基因识别讲义.ppt

基因剪切位点 剪切给体（donor）位点- “gt” 接受体（acceptor）位点- “ag” 基因的可变剪切 gene A 基因可变剪切示意 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 候选基因是一条非相交的外显子和内含子的链，表示为 （i0, e1, i1, …, en, in） 其中ij代表内含子（0?j?n） el代表外显子（1?l?n） 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 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。 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。 例如： 位点图上的路径 候选基因所对应的道路图中的路径 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 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 。 (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 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。 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(C?A)?p3(T?C)?p4(G?T)?p5(T?G)?p6(C?T)… 其中p1是状态1对于4种核苷酸的概率，p2(x?y)状态2的条件概率。 (2) 编码区模型 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(A?CA)=c(CAA)/[c(CAA)+c(CAC)+c(CAG)+c(CAT)] p(C?CA)=c(CAC)/[c(CAA)+c(CAC)+c(CAG)+c(CAT)] p(G?CA)=c(CAG)/[c(CAA)+c(CAC)+c(CAG)+c(CAT)] p(T?CA)=c(CAT)/[c(CAA)+c(CAC)+c(CAG)+c(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(A?TA)、p(G?TA)和p(A?TG)自动为0。 (3) 组合模型 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 ７、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 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 ８、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；ES—E-mail服务器；WS—web服务器；CL—客户/服务器协议； EX—有可执行代码；SC—有源代码） 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%） 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