如何进行序列分析PPT演示文稿
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
3
表1 九种完整DNA序列的碱基组成
4
表2 人类胎儿球蛋白基因不同区段的碱基组成
5
二．碱基相邻频率
分析DNA序列的主要困难之一是碱基相邻的频率 不是独立的。碱基相邻的频率一般不等于单个碱基 频率的乘积
例： 鸡血红蛋白β链的mRNA编码区的438个碱基
6
图1 鸡β球蛋白基因编码区的DNA序列 (GenBank：CHKHBBM，记录号J00860)
表4还清楚地表明，由于密码子第3位置上碱基的改变 常常不会改变氨基酸的类型，因而对第3位置上碱基的约 束要比第 2位碱基小得多。
9
表4 64种可能的碱基三联体密码子及相应的氨基酸数（据图1序列）
10
相邻碱基之间的关联将导致更远碱基 之间的关联，这些关联延伸距离的估计 可以从马尔科夫链(Markov chain)理论 得到(Javare和Giddings，1989)
预测方法中，最早是通过序列核苷酸频率、密码子等特性进行预 测(如最长ORF法等)，随着各类数据库的建立和完善，通过相似 性列线比对也可以预测可能的基因。同时，一批新方法也被提了 出来，如隐马尔可夫模型(Hidden Markov Model,HMM)、动 态规划法(dynamic programming)、法则系统(ruled-based system)、语言学wk.baidu.comlinguistic)方法、线性判别分析(Linear Discriminant Analysis,LDA)、决策树(decision tree)、拼接列 线(spliced alingment)、博利叶分析(Fourier analysis)等。 下表列出了claverie(1997)对部分程序预测基因区域能力的比较 结果，表中同时列出了相应算法和程序的网址。
11
三．同向重复序列分析
除了分析整个序列碱基关联程度的特征外，我们常对寻找 同向重复序列(direct repeats)之类的问题感兴趣。Karlin等 (1983)给出了完成这一分析的有效算法。该法采用由特定的几 组碱基字母组成的不同亚序列或称为字码(word)。只需要对整 个序列搜索一次。给一碱基赋以值α,例如A、C、G、T的值为 0、1、2、3。由X1、X2、…、Xk 共k个字母组成的每一种不同 的字码按：
15
五、从序列中寻找基因
1.基因及基因区域预测
基因按其功能可分为结构基因和调控基因：结构基因可
被转录形成mRNA，并进而转译成多肽链；调控基因是
指某些可调节控制结构基因表达的基因。在DNA链上，
由蛋白质合成的起始密码开始，到终止密码子为止的一
个连续编码序列称为一个开放阅读框(Open Reading
序列分析
1
一、碱基组成
DNA序列一个显而易见的特征是四种碱基类 型的分布。尽管四种碱基的频率相等时对数学 模型的建立可能是方便的，但几乎所有的研究 都证明碱基是以不同频率分布的。
2
表1包含了9个完整DNA分子序列的资料，表2 的数据来自两个胎儿球蛋白基因(Gr和Ar)，每个 基因具有三个外显子和两个内含子(shen等1981)。 这两个例子说明序列内和序列间碱基具有不同的 频率。在基因每一侧的500 个任意碱基区域被称 为“侧翼”，基因间区域是指两个基因间的其余 序列。
不过目前基因区域的预测已从单纯外显子预 测发展到整个基因结构的预测。这些预测综合 各种外显子预测的算法和人们对基因结构信号 (如TATA盒等)的认识，预测出可能的完整基因
18
基因区域的预测是一个活跃的研究领域，先 后有一大批预测算法和相应程序被提出和应用， 其中有的方法对编码序列的预测准确率高达 90%以上，而且在敏感性和特异性之间取得了 很好的平衡
计算字码值。这些值的取值范围为1到4k
12
例如：5字码TGACC的值为
1+3×44+2×43+0×42+1×41+1×40=459。可先从低k值的字码 开始搜索。记录序列中每一个位置k字码的字码值。只有在发现k 字码长度重复的那些位置考虑进行长度大于k的字码搜索。
