基因的测定与预测方法1

5 5’供体位点：G＾GTAAGTnnYCnYY； 剪切分支点：WRCTRACMnnnnnnYY； 3’受体位点：WACAG＾。
GSA（Gene Structure Assembly）
GSA程序就是由ATT和Genscan综合而成的。
GenomeScan
是Burge对自己的Genscan的延伸并结合BLASTX或BLASTP 的方法而来。 该法在信息相似性方面是最可靠的，能预测到单 独使用Genscan或BLASTX所不能检测到的编码区。
HumGene
HumGene是一个采用广义隐Markov模型（GHMM）的人类基 因预测软件,是利用人类基因的结构特点，采用概率模型为基 因结构中各个特定区域建立了独立的子模型，能够获得全局 统一的评价指数，使得系统整体框架具有一定的扩展性，采 用一种新的简化算法，有效地降低了计算的复杂度。
FFG
2 隐马尔可夫模型（Hidden Markov Model，HMM）
它将DNA看成是一个随机过程，根据编码和非编码的DNA 序列在核苷酸选用频率上的不同而自动寻找出其内部隐藏的 规律。
广义隐马尔可夫模型（Generalized Hidden Markov Model，GHMM ）
是通过对HMM简化和在HMM下建立了相应的子模型，使 其具有很大的可扩展性，是第二代基因预测软件的基础。
3 动态规划法
用来将预测的各个可能外显子和内含子拼接成完整的基因， 这种算法将各种可能的拼接进行记分，从而得出最可能的基因结 构。
4 神经网络预测方法
该法是使用一个训练数集来训练神经网络，使其达到局部极 小，然后，神经网络去掉这些最小权重，将最低预测值加到整体 预测值上，经过数据修剪后，再次训练神经网络使其达到局部极 小，这个过程不断被重复，直至达到规定的误差值，最后给出一 个预测结果。
HMMGene
HMMGene是专门为脊椎动物和线虫未知DNA 序列的基因预测，可 以预测整个质粒基因，甚至更长的DNA序列。同时也可以预测剪 切位点和起始/终止密码子。如果一段序列的一些特征是已知的， 如ESTs，蛋白质或重复元件，那么这些区域就被认定为编码区或 者非编码区，甚至于在这一约束下找出最优的基因结构。 这个程序是建立在HMM（Hidden Markov model）模型上的， HMM模型是一个基因结构概率模型，能够为一段序列提供多个最 优的预测结果。
基因的测定与预测方法
基因预测的背景
生物学家开始研究基因结构主要是在实验的基础上进行的： 构建cDNA文库、PCR扩增、Northern blot 和测序等。 随着全基因组测序计划的实现，大量的基因组DNA序列产生， 但对基因的注释远落后于基因测序。因此，应用计算机程序从 DNA序列中寻找基因（尤其是那些编码蛋白质的基因），成为研 究人员考虑的重要问题。 一旦获得一个基因组序列，除了将这段序列通过数据库相 似性和同源性比较，还可以计算DNA的碱基组成，分析密码子的 偏好性，简缩重复序列，寻找DNA的特殊位点或信号，以及鉴定 DNA的编码区。用外显子-内含子结构和每个预测基因的位置信 息，以及基于数据库搜索的任何功能信息来注释基因组DNA序列。 随后可以鉴别最可能的蛋白质编码区。
GeneMark
GeneMark 依赖编码与非编码二者的非同源Mark链模型，是建 立在已知基因和已确定其功能的基Baidu Nhomakorabea上，用来预测E. coli. 的 DNA序列，甚至可以重新训练来预测H. influenz，M. jannaschia 和其他的生物.
