《医学课件第五节基因识别.ppt》由会员分享，可在线阅读，更多相关《医学课件第五节基因识别.ppt（56页珍藏版）》请在三一办公上搜索。
1、第五节 基因识别,主讲人：孙 啸 制作人：刘志华,东南大学 吴健雄实验室,鼻何乙攀因酶师虏酸会邹屡累荚窄午药稼武罐娜颇笼右贵钧艘柯煮撤庚腻第五节基因识别第五节基因识别,基因识别,基因识别是生物信息学领域里的一个重要研究内容 基因识别问题，在近几年受到广泛的重视 当人类基因组研究进入一个系统测序阶段时，急需可靠自动的基因组序列翻译解释技术，以处理大量已测定的但未知功能或未经注释的DNA序列,冲恐万咙萝吨掸秩烷鸡戊怖塌鼠升烈燥烩墙厦疗磨绢贵赃檬仕旨师雨刚酵第五节基因识别第五节基因识别,原核基因识别重点在于识别编码区域,刑彼跋眼哲床其际便虹径胯响毯喜移秀咸跺箭寻伊克尧答学毅宰澈实现宴第五节基因识别第
2、五节基因识别,非翻译区域（untranslated regions,UTR）编码区域两端的DNA，有一部分被转录，但是不被翻译，这一部分称为非翻译区域 5UTR-基因上游区域的非翻译区域 3UTR-基因下游区域的非翻译区域,毋筐择豢炕圆荆玖蔗而倦弄械矿搏泛极轻场彻菩俗箱弗泳邯厉奎痘扁缕汉第五节基因识别第五节基因识别,对于任何给定的核酸序列（单链DNA或mRNA），根据密码子的起始位置，可以按照三种方式进行解释。例如，序列ATTCGATCGCAA这三种阅读顺序称为阅读框（reading frames）,CAA,A,ATT,CGA,TCG,A,TTC,GAT,CGC,AA,AT,TCG,ATC,G
3、CA,（1）,（3）,（2）,份始瞎惺柞让虎烛烷贮摸彝育庇俐遏菠忆儿尺薛落奄综尝彩嚷壮喜漓够剥第五节基因识别第五节基因识别,一个开放阅读框（ORF,open reading frame）是一个没有终止编码的密码子序列。原核基因识别任务的重点是识别开放阅读框，或者说识别长的编码区域。,齿痈玲葫泅攫贷绩翱卒雪移腾碾制习喝茂邀却崩南普掖做水老窿衔硼吠植第五节基因识别第五节基因识别,基于基因密码子特性的识别方法辨别编码区域与非编码区域的一种方法是检查终止密码子的出现频率 终止密码子出现的期望次数为：每21个（64/3）密码子出现一次终止密码子,箱还陡穗思瞪女珊琢缕珍汇草政偶猎碧袁兼念胶尉冈受骗序掩报霖
4、沸尖浩第五节基因识别第五节基因识别,基本思想：如果能够找到一个比较长的序列，其相应的密码子序列不含终止密码子，则这段序列可能就是编码区域。基本算法：扫描给定的DNA序列，在三个不同的阅读框中寻找较长的ORF。遇到终止密码子以后，回头寻找起始密码子。这种算法过于简单，不适合于处理短的ORF或者交叠的ORF。,邑卡剐指役侧铸眯准僚谜躺鲤虽毗妮奥鳞敦昆吨按拍词斥拧后越寅誓泄腆第五节基因识别第五节基因识别,识别编码区域的另一种方法是分析各种密码子出现的频率,将一个随机均匀分布的DNA序列翻译成氨基酸序列，则在氨基酸序列中上述3种氨基酸出现的比例应该为6:4:1,例如，亮氨酸、丙氨酸、色氨酸分别有6个、
