bioinf06bioinf06

1、生物信息軟件綜合實踐第六章基因預(yù)測和基因結(jié)構(gòu)分析Where are the Genes in the Genome?GAGAAAATCAATTGGTTTAGAAGGTTTGGACTCACTTGACAGGTTCAGTTGGAGACGATCATAGGTGGCT GCTGTGACAAAGGGAAATTGTGCTTTTCCAGCATGCTTACTGACCCTGATTTACCTCAGGAGTTTGAAAG GATGTCTTCCAAGCGACCAGCCTCTCCGTATGGGGAAGCAGATGGAGAGGTAGCCATGGTGACAAGCAGA CAGAAAGTGGAAGAAGAGGAGAGTGACGG

2、GCTCCCAGCCTTTCACCTTCCCTTGCATGTGAGTTTTCCCA ACAAGCCTCACTCTGAGGAATTTCAGCCAGTTTCTCTGCTGACGCAAGAGACTTGTGGCCATAGGACTCC CACTTCTCAGCACAATACAATGGAAGTTGATGGCAATAAAGTTATGTCTTCATTTGCCCCACACAACTCA TCTACCTCACCTCAGAAGGCAGAAGAAGGTGGGCGACAGAGTGGCGAGTCCTTGTCTAGTACAGCCCTGG GAACTCCTGAACGGCGCAAGGGCAGTTTAGCTGATGTTGTTGACA

3、CCTTGAAGCAGAGGAAAATGGAAGA GCTCATCAAAAACGAGCCGGAAGAAACCCCCAGTATTGAAAAACTACTCTCAAAGGACTGGAAAGACAAG CTTCTTGCAATGGGATCGGGGAACTTTGGCGAAATAAAAGGGACTCCCGAGAGCTTAGCTGAGAAAGAAA GGCAACTCATGGGTATGATCAACCAGCTGACCAGCCTCCGAGAGCAGCTGTTGGCTGCCCACGATGAGCA GAAGAAACTAGCTGCCTCTCAGATTGAGAAACAGCGTCAGCAAATGGAGCTGGCCAAGCAG

4、CAACAAGAA CAAATTGCAAGACAGCAGCAGCAGCTTCTACAGCAACAACACAAAATCAATTTGCTCCAGCAACAGATCC AGGTTCAAGGTCAGCTGCCGCCATTAATGATTCCCGTATTCCCTCCTGATCAACGGACACTGGCTGCAGC TGCCCAGCAAGGATTCCTCCTCCCTCCAGGCTTCAGCTATAAGGCTGGATGTAGTGACCCTTACCCTGTT CAGCTGATCCCAACTACCATGGCAGCTGCTGCCGCAGCAACACCAGGCTTAGGCCCACTCCAACTGCAGC AGTTAT

5、ATGCTGCCCAGCTAGCTGCAATGCAGGTATCTCCAGGAGGGAAGCTGCCAGGCATACCCCAAGG CAACCTTGGTGCTGCTGTATCTCCTACCAGCATTCACACAGACAAGAGCACAAACAGCCCACCACCCAAA AGCAAGGATGAAGTGGCACAGCCACTGAACCTATCAGCTAAACCCAAGACCTCTGATGGCAAATCACCCA CATCACCCACCTCTCCCCATATGCCAGCTCTGAGAATAAACAGTGGGGCAGGCCCCCTCAAAGCCTCTGT CCCAGCAGCGTTAGCTAGTCCT

6、TCAGCCAGAGTTAGCACAATAGGTTACTTAAATGACCATGATGCTGTC ACCAAGGCAATCCAAGAAGCTCGGCAAATGAAGGAGCAACTCCGACGGGAACAACAGGTGCTTGATGGGA AGGTGGCTGTTGTGAATAGTCTGGGTCTCAATAACTGCCGAACAGAAAAGGAAAAAACAACACTGGAGAG TCTGACTCAGCAACTGGCAGTTAAACAGAATGAAGAAGGAAAATTTAGCCATGCAATGATGGATTTCAAT CTGAGTGGAGATTCTGATGGAAGTGCTGGAGTCTCAGA

7、GTCAAGAATTTATAGGGAATCCCGAGGGCGTG GTAGCAATGAACCCCACATAAAGCGTCCAATGAATGCCTTCATGGTGTGGGCTAAAGATGAACGGAGAAA GATCCTTCAAGCCTTTCCTGACATGCACAACTCCAACATCAGCAAGATATTGGGATCTCGCTGGAAAGCT ATGACAAACCTAGAGAAACAGCCATATTATGAGGAGCAAGCCCGTCTCAGCAAGCAGCACCTGGAGAAGT ACCCTGACTATAAGTACAAGCCCAGGCCAAAGCGCACCTGCCTGGTGGATGGCA

