结构基因组学精要.pptVIP

第五章 基因组序列注释 完成基因组测序仅仅是基因组计划的第一步，更大的挑战在于弄清： 基因组序列中所包含的全部遗传信息是什么； 基因组作为一个整体如何行使其功能。 这两项任务都必须依赖于对基因组序列的正确注释（annotation）。 基因组注释方法： ① 自动注释：依据某些规则进行数据分析得出是否为基因的结论。 ② 人工注释：人为检测评价自动注释的结果并根据其他数据进行分析与校正。 ③ 实验注释：根据实验结果进行检测，如EST或全长cDNA。 自动注释的内容： 依据基因结构的特点采用软件预测，不依赖已有的表达序列； 同源性比较，在同一物种或不同物种中查找已有的基因序列； 功能域（domain）或基序（motif）分析。 5.1 搜寻基因5.1.1 根据基因结构特征搜寻基因 Ⅰ. 开放读码框 在DNA链上，由蛋白质合成的起始密码子开始，到终止密码子为止的一个连续编码序列称为一个开放读码框（open reading frame, ORF）。 读码框（reading frame） 任意一段DNA序列都有6种可能的读码框。 ORF的长度： 终止密码子: TAA, TAG, TGA GC% = 50%，终止密码子每 64 bp出现一次； GC% 50%，终止密码子每100~200 bp 出现一次； 由于多数基因 ORF 均多于50个密码子，因此最可能的选择应该是 ORF 不少于100 个密码子。 最长ORF法 在细菌基因组中，蛋白质编码基因从起始密码子ATG到终止密码子平均有100 bp，而300 bp长度以上的ORF平均每36 Kb才出现一次，所以只要找出序列中最长的ORF（＞300 bp）就能相当准确地预测出基因。 在真核生物中，存在大量非编码序列和内含子，ORF阅读比较复杂。 全长cDNA的编码区一般也可以用最长ORF法，如水稻的3万多条的全长cDNA的编码区预测，有时例外。 Ⅱ 起始密码子 ATG 第一个ATG的确定依据Kozak规则。 Kozak是一个女科学家，她研究过起始密码子ATG周边碱基定点突变后对转录和翻译所造成的影响，并总结出在真核生物中，起始密码子两端序列为：——G/N-C/N-C/N-ANNATGG——，如GCCACCATGG、GCCATGATGG时，转录和翻译效率最高，特别是-3位的A对翻译效率非常重要。 该序列被后人称为Kozak序列，并被应用于表达载体的构建中。 Kozak规则的内容： 若将第一个ATG中的碱基A、T、G分别标为1、2、3位，则Kozak规则可描述如下： (1) 第4位的偏好碱基为G； (2) ATG的5’端约15bp范围的侧翼序列内不含碱基T； (3) 在-3，-6和-9位置，G是偏好碱基； (4) 除-3，-6和-9位，在整个侧翼序列区，C是偏好碱基。 Kozak规则是基于已知数据的统计结果，不见得必须全部满足，一般来说，满足前两项即可。 Ⅲ 密码子偏爱性（codon bias） 编码同一氨基酸的不同密码子称为同义密码，其差别仅在密码子的第3位碱基不同。不同种属间使用同义密码的频率有很大差异： 如人类基因中，丙氨酸（Ale）密码子多为GCA、GCC或GCT，而GCG很少使用。 Ⅳ 上游控制顺序 几乎所有基因（或操纵子）都有上游调控序列，它们可与DNA结合蛋白作用，控制基因表达，如启动子序列。 生物的基因组特有组成也可作为判别依据，如几乎所有的管家基因（House-Keeping gene）及约占40%的组织特异性基因的5’末端含有CpG岛。在大规模DNA测序计划中，每发现一个CpG岛，则预示可能在此存在基因。 Ⅴ 外显子与内含子边界 Chambon等发现内含子特点： （1）内含子连接点具有很短的保守序列，称为边界顺序。其规律称为GT-AG法则（GT-AG rule) 或Chambon法则。 。 Ⅵ 3’端的确认 3’端的确认主要根据Poly(A)尾序列，若测试序列不含Poly(A)，则根据加尾信号序列“AATAAA”和BLAST同源性比较结果共同判断。 Ⅶ 编码区与非编码区 由于内含子的进化没有外显子受到的选择压力大，内含子的序列比外显子的序列更随机。 这是目前各种预测程序中被广泛应用的一种方法，如GCG的TestCode、美国波士顿大学GeneID和Baylor Medcine College的BCM Gene Finder等程序。 5.1.2 同源基因查询 物种之间存在着广泛的同源基因，包括编码和非编码序列。 Ⅰ 同源查询（homology search） 利用已存入数据库中的基因序列与待查的基因组序列进行比较，从中查找可与之匹配的碱基序列或蛋白质序列及其比例，这种识别基因的方法称为~。 同源查询相似性的表现： 存在某些完全相同的序列； ORF的排列类似