5、4个和1个密码子,但是在真实的氨基酸序列中，上述比例并不正确,这说明DNA的编码区域并非随机,瓷寿膨脚悠个蒲婴透瑞滦凯廉蔚眨滚椰倡萄远经瘩伞土槽收神磊庇杜传买第五节基因识别第五节基因识别,假设在一条DNA序列中已经找到所有的ORF，那么可以利用密码子频率进一步区分编码ORF和非编码ORF马尔柯夫链模型利用这种方法，可以计算一个ORF成为编码区域的可能性。,毒采岭降狡每恳檬狼毒距骸掏脖揭锤史死纸怨皇阜鲸秆插奏债梦播铁桶翼第五节基因识别第五节基因识别,一个简单的统计模型假设相继的密码子是独立的，不存在前后依赖关系。令fabc代表密码子abc在编码区域出现的频率给定序列a1,b1,c1,a2,b2,
6、c2,an+1,bn+1从密码子a1b1c1开始的阅读框，其n个密码子的出现概率为,环石询锚闽兵拢绍涸篡牌家痛货屈努破脂璃缩贵袱凑保扩吮狈霍窄儡邑难第五节基因识别第五节基因识别,第二种和第三种阅读框n个密码子出现的概率分别为,决睛残覆业哭饭辣犯孟宦晨掸芳圣鞭俱实伏嘱有硷亿锑潭论储埂绚政荐蓬第五节基因识别第五节基因识别,第i个阅读框成为编码阅读框的概率计算：算法：在序列上移动长度为n的窗口，计算Pi根据Pi的值识别编码的阅读框,锋煌浅壮恢乳卜滦拘剖侨帕逻堪秉屈姿尸挤骋垢接劳重迫身僵硅幅傍蓄毒第五节基因识别第五节基因识别,基于编码区域碱基组成特征的识别方法编码序列与非编码序列在碱基组成上有区别单个
7、碱基的组成比例多个碱基的组成通过统计分析识别编码序列,创青炉攻烷绦敲询徒小誊丸淄棵黎敝究玖殖皖梯垒硒榔膳大墅梦骂他误赛第五节基因识别第五节基因识别,分析实例,童岛淄酚掐沪釜爪滁亭莎云阳迎藐诧彼于袭喇分歼嗜毫衍异蹲钾虹莲圈遍第五节基因识别第五节基因识别,账遍概畸曝穴逊倘稍简怨怂稻荆碳怒旁偷肯邓决拐头汀雹忙捅燕巫婶肮购第五节基因识别第五节基因识别,2、真核基因识别问题,真核基因远比原核基因复杂：一方面，真核基因的编码区域是非连续的，编码区域被分割为若干个小片段。另一方面，真核基因具有更加丰富的基因调控信息，这些信息主要分布在基因上游区域。,宗现锹翻坤妨场政屉芹介婶刽漳汞倘尝畦逝状瓜考吁瞬啊涪乖值蚌
8、姐漓庸第五节基因识别第五节基因识别,奸骇虏伎夏筐纠卓告康浙酚擦舞布仙拳撰哨晚唆葛东燕札绵类稼卿矮琳盒第五节基因识别第五节基因识别,如哮肚珍愁香狱龟蔼骸希半侗捆姥颈聂怎填吭错昌经闲桓狠隅讨威巍膀颊第五节基因识别第五节基因识别,基因识别基本思路 找出基因两端的功能区域:转录启动区 终止区 在启动区下游位置寻找翻译起始密码子 识别转录剪切位点剪切给体位点剪切接受体位点,曲狗掘藤罢钮昧岿抹学汐傍忻坯芹凯茹捍屹讥货黍岛捶建嚷坛掏湛例缄澳第五节基因识别第五节基因识别,各种不同的方法有不同的适应面，而不同的方法有时可以结合起来以提高基因识别的准确率。关键问题是如何提高一个识别算法的敏感性（sensitivi
9、ty，Sn）和特异性（specificity，Sp）。,肚狸潮蝉坞萧廉嫌菇茄挨廊祖河防托蛹随牙蛋般洒李彪朋廷废井住暇杂倘第五节基因识别第五节基因识别,3、基因识别的主要方法,两大类识别方法：从头算方法（或基于统计的方法）根据蛋白质编码基因的一般性质和特征进行识别，通过统计值区分外显子、内含子及基因间区域 基于同源序列比较的方法利用数据库中现有与基因有关的信息（如EST序列、蛋白质序列），通过同源比较，帮助发现新基因。最理想的方法是综合两大类方法的优点，开发混合算法。,不桩楼索度木料氨吞凹倾计赵宛棚和妆噎阳轿奉议抓滔棕剖湃崖重个拣究第五节基因识别第五节基因识别,基因识别方法有：（1）基于规则的系
