基因四进制的理论序列及实际序列的特性比对.docVIP

基因四进制的理论序列与实际序列的特性比对 邓宇 （清华大学第一附属医院） 基因组的试验研究异常火热，基因组的序列分析、算法、数据库的扩容如火如荼，理论基因组的发轫，星火正开始悄悄燃起。我们用类似语言学中对词频分布的研究方式，对基因碱基理论序列与实际序列进行了初步比较，想看看基因这本大书中，不同碱基符、碱基词组各有多少个？以及占总基因谱的比例，即分布。 “基因四进制”[1]可以为碱基词的理论生成，及有规律的符号、词组序列提供比较的理论基础。比如，看看第一位碱基符A在基因组中有多少个，也可以看看二位基因词，如TC，GA；三位碱基（词）组CTG，AAG等各有多少，各占比例，从而揭示基因词的存在及词法，语法规律。为生命基因组的伟大探索加把油、吹鼓风，用“新信息理论”[2-8]（信息守恒律，信息的运算，信息的化学反应等新广义信息论，基因序列的正弦、余弦曲线拟合），理论基因学、理论生物信息学的基因数字实验、计算机试验，计算机数字模拟开辟基因－生命信息学研究的新天地。基因的理论实验数字、实验计算，理论基因组与实际基因组的结合，以计算机为实验仪器，碱基数字为实验原料，基因进位制为根基，将为基因的理论试验探索和发展开拓新途径。 一、材料方法 1、核酸序列的来源：从Genbank，ENBL的核苷酸序列数据库EMBL-Bank下载：AY644963、BC011974等核酸序列，碱基合计6万多个的实际序列作为比对的原始基因库来源。 2、方法的理论基础——基因四进制：根据我们建立的基因四进制[1]，利用碱基、核酸的四个基符A，G，T，C（个位、第一位）为元素，及“逢四进一”规则，创造了基因，核酸的四进位制符号系统。该基因的理论进位系统的第一位、个位有4个符号元：A，G，T，C；第二位（相当于十进制的十位）有4×4=16个组员，AA，AG，AT，AC，GA，GG，GT，GC，TA，TG，TT，TC，CA，CG，CT，CC；第三位有43=64个成员，AAA，AAG，…，CCC；第四位有44=256个成员；…；第n位有4n个成员AA…A，AA…G，…，CC…C。构造出了理论的或人工基因四进制系统，对基因实验和理论研究开辟了一条新路。 3、验证思路策略：利用“基因四进制”理论模型，寻找碱基排布规律，解读基因密码锁匙。核酸生命的语言，遣词造句的“全息规则”。 4、验证方法 首先，用（数据库）程序生成四进制的基因符号系列，第一位，第二位，第三位，第四位，…，第n位。再将每位的每一个成员与基因数据库的碱基序列作对比。如用“GTC”从基因序列AY644963、BC011974等的开头开始，搜索“GTC”，在序列中若发现“GTC”就计个数，定个位，一直搜到序列的结尾，合计包含“GTC”的总数量，待分析。其他组元，检索统计类似，都做全程搜索，记数。手工搜索太慢几乎不可能，故不适合。半手工半机器的搜索还是慢，自编程序的数字自动搜索计数才是上佳方法。 二、结果 1 核酸A、G、T、C及其四进位制系统，各位频度的分布与理论值相比是不均匀、非平均的，即非遍历的，见表1及图1-9。 2 随着位数的增加，各基因符（类似数系的数字符号）差异（极差和极差度）逐渐增大。 3 基因四进制系统中，各位的频度分布，从大到小的排列分布多是横“S”形的曲线，见图1，4，7。 4 按“基因四进制”每位的顺序排布各位“基因词（基因数字符号）”，其数量分布轨迹是“波浪形”运动的，见图3，6，8，9 表1.基因四进制第一位基因符的理论与实测分布比对 A G T C 数量 ％ 数量 ％ 数量 ％ 数量 ％ 理论平均值 15757 25.0% 15757 25.0% 15757 25.0% 15757 25.0% 实测值 16980 26.9% 15621 24.8% 15412 24.5% 15016 23.8% 差异 1223 1.9% -136.3 -0.2% -345.3 -0.5% -741 -1.2% 差异率 7.76% 0.86% 2.19% 4.70% 最大差异 1964 12.5% 图1. 基因四进制第一位、“个位符（相当于‘个位数’）”的实际分布状态。A最多，C最少。 图2. “个位符”的百分分布。以4个碱基‘个位符’为X的值，“X轴”以基因四进制的基因符为符系（数系）坐标序列。 图3.基因四进制第二位16个“二位碱基”基因符号序列的实际分布。X轴是基因“四进制”转换成“十进制”的坐标计量单位标注。 图4. 基因进制系第二位，按其在实际基因序列中分布，从大到小的排序。 图5.四进制基因系中，各个“二位符（数）”在实际基因序列中的百分分布。“二联碱基词”最多的是“AG”占8.15％，“CG”最少只有2.93％，理论序列平均6.25％，各试验值是不均匀的。 图6. 基因四进制系统中，第三