生物信息学序列分析

• 如图
• 结果如下：
• 同样，可计算出密码子适应指数：
• Sequence: AY047586.1 CAI: 0.109
• 用chips计算出有效密码字数： • # CHIPS codon usage statistics Nc = 48.082
• 密码子适应指数( Codon adaption index , CAI ) • 该指数以一组具高表达水平的基因为参考, 测量某一个基因的密码子偏 好情况和这些高表达基因密码子偏好情况的接近程度, 如果一个基因完 全使用高表达基因中所用的密码子, 则其 C AI 值为 1。目前这个指数已 被广泛用来预测基 因 的表达水平。 • 有效密码子数 ( Effective Number of Codon ,Nc) • C AI 测量的是某个基因所用的密码子与高表达基因所用密码子的接近程 度 。 和 C AI 不同 ,Nc测量的是某个基因的密码子偏好程度 , 如果一个 基因平均使用每一个密码子 ,则其 Nc 为 61 ,如果一个基因只使用每组同 义密码子中的一个 ,则其 Nc 为 20 。理论上讲 ,一个具有低 C AI 的基 因也可以同时具有低 Nc 值 ,换句话说 , 该基因具有较强的密码子偏好性 ,只不过其偏向的并不是高表达基因所用的密码子 。
计算字码值。这些值的取值范围为1到4k
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。
• 计算同义密码子相对使用度（Relative synonymous codon usage， RSCU） • 在genebank中取出序列后，用codonw进行在线分析
•
同义密码子相对使用度（Relative synonymous codon usage， RSCU）：它是指对于某一特定的密码子，在编码对应氨基酸的 同义密码子间的相对概率，去除了氨基酸组成对密码子使用的影 响。该值的计算方法为某一密码子所使用的频率与其在无偏使用 时预期频率之间的比值，如果密码子的使用没有偏好性，该密码 子的RSCU值等于1，当某一密码子的RSCU值大于1时，代表该 密码子为使用相对较多的密码子，反之亦然 。
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。
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。 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
离线软件有 RNAstructure
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 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， 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。
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）
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)
什么是HMM? Hidden Markov Models (HMMs, 隐马尔可夫模型) 最早是在上个世纪60年代末70年代初提出来的一种 概率论模型。进入80年代以后，逐渐被利用在各个领 域。主要的应用领域： 语音识别系统。 生物学中的DNA/protein序列的分析。 机器人的控制。 文本文件的信息提取。
表5 序列TGGAAATAAAACGTAAGTAG的3字码值和位置(Karlin, 1983)
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。 在线的有： mfold http://mfold.rna.albany.edu/?q=mfold RNAfold http://rna.tbi.univie.ac.at/cgi-bin/RNAfold.cgi SFold http://sfold.wadsworth.org/cgi-bin/index.pl
第7章 序列分析
一、初级序列分析
序列的组成/分子量/等电点分析
2
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。
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。
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：
• 同义密码子(Synonymous Codons)：编码同一氨基酸 的密码子。
• 在蛋白质编码过程中, 某一物种或某一基因通常倾向 于使用一种或几种特定的同义密码子, 这种现象称为 同义密码子的使用偏性(Synony mous Codon Usage Bias) • 研究密码子使用偏性的意义： • （一）作为预测真核生物核糖体在细胞内定位的一种 手段 ，通过比较核基因编码的核糖体蛋白和线粒体基 因编码的核糖体蛋白上密码子使用模式的差异来预测 未知蛋白的基因所在基因组位置。
图1 鸡β球蛋白基因编码区的DNA序列 (GenBank：CHKHBBM，记录号J00860)
表3 图1鸡β球蛋白基因序列的相邻碱基分布
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。 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。
SacI Hind III Xba I
Sac I Cloning site Plasmid vector Hind III XbaI
18
19
20
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
• •
其中，n表示这个密码子所代表的氨基酸的同义密码子种类数目(1<n) x代表第i个密码子的出现次数。RSCU是衡量密码子偏性较直观的一个 参数。
• 结果如下：
• 利用rscu计算密码子Franction和Frequency。 • Franction：各个密码子在编码该氨基酸的密码子中所占的比例。 • Frequency：该密码子在编码总基因密码子中出现的频率。
• GC 和 GC3s
• G C 测量的是基因中 G 和 C 的含量 。G C 3s 则计算密码子第三个碱基 中出现 G 或 C 的频率 。一般认为这两个因素对基因的密码子选择有重 要影响。 • GC content – 不同物种GC含量变化很大 – 识别基因水平转移，判断外源基因 GC skew – (G-C)/(G+C)% – 预测细菌或古细菌复制起点
• （二）通过密码子使用偏好性的研究，可以判定一些最优
密码子，针对这些密码子设计基因工程表达载体可以提高目 的基因的表达量 。 • （三）利用密码子使用偏好性和某种功能的关联程度对某些 未知功能基因进行预测，利用已知的密码子偏好知识对未知 表达水平的基因进行判定，初步判断该基因的表达水平高或 低。 • （四）利用编码区和非编码区的基因组特征差异进行全基因 组扫描，发现新基因。
表1 九种完整DNA序列的碱基组成
表2 人类胎儿球蛋白基因不同区段的碱基组成
7
序列组成分析
8
A/G/C/T的组成，尤其是G+C含量的预测（进化？探针设计？）
9
10
序列组成分析
11
序列组成分析
12
蛋白分子量和等电点
13
蛋白分子量和等电点
14
蛋白分子量和等电点
15
蛋白质分子量/等电点预测 online Compute pI/MW
27
什么是HMM? 对于给定的核苷酸序列，我们在位置p处出现的概率依赖于其 后的核苷酸序列。即任何一个核苷酸的出现并不是完全独立的。 大家只要知道HMM是目前生物信息学中应用非常广泛的概率 论模型，广泛应用于基因识别，其基本原理基于任何一个序 列的出现都不是独立的。
28
密码子偏好性分 析
• 密码子是核酸携带信息和蛋白质携带信息间 对应的基本原则, 是生物体内信息传递的基本 环节。在生物的遗传密码中, 除色氨酸和甲硫 氨酸只有一个密码子外, 其余氨基酸都有一个 以上的简并密码子。对同一物种, 不同蛋白编 码密码子在基因中出现的频率不同; 就同一种 氨基酸而言, 编码该氨基酸的不同密码子的比 率在不同的蛋白中也有差异, 因此生物体基因 对简并密码子的选择具有一定的偏爱性。
http://us.expasy.org/tools/pi_tool.html
16
酶切源自文库点分析
只要进行基因工程利用必须用到各种限制性内切酶
如 GGATCC
BamHI
17
进行酶切位点分析的时候，对于构建载体，我们需要知 道的信息是你的序列中有/没有某个酶的位点？ 为什么？
如果答案是“有”，是什么情况？“没有”又是什么情 况？
• 由于密码子偏性的研究近年来一直是一个热点，因此 研究的指标也出现得很多，如可以衡量特定基因偏性 大小的密码子偏爱指CBI(Morton1993)和最优密码子 使用频率FOp(Lavnerand Kotlar2005) 等。多种多样 的技术和方法促进了密码子偏性的研究，但是也产生 了一些的研究结果之间存在了的不一致，特别是有些 方法仅仅能运用于局限的物种或某些特定的基因中。 因此在使用这些新开发的方法时，必须了解每一种方 法背后的假设和推论，才能确保结果的正确性。