序列分析方法的構(gòu)建及其在基因組研究中的應(yīng)用.pdf

1、隨著測序技術(shù)的迅速發(fā)展和各種基因組計劃的相繼完成，數(shù)據(jù)庫中所積累的序列信息呈爆炸式增長。然而面對這些海量的由抽象字符串構(gòu)成的生物序列，我們卻難以直接獲得有效的信息。因此如何發(fā)展簡單、高效的序列分析方法將會為基因組分析相關(guān)研究提供有力的理論和技術(shù)保障。本課題基于多聚體核苷酸和蛋白質(zhì)序列分別提出了相應(yīng)的幾何分析方法，并針對微生物基因組中蛋白質(zhì)編碼基因重注釋等問題進行了深入研究，主要包括以下內(nèi)容。
　　 1.基于多聚體核苷酸的DNA序

2、列幾何分析方法的構(gòu)建。幾何方法由于其直觀化強、簡單有效等優(yōu)點在DNA序列分析中受到廣泛重視。已有幾何方法大多基于單核苷酸構(gòu)建而成，隨著功能基因組學(xué)的發(fā)展，二聯(lián)體、三聯(lián)體核苷酸等多聚體信息在基因組研究中發(fā)揮了更加重要的作用，然而由于高復(fù)雜性等原因目前基于多聚體核苷酸的幾何方法較少。本論文中，我們首先從游走模型角度分析了應(yīng)用較為成功的Z曲線理論，指出了幾何方法的共性，然后根據(jù)二聯(lián)體各位點堿基的理化特性，將16種二聯(lián)體核苷酸分布于笛卡爾直角坐

3、標系的四個象限中，進而提出一種新的幾何方法(DN曲線)。該方法克服了已有二聯(lián)體模型可視化功能差的弱點，可以直觀展現(xiàn)序列中二聯(lián)體核苷酸的組成及分布信息。通過對DNA序列相似性分析及甲型H1N1病毒基因組分析的應(yīng)用，結(jié)果表明該方法能夠很好地展現(xiàn)序列特征，并為今后相關(guān)研究提供了新的分析思路。與二聯(lián)體相比，三聯(lián)體核苷酸更為復(fù)雜。本論文中，我們根據(jù)三聯(lián)體各位點的堿基理化特性，將64種三聯(lián)體核苷酸分別用二維坐標(x,y)數(shù)值表示，提出了目前首個能夠

4、在可視化空間中直觀展現(xiàn)DNA序列中的三聯(lián)體組成及分布信息的幾何方法(TN曲線)。我們基于該方法提出了一系列特征參數(shù)，并應(yīng)用于保守基因識別、編碼/非編碼分析及DNA序列相似性分析等研究中，結(jié)果表明該方法比已有方法更可靠、提供的信息更多，且在蛋白質(zhì)編碼基因中具有很好的應(yīng)用價值。
　　 2.基于幾何方法的微生物基因組蛋白質(zhì)編碼基因的重注釋。對微生物基因組中蛋白質(zhì)編碼基因的預(yù)測工作已經(jīng)持續(xù)了近20年，然而越來越多的研究表明目前數(shù)據(jù)庫中廣

5、泛存在微生物基因組編碼基因錯誤注釋問題，這些錯誤數(shù)據(jù)的不斷積累將嚴重影響數(shù)據(jù)庫的質(zhì)量，甚至?xí)?dǎo)致錯誤的研究結(jié)論。本課題針對該問題進行了三方面工作。第一個工作中，我們提出了改進的TN曲線并將DNA序列中6個ORF用36個數(shù)值參數(shù)定量表示。然后結(jié)合Fisher判別方法，對當前幾種較有爭議的痘病毒和古細菌基因組中錯誤注釋蛋白質(zhì)編碼基因進行了識別，取得了準確率高于其他方法的預(yù)測結(jié)果。為了說明所篩選結(jié)果的可靠性，我們定義了一批數(shù)學(xué)參數(shù)，并將密碼子

6、偏好分析等統(tǒng)計方法應(yīng)用進來，結(jié)果表明該方法可靠性高。此外，針對幾何模型中普遍存在的人為參數(shù)設(shè)置問題，我們通過實例進行了分析討論。基于這些研究結(jié)果，在第二個工作中，我們將TN曲線系列方法和Z曲線方法有機結(jié)合提出了一套通用的微生物基因組蛋白質(zhì)編碼基因重注釋算法，并開發(fā)了首個網(wǎng)絡(luò)平臺www.cbi.seu.edu.cn/RPGM供用戶免費使用。該算法中，共有75個特征參數(shù)描述密碼子組成及分布、密碼子各位點堿基組成等信息，通過對61個微生物基因

7、組的實際應(yīng)用，取得了99.94％的平均預(yù)測準確率。隨后我們分別對這75個特征參數(shù)對應(yīng)的識別系數(shù)與基因組G+C含量和基因組大小之間的相互關(guān)系等問題進行了大量分析討論，結(jié)果表明這些參數(shù)能夠展現(xiàn)序列深層次信息，預(yù)測結(jié)果比已有方法準確、可靠。同時，對水平轉(zhuǎn)移基因問題的分析表明錯誤注釋的蛋白質(zhì)編碼基因也是導(dǎo)致目前水平轉(zhuǎn)移基因預(yù)測準確率低、假陽性高的主要原因。第三個工作中，將我們提出的重注釋算法與基因從頭預(yù)測方法結(jié)合，對在環(huán)境保護和新能源領(lǐng)域具有重

8、要應(yīng)用的硫還原地桿菌Geobacter sulfurreducens PCA蛋白質(zhì)編碼基因進行重預(yù)測，結(jié)果有16個目前注釋為編碼基因的ORF被預(yù)測為非編碼序列，并有104個新基因被發(fā)現(xiàn)，其中有41個用BLAST、COG等方法預(yù)測得到詳細的生物學(xué)功能。該工作避免了以往重注釋工作中伴隨的假陰性升高問題，因此為今后微生物基因組中蛋白質(zhì)編碼基因欠注釋問題提供了新的研究方法。
　　 3.蛋白質(zhì)序列幾何分析方法的構(gòu)建。與DNA相比，蛋白質(zhì)是

9、由20種氨基酸構(gòu)成的更為復(fù)雜的字符序列，針對蛋白質(zhì)序列的幾何方法起步晚、應(yīng)用少。本論文中，我們提出了兩種用于蛋白質(zhì)序列分析幾何方法。第一種方法中，我們將在蛋白質(zhì)三維結(jié)構(gòu)中具有重要作用的氨基酸靜電和疏水特性相關(guān)的理化參數(shù)融合，提出一種新的二維曲線來直觀顯示序列特征，通過與已有方法比較表明該方法具有提供信息多、可視化效果好等特點。通過將該曲線轉(zhuǎn)化為數(shù)值距離矩陣，我們提取了一系列數(shù)值參數(shù)作為蛋白質(zhì)序列的定量描述符，其在不同蛋白質(zhì)序列的相似性分