8、AAAAGCTGCGCATTGG TGAATACAAGGCAATCATGCGCAACAGGCGGCAGGAAATGCGGCAGTACTTCAATGTTGGGCAACAAGCA CAGATCCCCATTGCCACTGCTGGTGTTGTGTACCCTGGAGCCATCGCCATGGCTGGGATGCCCTCCCCTC ACCTGCCCTCGGAGCACTCAAGCGTGTCTAGCAGCCCAGAGCCTGGGATGCCTGTTATCCAGAGCACTTA CGGTGTGAAAGGAGAGGAGCCACATATCAAAGAAGAGATACAGGCCGAGGACATCAATGGAGAAATTTAT

9、 GATGAGTACGACGAGGAAGAGGATGATCCAGATGTAGATTATGGGAGTGACAGTGAAAACCATATTGCAGGene a基因預(yù)測和基因結(jié)構(gòu)分析u 生物信息學(xué)中的重要內(nèi)容之一u 預(yù)測編碼蛋白質(zhì)的基因（Protein-coding gene）u 預(yù)測非編碼RNA基因（Non-coding RNA gene）（一） 基因預(yù)測的基本分析內(nèi)容u 排除重復(fù)序列（/）u 確定基因的結(jié)構(gòu)u 開放閱讀框（open reading frame, ORF）u 基因的調(diào)控區(qū)啟動子如果已知mRNA序列v 確定開放讀碼框（ORF）ORF

10、 finder/orffinder/輸入序列或注冊號，選擇 表顯示結(jié)果，進行選擇注意：本方法只適合于原核生物或mRNA序列（二） 基因預(yù)測的基本方法1. 序列相似性搜索(Extrinsic Approaches)基因組DNA序列A. 在6個閱讀框中進行翻譯并與蛋白質(zhì)數(shù)據(jù)庫中的序列進行比較分析（如Blastx）B. 對EST/TSA數(shù)據(jù)庫中同一生物的cDNA序列進行比較分析（如Blastn）確定基因數(shù)目和對應(yīng)的ORFSimilarity-based Gene Prediction: for sequences that encode a kn

11、own protein or a protein with a known homologu 分析舉例：水稻Xa21基因序列（U37133）v CDS：1-2677 bp處和3521-3921 bp處v Blastx分析結(jié)果（檢索蛋白質(zhì)數(shù)據(jù)庫）：與水稻蛋白質(zhì)序列比較 有些蛋白質(zhì)序列是推測獲得的v Blastn分析結(jié)果（檢索est數(shù)據(jù)庫）：與水稻cDNA序列比較 取決于數(shù)據(jù)庫中EST數(shù)據(jù)的數(shù)量和長度 通過“Distance tree of results ”查看與U37133序列同源的其它EST序列u 分析舉例：水稻Xa21基因序列（U37133）v CDS：1-2677 bp處和3521-39

12、21 bp處v 先通過Blastx獲得同源蛋白，再通過GeneWise（http:/www.ebi.ac.uk/Tools/psa/genewise/） 預(yù)測基因結(jié)構(gòu) 優(yōu)先選用最相似的蛋白（通過Total score排序，再看Query coverage、E- value） 使用其他物種的同源蛋白也可準確獲得基因結(jié)構(gòu)2. 根據(jù)模式序列預(yù)測基因(Ab initio Approaches)u 各種基因預(yù)測軟件u 取決于人們對已知基因結(jié)構(gòu)特征的認識u 采用統(tǒng)計學(xué)方法v 基于一個或多個已知序列模式對未知序列進行分類 啟動子結(jié)構(gòu) 外顯子、內(nèi)含子v子偏愛性v 對發(fā)現(xiàn)的模式進行統(tǒng)計檢驗u 原核生物（E.co

