05第5章 基因组序列诠释2011.10.24

细菌基因组中缺少内含子，非编码序列仅占11%， 细菌基因组中缺少内含子，非编码序列仅占11%， 对读框的排查干扰较少。 对读框的排查干扰较少。假定基因之间不存在重叠 顺序，也无基因内基因 基因内基因(gene-within-gene)， 顺序，也无基因内基因(gene-within-gene)，那么 ORF阅读出现差错的最大可能性只会发生在非编码 ORF阅读出现差错的最大可能性只会发生在非编码 细菌基因组的ORF阅读相对比较简单 阅读相对比较简单， 区。细菌基因组的ORF阅读相对比较简单，错误的 机率较少。 机率较少。 高等真核生物DNA的ORF阅读比较复杂 阅读比较复杂， 高等真核生物DNA的ORF阅读比较复杂，其原因在 于： 基因间存在大量非编码序列 人类基因组中占70%) 大量非编码序列( ①基因间存在大量非编码序列(人类基因组中占70%)； 绝大多数基因含有非编码的内含子 基因含有非编码的内含子。 ②绝大多数基因含有非编码的内含子。高等真核生 物多数外显子的长度少于100个密码子 有些不到50 个密码子， 物多数外显子的长度少于100个密码子，有些不到50 个密码子甚至更少， 个密码子甚至更少，因此当读码进入内含子时很快 遇上终止密码，难以根据上述的ORF长度来判断哪 遇上终止密码，难以根据上述的ORF长度来判断哪 种读框是正确的。 种读框是正确的。
内含子的出现给计算机判读基因带来不少问题，在编写ORF扫描 内含子的出现给计算机判读基因带来不少问题，在编写ORF扫描 规则： 程序时要作许多修改，必须加入一些相应的规则 程序时要作许多修改，必须加入一些相应的规则： 生物具有通用的64种密码子 种密码子， ①密码子偏爱 生物具有通用的64种密码子，其中三种为终止密 码子，其余61种密码子编码 种氨基酸 种密码子编码20种氨基酸， 甲硫氨酸(Met)和 码子，其余61种密码子编码20种氨基酸，除甲硫氨酸(Met)和色 氨酸(Trp)各有 个密码子外，其他氨基酸都拥有多个密码子。 各有1 氨酸(Trp)各有1个密码子外，其他氨基酸都拥有多个密码子。编 同义密码(synonym)， 码同一氨基酸的不同密码子称为同义密码 码同一氨基酸的不同密码子称为同义密码(synonym)，其差别仅 在密码子的第三位碱基不同。 在密码子的第三位碱基不同。不同种属之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 密码子多为GCA 有很大差异，如人类基因中，丙氨酸(Ale)密码子多为GCA， GCC GCT GCC或GCT，而GCG很少使用。苏氨酸(Thr)常用的密码子为 GCG很少使用。苏氨酸(Thr)常用的密码子为 ACA ACC ACT 很少用ACG 高等植物207个基因的编码 ACA，ACC或ACT，很少用ACG。高等植物207个基因的编码 顺序，其中单子叶植物基因53个 双子叶植物基因154个 分属6 顺序，其中单子叶植物基因53个，双子叶植物基因154个，分属6 个单子叶和35个双子叶种群。单子叶与双子叶主群密码子 个单子叶和35个双子叶种群。单子叶与双子叶主群密码子 个双子叶种群 (majority codon)中第三个摇摆碱基的成员比例明显不同。单子 codon)中第三个摇摆碱基的成员比例明显不同。 18种氨基酸中有 种氨基酸的密码子摇摆碱基为 种氨基酸中有16种氨基酸的密码子摇摆碱基为G+C， 叶18种氨基酸中有16种氨基酸的密码子摇摆碱基为G+C，而双子 叶中仅有7种氨基酸的密码子摇摆碱基为G+C， 叶中仅有7种氨基酸的密码子摇摆碱基为G+C，或者说双子叶密 码子摇摆碱基大多为A+T。这一现象称为密码子偏爱 密码子偏爱(codon bias)， 码子摇摆碱基大多为A+T。这一现象称为密码子偏爱(codon bias)， 其产生的原因不明。特定种属有特征性的密码子偏爱， 其产生的原因不明。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。 在编码区常常出现，非编码区只保持平均的碱基分布水平。根据 已有生物密码子偏爱的资科在编写相应的计算机程序时可加入这 些限制。 些限制。
搜寻基因
一旦获取基因组的DNA顺序后 不管它是来自某一 一旦获取基因组的DNA顺序后，不管它是来自某一 顺序后， 区段还是一整条染色体， 还是一整条染色体 区段还是一整条染色体，第一个任务就是从中查找 基因，这是解读整个基因组的基础。查找基因有两 基因，这是解读整个基因组的基础。查找基因有两 种常见的方法： 种常见的方法： 根据已知的顺序人工判读 计算机分析寻找与基 人工判读或 ①根据已知的顺序人工判读或计算机分析寻找与基 因有关的序列； 因有关的序列； 进行实验研究 实验研究， ②进行实验研究，看其能否表达基因产物及其对表 型的影响。 型的影响。
开放读框
