基因組序列8-mer模體使用分離與不同序列組成和物種進化的關系.pdf

1、基因組序列k-mer分布的理論研究一直倍受關注。研究者提出了各種k-mer分布的概率模型和參數(shù)等。主要的關注重點在于研究極端偏好或稀有的k-mer以及這些模體可能的生物學功能。一些工作研究了全基因組序列的k-mers分布。物種從低等的九噬菌體、細菌到高等生物人類。發(fā)現(xiàn)低等生物k-mer(k＞6)頻數(shù)呈單峰分布，而高等生物（四足哺乳動物）的k-mer(k＞6)頻數(shù)呈三峰分布。但產(chǎn)生三峰或單峰現(xiàn)象的本質(zhì)仍不清楚。我們將基于五種真核生物8-m

2、er使用的分離現(xiàn)象，研究8-mer的序列特征與8-mer使用分離的關系，以揭示不同序列的結(jié)構組成和物種之間的進化關系。
　　選取人類、小鼠、斑馬魚、線蟲和酵母這五種生物基因組序列為樣本。分別提取各個基因組中的基因間序列、內(nèi)含子序列和編碼序列，統(tǒng)計每類序列8-mer出現(xiàn)的頻次，得到8-mer相對模體數(shù)隨頻次的分布。發(fā)現(xiàn)斑馬魚、線蟲和酵母的各類序列均呈單峰分布，人類和小鼠基因間序列和內(nèi)含子序列呈三峰分布，它們的編碼序列呈單峰分布。表明

3、人類和小鼠的基因間序列和內(nèi)含子序列中8-mer頻次出現(xiàn)了明顯的使用分離現(xiàn)象。我們推測在斑馬魚、線蟲、酵母和人類小鼠的編碼序列中仍存在8-mer使用分離現(xiàn)象，只是分離程度不同。
　　為了探尋各類序列的8-mer使用分離，揭示三峰分布和單峰分布的根本原因，將全體8-mer集合按照包含CG二核苷的數(shù)目分為0CG、1CG、2CG三個模體子集（稱CG分類），并給出各子集8-mer的相對模體數(shù)分布。發(fā)現(xiàn)0CG、1CG和2CG子集呈現(xiàn)完全獨立的

4、單峰分布，且三個子集的分布與人類和小鼠基因間序列和內(nèi)含子序列的三個峰嚴格對應。而出現(xiàn)單峰分布的序列實際上是CG分類的三個單峰分布的疊加。由于CG分類的三個單峰距離較近而造成全部8-mer單峰分布的現(xiàn)象，人類和小鼠基因間序列和內(nèi)含子序列的三峰現(xiàn)象是由于CG分類的三個單峰距離較遠而造成的。這就是三峰或單峰現(xiàn)象的本質(zhì)。還發(fā)現(xiàn)在其它15種XY二核苷分類中，0XY、1XY和2XY子集并未呈現(xiàn)完全獨立的單峰分布，因此CG分類的模體子集反映了各類序列

5、的組成結(jié)構和基因組序列的進化模式。
　　將序列的長度標準化后進行比較發(fā)現(xiàn):0CG模體分布中心與隨機序列分布中心一致，2CG和1CG模體頻次遠遠小于0CG中的模體頻次。表明2CG和1CG模體是定向進化的，0CG模體是隨機進化的。1CG模體分布的最概然相對模體數(shù)在不同物種和各類序列中明顯大于0CG，表明定向進化是以CG二核苷為中心展開的。生物進化水平越高級，所有序列的0CG、1CG和2CG三個模體分布中心之間的距離越大。對同一個物種，

6、基因間序列和內(nèi)含子序列的三個模體分布中心之間的距離無明顯差別?；蜷g序列和內(nèi)含子序列的三個模體分布中心距離隨物種進化顯著增大，而編碼序列的三個模體分布中心距離隨物種進化增大緩慢。表明編碼序列的進化具有保守性，物種進化主要體現(xiàn)在非編碼序列上。
　　綜上說述，基因組DNA序列是由0CG、1CG和2CG三類8-mer模體組成的。0CG模體的使用遵循隨機進化規(guī)律，1CG和2CG模體的使用遵循定向進化規(guī)律，而定向進化是以CG二核苷為中心展開