13、li）v 與RNA聚合酶互作位點（-10、-35區(qū)）v LexA repressor的結(jié)合位點（啟動子區(qū)段）CTGNNNNNNNNNNCAGv 核糖體結(jié)合位點（轉(zhuǎn)錄起始位點后）GGAGGu 真核生物v 基因結(jié)構(gòu)復(fù)雜v 已知外顯子、內(nèi)含子外顯子邊界、啟動子序列特征根據(jù)模式序列預(yù)測基因u 目前還沒有一個基因預(yù)測工具可以完全正確地預(yù)測一個基因組中的所有基因（Mathe et al. 2002)u 不同的基因預(yù)測軟件分析結(jié)果有差異u 綜合多個基因預(yù)測軟件的分析結(jié)果人類基因數(shù)目1000005000025000根據(jù)模式序列預(yù)測基因u 分析工具需要能識別基因的不同結(jié)構(gòu)v exon, poly-A, prom

14、oterv 重復(fù)序列u 某些分析工具可選擇物種模式（matrix）作為參照比較對象u 某些分析工具可用不同的方式呈現(xiàn)分析結(jié)果（文字或圖形）分析結(jié)果（文字和圖像）分析舉例（1）Gene Findingu Softberry (/berry.phtml)的Gene Finding工具，分三大類v Gene Finding in Eukaryotav Operon and Gene Finding in Bacteriav Gene Finding in Virusesv 每一大類包括多個分析軟件在Softberry主頁選擇“Gene Findin

15、g in Eukaryota”類中的“FGENESH”在FGENESH網(wǎng)頁輸入D63710序列（fasta格式）、選擇物種（human）作為參照分析舉例（2）GenScanu GenScan（/GENSCAN.html ）用三個物種模式作為參照評價v Vertebratev Arabidopsisv Maize在GenScan主頁輸入D63710序列、選擇物種（Vertebrate）作為參照分析結(jié)果（文字和圖像）分析舉例（2）GenScanA predicted exon is said to be exactly correct if it matche

16、s a true (annotated) exon precisely, i.e. both endpoints correct; partially correct if one endpoint is correct; overlapping if neither endpoint is correct, but it overlaps one or more true exons; and wrong if it does not overlap a true exon.分析舉例（3） AUGUSTUSu AUGUSTUS（http:/augustus.gobics.de/ ）v 用于真

17、核基因的預(yù)測v 多種物種參照在AUGUSTUS的分析主頁選擇“web interface”輸入D63710的序列、選擇物種“H. sapiens” 分析結(jié)果分析舉例（4）GeneMarku GeneMark（/ ）v 用于真核、原核和病毒等基因的預(yù)測v 多種物種參照在GeneMark的分析主頁選擇“Gene Prediction in Eukaryotes”在“Gene Prediction in Eukaryotes”網(wǎng)頁輸入D63710的序列、選擇物種“H. sapiens”，選擇輸出格式選項3. 利用比較基因組預(yù)測基因(Compa

18、rative Genomics Approaches)u 結(jié)合模式法和同源序列法u 親緣關(guān)系相近生物的基因序列具有保守性分析舉例N-S CAN/Twinscan (/nscan/)選擇N-SCAN在線分析（需免費注冊） 輸入待分析序列，選擇masking, clade, species和informantSoftBerry FGENESH+分析舉例 輸入待分析序列及同源序列，選擇對應(yīng)的物種分析結(jié)果 文字 圖形各種基因預(yù)測方法的比較/index.php/Results NGASP The nematode g

19、enome annotation assessment project Softwares AGENE, CRAIG, EUGENE, FGENESH, FGENESH+, G3A/mGene, GENEMARKHMM, SNAP, AUGUSTUS, ENSEMBL, EXONHUNTER, GENEID, GLIMMERHMM, MAKER, NSCAN, SGP2 Results基因預(yù)測存在主要問題v 假陽性（False Positive）：多預(yù)測了假的編碼區(qū)， 即在非編碼區(qū)預(yù)測出基因v 假（False Negative）：漏掉了真實的編碼區(qū)， 即將基因預(yù)測為非編碼區(qū)v 過界預(yù)測（Ove

20、r Prediction）：由于基因邊界很難準確定位，預(yù)測經(jīng)常會超過實際邊界v 片段化（Fragmentation）：內(nèi)含子太大的基因，在預(yù)測時容易斷裂成兩個或多個基因v 融合化（Fusion）：距離過近的兩個或多個基因， 在預(yù)測時容易被融合成一個很大的基因（三）基因精細結(jié)構(gòu)分析NNPP分析轉(zhuǎn)錄起始位點/seq_tools/promoter.html分析結(jié)果：分析轉(zhuǎn)錄起始位點Promoter 2.0 Prediction Serverhttp:/www.cbs.dtu.dk/services/Promoter/Promoter2.0 predicts