GeneMark-Genesis是用来分析M. jannaschia和 H. pylori的软 件 ， 是 确 定 可 用 于 训 练 和 能 预 测 到 单 独 使 用 Genscan 或 BLASTX所不能检测到的编码区。 GeneMark.hmm算法是对 DNA序列片段的编码和非编码区域 的概率分析，力求更准确地找出明确的基因边界。以S.pombe 和拟南芥（A.thaliana ）为模式生物。
Pombe
Pombe专门设计来寻找S.pombe的基因和预测外显子-内含子结构。 识别{位点，外显子，内含子}和{假位点，假内含子，假外显 子}。同时可以识别起始位点，供体位点和受体位点，而对于外 显子和内含子的预测必须要结合线性判别分析。而且还要考虑 到其他的因素如少数核苷酸偏好、三联体位点偏好和ORFs的定 位。同时把这些分析结果与动态分析程序相结合来预测基因的 结构。 http://argon.cshl.org/genefinder/pombe/pombe.htm
基因的识别可以分为三个步骤
找出序列中的非编码区；
找到基因； 鉴定找到的基因。
要找出DNA序列中的非编码区一般涉及以下几个元素
去掉序列中的载体污染：载体，接头和PCR引物，转座子和插入 序列，DNA/RNA样品的纯度不高等。常用NCBI的 “VecScreen”和EMBL的分析工具“Blast2 EVEC”。 屏蔽重复序列：在真核生物和原核生物 中都广泛存在重复序列， 人类基因组中约有30%，而瓜蟾蜍有70%的重复序列。重复元 件有：SINE、ALU、MIR、LINE、LTR、MALR、ERVL、小 RNA、卫星DNA、简单重复序列和低复杂度序列。
FFG是根据N.crassa基因的序列特征统计分析建立起来的，可以 直接对N.crassa基因进行预测。
1 编码区含有较高的GC含量，表现出对C的偏好， 对G的偏好其 次。 2 终止子：UAA比UAG和UGA更为常用， 3 起始密码子ATG及其周围的共有序列： CAMMATGGCT 4 研究发现N.crassa许多基因至少有一个内含子：52—691，平均 为63，中等长度为70。而长度变化范围较宽，在3-5367，平均 为509，中等长度为148。
剪切位点预测
5’-donor sites ↓ …CAGGTGAGA……CTATCCTTCTCACAGG… ↑ 3’-acceptor sites
可以用HMM、碱基频率、权重矩阵等判别式分析方法和神经 网络方法 。使用的工具SpliceView 和NetGene2结合综合应用
基因预测方法的评价
基因预测的同源比较算法和预测模型
1 同源比较算法：
① Smith-Waterman算法 ：它是将一条序列代替另一条序列所 需的“最小代价”（Weight）。 ② FASTA算法 是用来进行DNA/DNA、DNA/蛋白质（将DNA 按6个ORFs 翻译成氨基酸序列，再与蛋白质比较）和蛋白质 /蛋白质的同源比较。
当预测完后就要对预测结果的精确度和可靠性进行评估。一般 而言，预测的精确度要从以下三个方面评估： 编码的核苷酸水平，外显子结构水平和预测的蛋白质水平。用灵 敏度Sn（sensitivity）和Sp(specificity)分别表示预测编码的正确性 和非编码的正确性：
Sn ＝TP/（TP+FN） 或真阳性/实际阳性； Sp＝TP(TN+FP) 或真阳性/预测阳性。
CpG岛（HTF岛）
CpG岛是一些富含GC（＞50%）的小区域，它可能有几百bp 至几千bp，其中CpG通常出现在管家基因或频繁表达的启动 子周围，具有抵抗序列甲基化的作用。通常出现在脊椎动物 基因的5’端，80%的人类基因转录起始位点前面就有CpG 的存在，因而CpG岛是发现基因的重要线索。 CpG岛的计算工具很多，常用EMBL提供的工具： CpGPlot/ CpG Report/Isochore
GeneScan
GeneScan是一种广义上的目的基因预测软件，用来分析多个物种的 DNA序列，包括人类、其他脊椎动物、无脊椎动物和植物的基因 组。 它可以从下面网站获得：http://genes.mit.edu/GENESCAN.html. 其参数设置选定一个模式生物（脊椎动物、拟南芥或玉米）并选取 一个亚适的截断值（1.0、0.50、0.25、0.10、0.05、0.02、0.01）。
