬爾柯夫模型 （7） 剪切對比排列 （spliced alignment）,4、編碼區(qū)域識別,兩類方法 ： 基于特征信號的識別 內部外顯子 剪切位點 5端的外顯子一定在核心啟動子的下游 3端的外顯子的下游包含多聚信號和終止編碼 基于統(tǒng)計度量的方法 根據(jù)密碼子使用傾向 雙聯(lián)密碼統(tǒng)計度量等,在一個基因中，第i個（i=1，64）密碼子相對使用傾向RSCUi的定義如下： Obsi是該基因中第i個密碼子實際出現(xiàn)的次數(shù) Expi是對應密碼子期望的出現(xiàn)次數(shù) aai是統(tǒng)計的第i個密碼子出現(xiàn)的次數(shù) syni是所有與第i個密碼子同義密碼子出現(xiàn)的次數(shù) RSCU大于1表示相應密碼子出現(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)相對較少。,（5-66）,（5-65）,密碼子使用傾向,設一段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)密碼隨機出現(xiàn)的頻率,（5-67）,雙聯(lián)密碼統(tǒng)計度量,通過相似搜索發(fā)現(xiàn)編碼區(qū)域或者外顯子 EST（Expressed Sequence Tags） cDNA 蛋白質序列,目前大多數(shù)預測程序都將數(shù)據(jù)庫相似性搜索的信息結合進基因預測過程 同時考慮序列特征信號和統(tǒng)計度量 GRAIL 用人工神經網絡識別編碼區(qū)域,輸入是一系列反映功能位點信號特征和序列編碼統(tǒng)計特征的參數(shù) 輸出就是對一段DNA序列是否是編碼區(qū)域的判別結果 神經網絡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性,5、構建基因模型,基因識別最終任務是建立完整的基因結構模型 一個理想的基因識別程序應該能夠發(fā)現(xiàn)完整的基因結構 （,e1, i1, , in-1, en , ）,ATG-外顯子1,內含子,外顯子,外顯子n-UAG,基因剪切位點 剪切給體（donor）位點- “gt” 接受體（acceptor）位點- “ag”,基因的可變剪切,gene A,基因可變剪切示意,構建基因模型方法 剪切位點形成外顯子和內含子的邊界 搜集候選外顯子 候選基因,候選基因是一條非相交的外顯子和內含子的鏈，表示為 （i0, e1, i1, , en, in） 其中ij代表內含子（0jn） el代表外顯子（1ln） i0和in并非真實的內含子，它們分別代表基因兩側的非編碼序列,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度是3的整數(shù)倍； （2）在各個外顯子內部（除最后一個外顯子的最后一個密碼子），沒有終止編碼； （3）第一個內含子-外顯子邊界（i0, e1）是翻譯起始編碼，而最后一個外顯子-內含子邊界（en, in）是終止編碼。,位點圖（分層標注剪切位點）,另設兩個特殊的頂點，即起點（source）和終點（sink）。 從起點到終點的任何一條路徑代表一個可能的基因結構。,例如：,位點圖上的路徑,候選基因所對應的道路圖中的路徑,求最優(yōu)路徑 每一條弧附加一個權值 外顯子、內含子度量 每個節(jié)點附加權值 剪切位點度量 綜合評價,6、用于基因識別的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，其當前狀態(tài)的輸出是可見的。 每個狀態(tài)按照一定的概率分布隨機地從字母表中取出字符并釋放。 擴展的隱藏馬爾柯夫模型（GHMMs ） 對HMM進一步抽象，產生更一般的馬爾柯夫模型，以分析復雜的脊椎動物基因 。,(1) 信號傳感器模型,將剪切位點、起始編碼區(qū)域或者終止編碼區(qū)域看成是DNA序列上的功能位點或者信號位點，用HMM來進行分析,內含子區(qū)域,外顯子區(qū)域,保守位點,根據(jù)對比排列，形成具有19狀態(tài)的HMM模型。,對前一節(jié)所介紹的HMM模型進行修改，可以處理雙聯(lián)核苷酸的問題，即將4種概率分布擴展為16種。 假設一段序列為ACTGTC，則 P(ACTGTC)=p1(A)p2(CA)p3(TC)p4(GT)p5(TG)p6(CT) 其中p1是狀態(tài)1對于4種核苷酸的概率，p2(xy)狀態(tài)2的條件概率。,(2) 編碼區(qū)模型,由于密碼子的長度為3，因此密碼子模型的最后一個狀態(tài)應該至少為2階。 對于2階的狀態(tài)，具有64種概率分布，可根據(jù)已知編碼區(qū)域進行統(tǒng)計計算而得到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的計數(shù)。 這樣的模型可以檢測無結束編碼的區(qū)域，因為對應于三個結束編碼TAA、TAG和TGA的p(ATA)、p(GTA)和p(ATG)自動為0。,(3) 組合模型,將上述模型擴展，使之可以識別具有多個外顯子的基因。 改進后的模型見下圖,、基于剪切比對的基因識別方法,基本思想是：利用數(shù)據(jù)庫中的同源信息進行基因識別，包括DNA、RNA和蛋白質數(shù)據(jù)庫。 其方法是： 首先通過分析所有可能的剪切接受體位點和剪切給體位點，構建一組候選的外顯子。 然后進一步分析候選外顯子，探查所有可能的外顯子組合，尋找一個與已知目標蛋白質或其他表達序列最匹配的組合,一種半自動的綜合方法識別基因過程： （1）選擇所有長度大于50bp并介于保守的剪切接受位點和給體位點之間的ORF，作為候選的外顯子； 預選 （2）對于候選的外顯子計算其6目編碼度量值，并從大到小將它們排列起來； 減小搜索范圍 （3）對照蛋白質序列數(shù)據(jù)庫進行搜索，尋找相似體。 搜索，篩選,、基因識別程序介紹,表5.7 基因識別程序及訪問地址 （HP主頁；ESE-mail服務器；WSweb服務器；CL客戶/服務器協(xié)議； EX有可執(zhí)行代碼；SC有源代碼）,表5.8 各程序的性能比較（敏感性(1)被預測出的真實編碼核酸的%；