序列TGGAAATAAAACGTAAGTAG中所有碱基2字码(k=2) 的初始位置和字码值。对于完全重复、长度大于2的同向重 复或亚序列的搜索可只限于2字码重复的初始位置。
在本例中只有4个重复的2碱基重复序列。例如，在位置4、 5、8、9、10和15均发现了字码值为1的碱基重复序列。
从有重复的2碱基为起点的3字码值中发现字码值为1、45 和49的序列有重复；以每一重复的3碱基为起点的4字码搜 索未能发现更长的重复序列。
13
表5 序列TGGAAATAAAACGTAAGTAG的3字码值和位置(Karlin, 1983)
14
四、RNA二级结构预测
尽管现有一些RNA折叠程序可以预测RNA二级结构，但这类分析 仍然是一门艺术。RNA折叠有助于找出RNA分子中可能的稳定茎区， 但对给定的RNA分子来说，这一结果的生物学意义究竟有多大，还 是一个未知数。即使有此局限性，二级结构的预测还是有助于找出 mRNA控制区以及RNA分子中可能形成稳定折叠结构的区段。
Frame,ORF)。结构基因多含有插入序列，除了细菌和病
毒的DNA中ORF是连续的，包括人类在内的真核生物的
大部分结构基因为断裂基因，即其编码序列在DNA分子
上是不连续的，或被插入序列隔开。断裂基因被转录成
前体mRNA，经过剪切过程，切除其中非编码序列(即内
含子)，再将编码序列(即外显子)连接形成成熟mRNA，
7
表3 图1鸡β球蛋白基因序列的相邻碱基分布
8
在编码区，存在某种约束来限制DNA序列编码氨基酸。 在密码子水平上，这一约束与碱基相邻频率有关。
表4列出了遗传密码和图1序列中各密码子数量。尽管 数目很小，难以作出有力的统计结论，但编码同一氨基 酸的不同密码子(同义密码子)好像不是等同存在的。这 种密码子偏倚必定与两碱基相邻频率水平有关。
并翻译成蛋白质。假基因是与功能性基因密切相关的
DNA序列，但由于缺失、插入和无义突变失去阅读框而
不能编码蛋白质产物。
16
一种典型的真核蛋白质编码基因的结构示意图。其编码序列（外显子）是 不连续的，被非编码区（内含子）隔断。
17
所谓基因区域预测，一般是指预测DNA序列 中编码蛋白质的部分，即外显子部分。
表1 九种完整DNA序列的碱基组成
4
表2 人类胎儿球蛋白基因不同区段的碱基组成
5
二．碱基相邻频率
分析DNA序列的主要困难之一是碱基相邻的频率 不是独立的。碱基相邻的频率一般不等于单个碱基 频率的乘积
例： 鸡血红蛋白β链的mRNA编码区的438个碱基
6
图1 鸡β球蛋白基因编码区的DNA序列 (GenBank：CHKHBBM，记录号J00860)
表4还清楚地表明，由于密码子第3位置上碱基的改变 常常不会改变氨基酸的类型，因而对第3位置上碱基的约 束要比第 2位碱基小得多。
9
表4 64种可能的碱基三联体密码子及相应的氨基酸数（据图1序列）
10
相邻碱基之间的关联将导致更远碱基 之间的关联，这些关联延伸距离的估计 可以从马尔科夫链(Markov chain)理论 得到(Javare和Giddings，1989)
预测方法中，最早是通过序列核苷酸频率、密码子等特性进行预 测(如最长ORF法等)，随着各类数据库的建立和完善，通过相似 性列线比对也可以预测可能的基因。同时，一批新方法也被提了 出来，如隐马尔可夫模型(Hidden Markov Model,HMM)、动 态规划法(dynamic programming)、法则系统(ruled-based system)、语言学wk.baidu.comlinguistic)方法、线性判别分析(Linear Discriminant Analysis,LDA)、决策树(decision tree)、拼接列 线(spliced alingment)、博利叶分析(Fourier analysis)等。 下表列出了claverie(1997)对部分程序预测基因区域能力的比较 结果，表中同时列出了相应算法和程序的网址。
11
三．同向重复序列分析