基因都含有开放读框 基因都含有开放读框(open reading frames，ORFs)，它们由 开放读框(open frames，ORFs) 一系列指令氨基酸的密码子 密码子(codons)组成 组成。 一系列指令氨基酸的密码子(codons)组成。开放读框有一个 起点，又称起译密码 起译密码(initiation codon)：ATG；还有一个终 起点，又称起译密码(initiation codon)：ATG；还有一个终 又称终止密码 终止密码(termination codon)：TAA、TAG和TGA。 点，又称终止密码(termination codon)：TAA、TAG和TGA。 从 DNA顺序中搜寻基因总是从第一个 ATG开始， 然后向下 DNA顺序中搜寻基因总是从第一个 顺序中搜寻基因总是从第一个ATG 开始 开始， 游寻找终止密码。 游寻找终止密码 。 在开始这项工作之前 ， 我们并不知道 DNA双链中哪一条单链是编码链 或称正(+)链 DNA双链中哪一条单链是编码链，或称正(+)链，也不知道 双链中哪一条单链是编码链， 准确的转译起始点在何处。 由于每条链都有三种可能 三种可能的读 准确的转译起始点在何处 。 由于每条链都有 三种可能 的读 两条链共计6种读框，计算机可以很快给出结果。 框，两条链共计6种读框，计算机可以很快给出结果。 ORF扫描的关键是终止密码在 种读框中出现的频率。 ORF扫描的关键是终止密码在6种读框中出现的频率。如果 扫描的关键是终止密码在6 DNA的碱基排列是随机的，并且GC含量为 DNA的碱基排列是随机的，并且GC含量为50%，则三个终 的碱基排列是随机的 含量为50%， 止密码子：TAA、TAG和TGA出现的平均机率为每 止密码子：TAA、TAG和TGA出现的平均机率为每43= 出现的平均机率为每4 64bp一次 假如GC比大于 64bp一次。假如GC比大于50%，因终止密码中AT比例高， 一次。 比大于50%，因终止密码中AT比例高 比例高， 则每隔100-200bp才会出现一个终止密码 才会出现一个终止密码。 则每隔100-200bp才会出现一个终止密码。随机碱基排列的 ORF长度预计不超过 个密码子 ORF长度预计不超过50个密码子，即150bp，以ATG起始计 长度预计不超过50个密码子， 150bp， ATG起始计 算长度更短。大多数基因的ORF均多于 个密码子 均多于50个密码子， 算长度更短。大多数基因的ORF均多于50个密码子，因此 最可能的选择应该是ORF不少于 不少于100个密码子的读框 个密码子的读框。 最可能的选择应该是ORF不少于100个密码子的读框。
基因组学
辽宁师范大学生命科学学院 张剑锋
第5章 基因组序列诠释
完成基因组测序仅仅是基因组计划的第一步， 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： 的挑战在于弄清： 基因组顺序中所包含的全部遗传信息是什么？ 全部遗传信息是什么 ①基因组顺序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 整体如何行使其功能？ ②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顺序的正确注解 这两项任务都必须依赖于对基因组顺序的正确注解 诠释(annotation)，首先是从已知顺序中搜寻基因 从已知顺序中搜寻基因。 或诠释(annotation)，首先是从已知顺序中搜寻基因。
②外显子-内含子边界(exon-intron boundaries) 外显子与内含子 外显子-内含子边界(exon的边界区有一些明显的特征 如内含子的5’端或称供体位(donor 特征， 端或称供体位 的边界区有一些明显的特征，如内含子的5’端或称供体位(donor site)常见的顺序为 -AG↓GTAAGT-3’，3’端又称 site)常见的顺序为5’-AG↓GTAAGT-3’，3’端又称受体位 常见的顺序为5’ 端又称受体位 (acceptor site)多为5’-PyPyPyPyPyPyCAG -3’(“Py”为嘧啶核苷酸， site)多为 多为5’ 3’(“Py”为嘧啶核苷酸 为嘧啶核苷酸， T或C)。这是判断编码顺序的依据之一。由于外显子-内含子边界 C)。这是判断编码顺序的依据之一。由于外显子顺序常有例外 编写通用的判读程序时有不少困难， 例外， 顺序常有例外，编写通用的判读程序时有不少困难，上述规律仅 适用一定范围。 适用一定范围。 上游控制顺序(upstream 几乎所有的基因( ③上游控制顺序(upstream control sequence) 几乎所有的基因(或 操纵子)上游都有调控序列 它们可与DNA结合蛋白 调控序列， 结合蛋白作用控制基 操纵子)上游都有调控序列，它们可与DNA结合蛋白作用控制基 因表达。调控顺序有明显特点，在查找基因时可作为参考， 因表达。调控顺序有明显特点，在查找基因时可作为参考，特别 是原核生物。真核生物基因上游的控制顺序变化较大， 是原核生物。真核生物基因上游的控制顺序变化较大，以此作为 标志判别基因时应当谨慎。 标志判别基因时应当谨慎。 上述这三种ORF扫描的方法适合所有高等真核生物基因组 扫描的方法适合所有高等真核生物基因组， 上述这三种ORF扫描的方法适合所有高等真核生物基因组，可综 合运用。还有一种针对个别生物的策略， 个别生物的策略 合运用。还有一种针对个别生物的策略，主要依据这些生物基因 特有的组成。例如脊椎动物基因组许多基因的上游都有CpG岛 脊椎动物基因组许多基因的上游都有 组特有的组成。例如脊椎动物基因组许多基因的上游都有CpG岛 (islands)。CpG岛的长度约 (islands)。CpG岛的长度约1kb，其CG比例显著高于基因组平均 岛的长度约1kb， CG比例显著高于基因组平均 水平。 56%的人类基因与上游的 的人类基因与上游的CpG岛相连 岛相连， 水平。约56%的人类基因与上游的CpG岛相连，在基因组顺序扫 描时，如发现CpG岛有可能在其下游找到基因 岛有可能在其下游找到基因。 描时，如发现CpG岛有可能在其下游找到基因。