涉及基因转录起始和终止的信号 1 启动子
原核生物 ① －10元件：TATAAT； ② － 35元件：TTGCA； ③ 特定启动子的变异； ④ +1：G或A； ⑤ 各种相关因子的结合位点 真核生物（PolⅡ） ① －30：TATAA（60%的具有该序列），有时为CAAT-box 或GC-box； ② +1：inr区； ③ +20—50：下游启动子元件dpe(果蝇特有)； ④ 各种相关因子的结合位点。
除了以上几种外，目前用于基因预测的算法还很多，如基因 结构的线性判别式分析和概率模型等。不过大多数算法都是基于 已知基因顺序，所以需要深入研究，寻找基因不同的内在规律。
但目前最为流行的预测模型是HMM改进后的广义隐马 尔科夫模型（GHMM）。 GHMM比HMM的模型框架更具有 良好的可扩展性。 下面介绍几种以HMM和GHMM为模型而发展的计算机识别软 件： 第一代基因识别软件：GENMARK，GeneID和GRAILⅡ等, 它们采用的方法包括神经网络、隐Markov模型等。但是它们 通常假定序列中正好包含了一个完整的基因, 因而预测的正确 率不高。 第二代基因识别软件：包括GenScan，HMMGene，FFG， GeneMark.hmm 等等, 它们一般不需要假设序列中正好包含一 个完整的基因, 而且 其预测正确率也有大幅提高。 它们的模 型的框架基本上都是采用的广义隐Markov 模型，是对GHMM 在简化方法和子模型的构建方上存在不同。
应用工具有：RepeatMasker 和XBLAST；然后可以用REPEAT View 和HMM/N-TUPLE
开放阅读框（ORF）的识别
一个起始密码子和终止密码子之间的序列称为一个ORF。 当一个DNA序列被测定以后，还不知道其编码的蛋白质时用 此术语。常见起始密码子为ATG，终止密码子为TAA、TAG 和TGA。 一个双链DNA有6个潜在的ORF，3（+）和3（－）ORF； 一个ORF就是一个潜在的蛋白质编码区，要确定DNA的 编码区，就必须要检测它有多少个ORF。 原核生物中一个编码区就是一个单独的ORF； 真核生物基因的编码区被内含子分隔成若干不连续的编 码片段。 因此，首先要找出编码区内含子和外显子的边界。 若用cDNA序列，问题可大大简化。 常用工具：NCBI提供的分析工具：ORF Finder。
FGENESH+和FGENESH－C
是用已存在的FGENESH算法延伸去提高基因预测。 （ FGENESH 是针对蛋白质或cDNA序列的相似性的预测方法。
基因预测中遇到的问题
1 真核生物序列重复序列大量存在； 2 大多程序都有特定生物物种适用性； 3 许多程序只能特定适用于基因组DNA数据或者只适用于 cDNA的数据； 4 序列的长度也是一个重要因素。例如，用鸟枪法测序得到 的单个序列片段很少能用在序列中搜寻整个基因的老式程序。
该工具网址： http://www.ebi.ac.uk/emboss/cpgplot/
基因编码区的预测
1 启动子与转录因子结合位点的识别 其应用工具：TRES、神经网络法和Dragon Promoter Finder。
2 其它顺式作用元件的预测 其应用工具：Cister：Cis-element Cluster Finder
2 转录终止信号
原核生物：茎环结构后跟随一串Un。 真核生物：AATAAA+上游或下游元件。 真核生物从DNA →成熟的mRNA，其除去内含子有一些特殊模 式即： 5’-供体位点AG/GT；3’-受体位点YAG/GT；分支点 YNYTRAY，在酵母中为TACTAAC；多聚腺苷化位点 AATAAA。
预测程序存在的局限性
1 很多算法目前只适用少数物种； 2 所有的程序（除了GENSCAN）在输入序列中包含有多基因 或者部分基因时，所预测的外显子可靠，但所预测的基因结 构就不一定可靠； 3 由于受许多未知因素的影响，预测的精确度能比预期的低得 多，尤其是对新发现的基因； 4 大多算法都明显对测序错误十分敏感； 5 象交替剪接、重叠基因和启动子结构等这样的基因语法结构 仍超出当前程序的处理能力。