基因组序列注释的方法综述.ppt

基因组序列注释的方法 一、基因组序列注释 以基因组序列为基础，确定全基因 序列中基因的确切位置 二、注释的方法 1 、根据开放阅读框（ ORF ）预测 1 ）起始密码子 ATG ： 第一个 ATG 的确定依据 Kozak 规则，所谓 Kozak 规则，即第一个 ATG 侧翼序列的碱基 分布所满足的统计规律： 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 2 ）终止密码子 ： 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 选择不少于 100 个密码子。 细菌基因组的 ORF 阅读相对比较简单，错误的概率较少， 但单纯的 ORF 扫描对高等真核生物 DNA 效果不佳。 内含子使 ORF 扫描复杂化 对 ORF 扫描的基本程序的编写要 考虑以下几个问题： a 、 密码子偏倚 ? 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。 ? 特定生物体的基因中并不是所有密码子的使用 频率都是平等的。 如 Leu 的密码子有 6 个（ TTA 、 TTG 、 CTT 、 CTC 、 CTA 、 CTG ），在人类基因中，绝大多数 Leu 都是由 CTG 编码的，而且几乎不由 CTA 和 TTA 编码。 ? 特定种属有特征性的密码子偏爱，这些序列在 编码区常常出现，非编码区只保持平均的碱基分 布水平。 b 、外显子－内含子边界 外显子和内含子的边界有一些明显的特征如： ? 内含子的 5 端常见的顺序为 5 - AG↓GTTAAGT -3 ； ? 3 端多为 5 ‘ PyPyPyPyPyPyCAG- 3 ( “ Py ”嘧啶核苷酸， T 或 C) ； 上游外显子 - 内含子边 界的共有序 列在真正基 因中发现的 真实序列之 间的关系。 运用 外显子－内含子边界特殊 序列的方法来注释基因的成功率不 高。 c 、 上游调控顺序 ? 几乎所有基因（或操纵子）上游都有调控 序列，它们与 DNA 结合蛋白作用，控制基因 表达，通过同源性比较来预测 mRNA 的 5 端， 最常用的与转录起始位点相关的数据库是 真核启动子数据库 (The TRADAT Project , Eukaryotic Promoter Database, EPD. http://www.epd.unil.ch/ ) 。 ? 另外个别基因组特有组成也可作为判别依 据，如脊椎动物基因组许多基因的上游都 有 大约 1kb 长的 CpG 岛 。 2 、 同源查询 利用已存入数据库中的 基因序列与待查基因组序列 进行比较，从中查找可与之 匹配的碱基序列及其比例用 于界定基因的方法。 A. DNA 序列某些片段完全相同； B. 开放阅读框排列类似； C. 开放阅读框翻译成的氨基酸序列的相同； D. 模拟多肽高级结构相似。 ? 一般认为，氨基酸序列的相似性在 25% 以上可视 为同源基因。 ? 这些结果均可作为基因判定的指标，可单独用， 也可综合用。 基因注释软件 1) 目前基因注释程序的编写主要依据两种信息内涵 : 1. signal terms ( 信号指令 ) , 如起始密码 , 终止密码 , 终止信号 , 多聚嘧啶顺序 , 分支点等保守的顺序组成 ; 2. content terms ( 内容指令 ) , 如密码子使用偏好 . 对结构紧凑的小基因组上述注释软件效果不错 , 但对大基因 组特别是超长基因的注释有很