21、 transcription start sites of vertebrate PolII promoters in DNA sequences.在“Promoter 2.0”網(wǎng)頁粘貼D63710序列 分析結(jié)果分析轉(zhuǎn)錄起始位點PromID: human promoter prediction by deep learning.sa/PromID/index.html分析轉(zhuǎn)錄因子結(jié)合位點Cis-acting element（順式元件）和trans- acting element（反式元件）的互作分析舉例JASPARhttp:/jaspar.gen

22、/選擇物種分類，在網(wǎng)頁左側(cè)選擇轉(zhuǎn)錄因子結(jié)合位點模型，右側(cè)粘貼序列（FASTA格式） 分析結(jié)果分析舉例PROSCAN/molbio/proscan/在Proscan網(wǎng)頁粘貼序列（FASTA格式） 分析結(jié)果 分析結(jié)果（四）非編碼RNA基因預(yù)測/wiki/List_of_RNA_structure_ prediction_softwarev 包括多種RNA結(jié)構(gòu)預(yù)測及基因鑒別軟件v 假陽性是最大的問題A practical guide to the art of RNA gene pred

23、ictionGene-finding software and resourcesSoftware Tutorials Books綜合多種方法且 醞 啦 utAssenihledScaffoldsTE MaskingMaskedGenon1-e勹G已1.e IPredictionSmall RNA Data & R比m NONCODEtRNA.江 a1l-5E RNAmmeBLASTP,Sign alP, 丘 getP, tmHMM,InterProSc.fil1魚Ps eu doch ro n1oso m encRNAsGene Models& Functional Ass電nnen tVi

24、sualizationTra 平 so nPSI 氐 嚴 兇 aska LTR壓 運&FindltrGene Finders: FgenesH GeneID Gensca!ll啦 n me rHMMuoP品P巳dVNH呂IOther Pro anlS BLAST suituoi:oeuyullG四GeneWise TopHat /Bio氏 ope cllfflinksEvidences EST.databasePiotein databaseRNA-seq data Rl.IA-PET data半. l.1AZ 十沁 NG 窟AGR ICU素L ru R A丈L u N I V學(xué)ERS ，六（

25、五）miRNA靶基因預(yù)測MethodType of MethodRefMethod AvailabilityData availabilityResourceStark et. alComplementary(Stark et. al., 2003) Online searchYeshttp:/www.russell.embl.de/miRNAsmiRandaComplementary(John et al., 2004)DownloadYesmiRanda MiRBaseComplementary(Enright et al., 2003) Onl

26、ine searchYeshttp:/microrna.sanger.ac.ukmiRWalk-Online searchYeshttp:/www.umm.uni- heidelberg.de/apps/zmf/mirwalk/index.htmlTarget Scan Seed Complementary (Lewis et al., 2005) Online searchYesDIANAmicroTThermodynamics(Kirakidou et al.,2004)DownloadYeshttp:/diana.cslab.ece.ntu

27、a.gr/PicTarThermodynamics(Krek et al., 2005)N/AYeshttp:/pictar.mdc-berlin.de/RNAHybridThermodynamics &Statistical model(Rehmsmeier et al., 2004)DownloadYeshttp:/bibiserv.techfak.uni-bielefeld.de/rnahybridmiRGen+Baynesian Inference(Huang et al.,2007b)Mathlab CodeYes/genmirMiT

28、argetSupport VectorMachineMiRtaget2Support VectorMachine(Kim et al. 2006)Online searchYeshttp:/cbit.snu.ac.kr/miTarget(Wang and El Naqa, Online searchYes 2008)TarBaseExperimentallyValidated Targets(Sethupathy et al., 2006)N/AYeshttp:/diana.cslab.ece.ntua.gr/tarbase/From https:/www.exi

29、/microrna-target-prediction（五）miRNA靶基因預(yù)測miRDB/miRDB/mining.htmlmiRecords/miRecords/v 主要預(yù)測動物miRNA靶基因TargetRNA2/btjaden/TargetRNA2/v 只能預(yù)測細菌sRNA靶基因WMD3/cgi-bin/webapp.cgiv 主要用于預(yù)測植物miRNA靶基因基因預(yù)測或基因結(jié)構(gòu)分析原則1. Similarity-based or Comparative BLAST - Do other organisms have similar sequence? (Is sequence similar to known gene or protein)2. Ab initio = “from the beginning” Predict without explicit comparison with cDNA or proteins via “rule-based” gene models - but rules a