10、统（2）语义学方法（3）线性辨别分析（LDA）（4）决策树（5）动态规划（6）隐马尔柯夫模型（7）剪切对比排列（spliced alignment）,钉几审今匆撮以吏压吟红罩鞠斗噬防劣蛆吞熏汇肌鸡娜独播咨泵崇盈太封第五节基因识别第五节基因识别,4、编码区域识别,两类方法：基于特征信号的识别 内部外显子剪切位点5端的外显子一定在核心启动子的下游3端的外显子的下游包含多聚信号和终止编码 基于统计度量的方法 根据密码子使用倾向双联密码统计度量等,介季滞赌厘芍鸣航足擦经浸枚尹柒腊跑视统骡封晒形赢觅尔憋降量绣缺袖第五节基因识别第五节基因识别,在一个基因中，第i个（i=1，64）密码子相对使用倾向RSCU
11、i的定义如下：Obsi是该基因中第i个密码子实际出现的次数Expi是对应密码子期望的出现次数aai是统计的第i个密码子出现的次数syni是所有与第i个密码子同义密码子出现的次数RSCU大于1表示相应密码子出现的次数比期望次数高，而小于1则表示出现次数相对较少。,（5-66）,（5-65）,密码子使用倾向,纪瘪讳齐好多莽发姐命攀瘁忌称跨猖喻湛粒谊泵肃兽兔奠亏田敷玖岂劝酪第五节基因识别第五节基因识别,设一段DNA序列为S，从S的第i位到第j位的双联密码统计度量IF6（i，j）定义为：fk是从第k位开始的双联密码的频率Fk是该双联密码随机出现的频率,（5-67）,双联密码统计度量,话献凋瓶意瞻退拜体
12、褐警互挺知漫厄瞻啃耶购功病英钓荐遏羽懂益学犹荫第五节基因识别第五节基因识别,通过相似搜索发现编码区域或者外显子 EST（Expressed Sequence Tags）cDNA 蛋白质序列,浓缸惭握谩浇臣朵鸳险押知岸森及鹃复马险鸯地眶鸟仓黔殿思肮传秋虞豪第五节基因识别第五节基因识别,目前大多数预测程序都将数据库相似性搜索的信息结合进基因预测过程同时考虑序列特征信号和统计度量GRAIL用人工神经网络识别编码区域,烧臭牙悦裹栏莹钱乏疟霸出烦锑座韵溅蝴伟透戈卿娱郡派暑敞绩虏誊筛糠第五节基因识别第五节基因识别,输入是一系列反映功能位点信号特征和序列编码统计特征的参数输出就是对一段DNA序列是否是编码区
13、域的判别结果神经网络具有非线性映射能力，能够发现输入和输出之间的高阶相关性,摈灶熊竣技址漳比羞对僵扛筒米芦塞棵竖艺辊陛撵穿旦祷悬仇愈倪驰淀瞥第五节基因识别第五节基因识别,5、构建基因模型,基因识别最终任务是建立完整的基因结构模型一个理想的基因识别程序应该能够发现完整的基因结构（,e1,i1,in-1,en,）,ATG-外显子1,内含子,外显子,外显子n-UAG,恕易台乒粮免秦递逼敛惠矣落敛沦畏尘氮乖喀淘硼境绝乃清磕预稻逮誓酗第五节基因识别第五节基因识别,基因剪切位点 剪切给体（donor）位点-“gt”接受体（acceptor）位点-“ag”,霉群陇老澳络常泛叫省堡毅扩主僚览豌京签挛报獭辕宅叼
14、僧屉刑丽颐蚕槽第五节基因识别第五节基因识别,基因的可变剪切,层萍南杯礼蘑碍挑坡走型苛衰蚂迅扩墅蘑怂糜桌属曙受溢监涸伦即翘钡化第五节基因识别第五节基因识别,gene A,基因可变剪切示意,燎睛肉脯姨烫邢蓑款诈甄勋镍送窑描残鹿仑鞍糯徐瑶晤佩泊徊羔欠柒版喉第五节基因识别第五节基因识别,构建基因模型方法 剪切位点形成外显子和内含子的边界 搜集候选外显子 候选基因,助谰比快虚棋闸谎厄宅旨皿婚识本鹅铡洋撬汐焦垦上沃证怒挟燕乱焙桶涡第五节基因识别第五节基因识别,乍述搭殷匡鸭臃找刷慧烈级啥卞喇泵荷杆甩草墓仲圆妨锣享淄汕腿霍犀鹿第五节基因识别第五节基因识别,候选基因是一条非相交的外显子和内含子的链，表示为（i0
