基因預(yù)測11.基因預(yù)測意義2.基因預(yù)測原理3.基因預(yù)測常用軟件4.存在的主要問題21.基因預(yù)測意義3

據(jù)GOLD（GenomesOnLineDatabase）網(wǎng)站統(tǒng)計(jì)，截止到2009年3月1日，已經(jīng)完成測序的基因組有958種，正在進(jìn)行測序的多達(dá)3655種。52.基因預(yù)測原理??????原核基因結(jié)構(gòu)真核基因結(jié)構(gòu)馬爾可夫模型與隱馬爾可夫模型基因預(yù)測算法的分類原核生物中的基因預(yù)測真核生物中的基因預(yù)測6

2.1原核基因結(jié)構(gòu)?原核生物基因組小，基因密度高，很少存在重復(fù)序列， 一個(gè)基因是由編碼一個(gè)蛋白質(zhì)或RNA的開封閱讀框構(gòu)成， 中間沒有間斷。?細(xì)菌的起始密碼子為:ATG,GTG,TTG?核糖體結(jié)合位點(diǎn)(Shine-Delgaronsequence)?終止密碼子較容易確定?轉(zhuǎn)錄終止子?密碼子偏好性翻譯起始位點(diǎn)翻譯終止位點(diǎn)編碼區(qū)轉(zhuǎn)錄終止子TTTTT

7轉(zhuǎn)錄起始位點(diǎn) AGGAGGT 核糖體結(jié)合位點(diǎn)2.3馬爾可夫模型與隱馬爾可夫模型?馬爾可夫模型是描述一條DNA序列中核苷酸分布的模型。?用馬爾可夫模型進(jìn)行基因預(yù)測利用以下事實(shí)：編碼區(qū)寡核苷酸分布概率與非編碼區(qū)不同。9?統(tǒng)計(jì)分析表明密碼子對具有相關(guān)性。一組六聚體核苷 酸在編碼區(qū)出現(xiàn)的概率要比隨機(jī)分布概率高，因此， 用計(jì)算六聚體堿基概率的五階馬爾可夫模型來檢測編 碼區(qū)中核苷酸的相關(guān)性準(zhǔn)確度更高，也較為常用。?在基因內(nèi)容和長度分布上，非典型的基因和典型基因 是不同的，預(yù)測典型基因的模型可能會(huì)漏掉對非典型 基因的預(yù)測。為了使一個(gè)算法適用于整個(gè)基因組中的 全部基因，就需要更多的馬爾可夫模型。結(jié)合代表典 型與非典型核苷酸分布的不同的馬爾可夫模型，建立 了隱馬爾可夫模型預(yù)測算法。（Gene

2.4基因預(yù)測程序分類?基于從頭算的方法（Abinitio-based）：以給定的 序列本身來進(jìn)行預(yù)測，主要依賴于以下兩個(gè)特征：

基因信號（Genesignals）：包括起始終止密碼子，內(nèi) 含子剪接信號，轉(zhuǎn)錄因子結(jié)合位點(diǎn)，核糖體結(jié)合位點(diǎn)以及 Poly-A等。

