DNA序列分析-生物电子学国家重点实验室.doc

第五节 基因识别 对于基因组DNA序列中的基因识别方法，人们研究已近二十年，这是生物信息学领域里的一个重要研究内容(Fickett JW,1995, 1996; Gelfand,1995)。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，例如将序列分为基因、启动子（Promoter）、转录调节区等。由于DNA测序技术的迅速发展，全部测定人类基因组序列（总共3000MB）的任务即将完成，有效地解决基因识别问题显得越来越迫切。为探索人类基因组，发现隐含其中的奥秘，计算分析将是不可缺少的方法。 1、原核基因识别 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（untranslated regions, UTR），其中基因上游区域的非翻译区域为5’UTR，下游区域的非翻译区域为3’UTR。 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，可能一种密码子阅读顺序为ATT、CGA、TCG、CAA，另外两种可能的密码子阅读顺序分别为A、TTC、GAT、CGC、AA和AT、TCG、ATC、GCA、A。这三种阅读顺序称为阅读框（reading frames），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。 5 启动子 5’UTR 编码区域 3’UTR 终止区 3’ 起始密码子 转录位点 终止密码子 图5.6 原核基因结构 原核基因结构相对比较简单（如图5.6所示），其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。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。由于一共有64个密码子，其中3个是终止密码子，因此，如果一条核酸序列是均匀随机分布的，那么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。蛋白质的平均长度比较长，其编码区域的长度大约为1000bp。但是，每个编码区域只存在一个终止密码子，该密码子作为编码区域的结束标志。因此，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。在实现基于上述思想的算法时，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。 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。例如，亮氨酸、丙氨酸、色氨酸分别有6个、4个和1个密码子，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，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。 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。将每个ORF翻译为相应的密码子序列，得到一个64个状态的马尔柯夫链。这里，为每个密码子分配一个状态，状态转换概率即为一个密码子跟随在其他密码子后面的概率。利用这种方法，可以计算一个ORF成为编码区域的可能性。 在识别编码区域的马尔柯夫链模型中，一个密码子出现的概率依赖于其前面一个密码子，下面考虑另一个简单的统计模型，在该模型中，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。给定一个不知道阅读框的编码序列a1,b1,c1, a2,b2,c2,…, an+1,bn+1, 对于从密码子a1b1c1开始的阅读框，其n个密码子的出现概率为 （5-61） 同样，在第二种和第三种阅读框n个密码子出现的概率分别为 （5-62） （5-63） 令Pi代表第i个阅读框成为编码阅读框的概率（假设已知该区域是编码的），其值按下列公式计算： （5-64） 在设计算法时，在给定的序列上移动长度为n的窗口，对窗口的每个位置按上式计算Pi，并根据Pi的值识别编码的阅读框。软件包CGC中的Codon Preference程序采用的就是这种方法。 此外，利用密码子第三位的偏性，也可以预测编码区域。这种方法的准确率取决于对已知基因的统计，统计样本数必须足够多。