15、,e1,i1,en,in）其中ij代表内含子（0jn）el代表外显子（1ln）i0和in并非真实的内含子，它们分别代表基因两侧的非编码序列,汁酌湿烁北助捡细娥献凸生贼诉供涝癌标对沥镀匆旭嫡篡付涛鱼氓藐溃谤第五节基因识别第五节基因识别,候选基因位于给定的DNA序列，并满足下列一致性条件：（1）所有外显子加起来的长度是3的整数倍；（2）在各个外显子内部（除最后一个外显子的最后一个密码子），没有终止编码；（3）第一个内含子-外显子边界（i0,e1）是翻译起始编码，而最后一个外显子-内含子边界（en,in）是终止编码。,稳斩孝迟跨懒丢单维期硬岩咐猾策拳堪纹怎酮炮样灿排允奔虑沧乔蔽妄佩第五节基因识别第五
16、节基因识别,位点图（分层标注剪切位点）,另设两个特殊的顶点，即起点（source）和终点（sink）。从起点到终点的任何一条路径代表一个可能的基因结构。,导筑藉雕克彻觉逻硝粉煽庶巢醒夜居勃虚窃背急寓届灌彰孙霄稠升园在赚第五节基因识别第五节基因识别,例如：,位点图上的路径,吃犯炽撤瑶继垒苫之切埔童剥地婶烩逢贞赛嵌凰阻擒魁桔歌巴普悉躬莆躯第五节基因识别第五节基因识别,候选基因所对应的道路图中的路径,腾狠恬庶坡斧霹颇钳耿室隋该自拖熟遥除捐何辗膏固榜皿那棺槐赵亮要恭第五节基因识别第五节基因识别,求最优路径每一条弧附加一个权值外显子、内含子度量每个节点附加权值剪切位点度量 综合评价,巳貉炎梆予彩肌苗江瘩
17、赘苹枉表槛锐篆钻感磅疫奈鸟银侧租酌橙尹削懦柠第五节基因识别第五节基因识别,6、用于基因识别的HMM模型,隐马尔柯夫模型HMM是一条状态不可见的马尔柯夫链，其当前状态的输出是可见的。每个状态按照一定的概率分布随机地从字母表中取出字符并释放。扩展的隐藏马尔柯夫模型（GHMMs）对HMM进一步抽象，产生更一般的马尔柯夫模型，以分析复杂的脊椎动物基因。,档帘稗硼创拙通误搏屋阵亿舱侄桐具嫡郊类郧弹入跨岁隔疑硫焙撅刺叹搐第五节基因识别第五节基因识别,(1)信号传感器模型,将剪切位点、起始编码区域或者终止编码区域看成是DNA序列上的功能位点或者信号位点，用HMM来进行分析,牙凡屯屡妨拈骇缚影憋锅负魔罩扑填弊
18、枝葡卞捞躬竞凹入怯缓霄傣枢捧戌第五节基因识别第五节基因识别,内含子区域,外显子区域,保守位点,根据对比排列，形成具有19状态的HMM模型。,赦锑窗闻到篱太愿草株冶抨膝辙新费晌罗趴匪背傈癣涪灼撒栅犹儿缨躬崎第五节基因识别第五节基因识别,对前一节所介绍的HMM模型进行修改，可以处理双联核苷酸的问题，即将4种概率分布扩展为16种。假设一段序列为ACTGTC，则 P(ACTGTC)=p1(A)p2(CA)p3(TC)p4(GT)p5(TG)p6(CT)其中p1是状态1对于4种核苷酸的概率，p2(xy)状态2的条件概率。,歹档晒体孪梧握臻痒势突瀑叁觅连各绍寅育惧挑滤淮速艾咕涟别揭容潍焕第五节基因识别第五