除了分析整个序列碱基关联程度的特征外，我们常对寻找 同向重复序列(direct repeats)之类的问题感兴趣。Karlin等 (1983)给出了完成这一分析的有效算法。该法采用由特定的几 组碱基字母组成的不同亚序列或称为字码(word)。只需要对整 个序列搜索一次。给一碱基赋以值α,例如A、C、G、T的值为 0、1、2、3。由X1、X2、…、Xk 共k个字母组成的每一种不同 的字码按：
15
五、从序列中寻找基因
1.基因及基因区域预测
基因按其功能可分为结构基因和调控基因：结构基因可
被转录形成mRNA，并进而转译成多肽链；调控基因是
指某些可调节控制结构基因表达的基因。在DNA链上，
由蛋白质合成的起始密码开始，到终止密码子为止的一
个连续编码序列称为一个开放阅读框(Open Reading
序列分析
1
一、碱基组成
DNA序列一个显而易见的特征是四种碱基类 型的分布。尽管四种碱基的频率相等时对数学 模型的建立可能是方便的，但几乎所有的研究 都证明碱基是以不同频率分布的。
2
表1包含了9个完整DNA分子序列的资料，表2 的数据来自两个胎儿球蛋白基因(Gr和Ar)，每个 基因具有三个外显子和两个内含子(shen等1981)。 这两个例子说明序列内和序列间碱基具有不同的 频率。在基因每一侧的500 个任意碱基区域被称 为“侧翼”，基因间区域是指两个基因间的其余 序列。
不过目前基因区域的预测已从单纯外显子预 测发展到整个基因结构的预测。这些预测综合 各种外显子预测的算法和人们对基因结构信号 (如TATA盒等)的认识，预测出可能的完整基因
18
基因区域的预测是一个活跃的研究领域，先 后有一大批预测算法和相应程序被提出和应用， 其中有的方法对编码序列的预测准确率高达 90%以上，而且在敏感性和特异性之间取得了 很好的平衡
计算字码值。这些值的取值范围为1到4k
12
例如：5字码TGACC的值为
1+3×44+2×43+0×42+1×41+1×40=459。可先从低k值的字码 开始搜索。记录序列中每一个位置k字码的字码值。只有在发现k 字码长度重复的那些位置考虑进行长度大于k的字码搜索。
序列TGGAAATAAAACGTAAGTAG中所有碱基2字码(k=2) 的初始位置和字码值。对于完全重复、长度大于2的同向重 复或亚序列的搜索可只限于2字码重复的初始位置。
在本例中只有4个重复的2碱基重复序列。例如，在位置4、 5、8、9、10和15均发现了字码值为1的碱基重复序列。
从有重复的2碱基为起点的3字码值中发现字码值为1、45 和49的序列有重复；以每一重复的3碱基为起点的4字码搜 索未能发现更长的重复序列。
13
表5 序列TGGAAATAAAACGTAAGTAG的3字码值和位置(Karlin, 1983)
14
四、RNA二级结构预测
尽管现有一些RNA折叠程序可以预测RNA二级结构，但这类分析 仍然是一门艺术。RNA折叠有助于找出RNA分子中可能的稳定茎区， 但对给定的RNA分子来说，这一结果的生物学意义究竟有多大，还 是一个未知数。即使有此局限性，二级结构的预测还是有助于找出 mRNA控制区以及RNA分子中可能形成稳定折叠结构的区段。
Frame,ORF)。结构基因多含有插入序列，除了细菌和病
毒的DNA中ORF是连续的，包括人类在内的真核生物的
大部分结构基因为断裂基因，即其编码序列在DNA分子
上是不连续的，或被插入序列隔开。断裂基因被转录成
前体mRNA，经过剪切过程，切除其中非编码序列(即内
含子)，再将编码序列(即外显子)连接形成成熟mRNA，
7
表3 图1鸡β球蛋白基因序列的相邻碱基分布
8
在编码区，存在某种约束来限制DNA序列编码氨基酸。 在密码子水平上，这一约束与碱基相邻频率有关。
表4列出了遗传密码和图1序列中各密码子数量。尽管 数目很小，难以作出有力的统计结论，但编码同一氨基 酸的不同密码子(同义密码子)好像不是等同存在的。这 种密码子偏倚必定与两碱基相邻频率水平有关。
并翻译成蛋白质。假基因是与功能性基因密切相关的
DNA序列，但由于缺失、插入和无义突变失去阅读框而
不能编码蛋白质产物。
16
一种典型的真核蛋白质编码基因的结构示意图。其编码序列（外显子）是 不连续的，被非编码区（内含子）隔断。
17
所谓基因区域预测，一般是指预测DNA序列 中编码蛋白质的部分，即外显子部分。