基因內(nèi)容（Gcontent）：對編碼區(qū)的統(tǒng)計(jì)學(xué)上的 描述?？梢杂筛怕誓Ｐ停厚R爾可夫模型或隱馬爾可夫模型 檢測到這一特性，用以區(qū)別編碼與非編碼區(qū)。?基于同源性的方法（Homology-based）以檢索序 列與已知基因的序列最大的匹配為基礎(chǔ)。?基于一致性的算法（Consensusbased）以上兩種策10略相結(jié)合。2.5原核生物中的基因預(yù)測?由于原核生物基因組密度較高且沒有插入 基因，其預(yù)測較真核生物簡單。目前，基 于HMMs的原核生物基因預(yù)測算法已經(jīng)達(dá) 到相當(dāng)高的準(zhǔn)確度。?主要對真核生物中的基因預(yù)測做詳細(xì)介紹。112.6.1基于從頭算（Abinitio-based）?此程序的目標(biāo)是從非編碼序列中辨別外顯子，的程序隨后使外顯子以正確的次序排列。?主要困難之處在于正確識別外顯子。要預(yù)測外 顯子，算法依賴于兩個(gè)方面特征，基因信號和 基因內(nèi)容。其中，六聚體頻率對識別可能的編碼區(qū)來說是最具有鑒別力的。?以下分別介紹用判別分析和隱馬爾可夫模型進(jìn)行預(yù)測的原理。132.6.1.1用判別分析進(jìn)行預(yù)測?一些基因預(yù)測程序依賴于判別分析，線性判別 分析（LDA）或二次判別分析（QDA），來 提高準(zhǔn)確性。?LDA或QDA用編碼信號對應(yīng)的所有可能的3’端 剪接位點(diǎn)作二維圖，并用斜線或曲線來劃分編 碼與非編碼信號，這是以已知基因結(jié)構(gòu)的培訓(xùn) 數(shù)據(jù)集的知識為基礎(chǔ)的。?E.g:FGENES,MZEF.142.6.1.2用隱馬爾可夫模型進(jìn)行基因預(yù)測?GENESCAN是以網(wǎng)絡(luò)為基礎(chǔ)的基于五階馬爾可夫模型進(jìn)行基因預(yù)測的程序。?它結(jié)合六聚體頻率以及編碼信號（起始密碼子， TATAbox，帽子位點(diǎn)，poly-A等）進(jìn)行預(yù)測。?假定的外顯子能夠成為真外顯子的概率得分為P，只有當(dāng)P大于0.5時(shí)，才被認(rèn)為是可靠的。?此程序訓(xùn)練用于脊椎動(dòng)物、擬南芥（雙子葉植 物）和玉米（單子葉植物）。也可以用來預(yù)測 人類基因。152.6.3基于一致性（Consensus-based）的程序?由于不同的預(yù)測程序的靈敏度和特異性的差異，以綜合手 段為基礎(chǔ)的方法將多個(gè)程序的結(jié)果綜合起來進(jìn)行分析是十 分有必要的。?該方法將與大多數(shù)程序相一致的預(yù)測結(jié)果保留下來，其余的結(jié)果被刪除掉。?這種方法可以提高特異性，但會(huì)遺漏一些有用的新預(yù)測 （因?yàn)樾骂A(yù)測可能不被大多數(shù)程序認(rèn)可而被忽略掉了）。?E.g:GeneComber,DIGIT.173.基因預(yù)測常用軟件?適用于原核生物GeneMark,Glimmer,FGENESB?適用于真核生物GENSCAN,FGENESH,TwinScan181921222325264.存在的主要問題?假陽性（FalsePositive,FP）：多預(yù)測了假的編碼區(qū)，即在非編碼區(qū)預(yù)測出編碼區(qū)。?假陰性FalseNegative,FN）：漏掉了真實(shí)的編碼區(qū)，即將編碼區(qū)預(yù)測為非編碼區(qū)。（Over?過界預(yù)測（OPrediction,OP）：由于基因邊界很難準(zhǔn)確定位，預(yù)測經(jīng)常會(huì)超出實(shí)際邊界。?片段化（Fragmentation）：內(nèi)含子過大的基因，在預(yù)測時(shí)容易斷裂成兩個(gè)或多個(gè)基因。?融合化（Fusion）：距離過近的兩個(gè)或多個(gè)基因，29在預(yù)測時(shí)容易被融合成一個(gè)很大的基因。小結(jié)

基因的計(jì)算預(yù)測是基因組序列分析的各個(gè)過程中最為重要的一步。由于原核生物基因組密度較高且沒有插入基因，其預(yù)測較真核生物簡單。目前，基于HMMs的原核生物基因預(yù)測算法已經(jīng)達(dá)到相當(dāng)高的準(zhǔn)確度，但是對于真核生物預(yù)測還存在著許多問題。對于ab-initio算法，在進(jìn)行真核生物基因組預(yù)測時(shí)HMM算法能很好的區(qū)分外顯子-內(nèi)含子的界限，其主要的限制是對于統(tǒng)計(jì)模型訓(xùn)練的依賴性，訓(xùn)練使此方法變得物種專一。同