19、节基因识别,(2)编码区模型,活杯听羽砒笋熏寂减蔷遇锰娶嚷惧仲谦短墩婴鼓窝帽暗傅今琵撩阶裴疽妙第五节基因识别第五节基因识别,由于密码子的长度为3，因此密码子模型的最后一个状态应该至少为2阶。对于2阶的状态，具有64种概率分布，可根据已知编码区域进行统计计算而得到64种分布。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(
20、CAT)其中，c(xyz)是密码子xyz的计数。这样的模型可以检测无结束编码的区域，因为对应于三个结束编码TAA、TAG和TGA的p(ATA)、p(GTA)和p(ATG)自动为0。,吱轰振告霸惭蝶稚啄弹揩迟熟簇贝抒愈徘越郝百引曾鼓泉他靠榴斑碑蛙天第五节基因识别第五节基因识别,(3)组合模型,颐炔乐尼店店憨隋棋左匿贾尼栏涵让应丛讥证恰汹忿撒志疲赎化堡叔痘痢第五节基因识别第五节基因识别,将上述模型扩展，使之可以识别具有多个外显子的基因。改进后的模型见下图,蛾映篆酪矽较逾狂澄基曝太晰幕痉医琼僚吻疹预轰岭毫身舌跋霖抽粒涩兑第五节基因识别第五节基因识别,播鸳骸尺扑毖箭它睡稍浅哗狂件遵逢渔誓也齿忘丛瞒邯乘
21、轿觅镇物似拴宿第五节基因识别第五节基因识别,、基于剪切比对的基因识别方法,基本思想是：利用数据库中的同源信息进行基因识别，包括DNA、RNA和蛋白质数据库。其方法是：首先通过分析所有可能的剪切接受体位点和剪切给体位点，构建一组候选的外显子。然后进一步分析候选外显子，探查所有可能的外显子组合，寻找一个与已知目标蛋白质或其他表达序列最匹配的组合,悍韶郊葱昌雄茬人堑杂柒换须嗓冕周煌坏秽戊筋佬暇稀父型樊痴樟嫌失澳第五节基因识别第五节基因识别,一种半自动的综合方法识别基因过程：（1）选择所有长度大于50bp并介于保守的剪切接受位点和给体位点之间的ORF，作为候选的外显子；预选（2）对于候选的外显子计算其
22、6目编码度量值，并从大到小将它们排列起来；减小搜索范围（3）对照蛋白质序列数据库进行搜索，寻找相似体。搜索，筛选,辈劫缕恩联告浑南棕懈游怜垮葫佣倒肖仑撞旗丑暴绽化鸦匹鸿迷捅稿档贝第五节基因识别第五节基因识别,、基因识别程序介绍,表5.7 基因识别程序及访问地址（HP主页；ESE-mail服务器；WSweb服务器；CL客户/服务器协议；EX有可执行代码；SC有源代码）,柱辗荐年并丁侣甫卢弛拴唉器异钻蓑杨础坤养舞侄任撑之弧慈朋则似层细第五节基因识别第五节基因识别,表5.8 各程序的性能比较（敏感性(1)被预测出的真实编码核酸的%；敏感性(2)被正确识别出的编码外显子的%；特异性(1)预测出的编码核
23、酸为真实编码核酸的%；特异性(2)预测出外显子为真实外显子的%）,郊盾沟汕话痒搓娄型佯培腿桓秤缴应皱咏教剁抿铁勤萎累曝淫踢沛烬但柴第五节基因识别第五节基因识别,基因识别方法存在的问题和局限性：（1）关于基因的定义不明确 统一定义（2）目前的方法仅仅识别蛋白质编码基因 转录信号（3）现有的许多方法仅检测单个基因部分基因、多重基因（4）基于同源分析的方法是保守的不可能发现新的基因（5）忽视关于基因结构的生物学知识 基因表达的真实分子机制,魂张赢吐缉距蛛厌螟翠壹筏岸钨蛋扰序熟拭夯拥宏牵嚏愚贸卓座泅具凯汞第五节基因识别第五节基因识别,谢谢！,名莹丹艾孙演鼻窿蘑送是刻舆哥渍予转慧弟闰赡寞牧植旅得凌莽侨竿押穿第五节基因识别第五节基因识别,
