1、Genscan 介紹,劉 瑋 2001.11.1,Genscan的用途,基因的識別 外顯子 內(nèi)含子 基因間區(qū)域 轉(zhuǎn)錄信號 翻譯信號 剪接信號 等等,基因結(jié)構(gòu),基因識別的方法,利用同源比對.(blast) 基于基因中編碼序列和非編碼序列區(qū)域堿基的統(tǒng)計差異性. 根據(jù)真核基因的生物結(jié)構(gòu)，建立整體的基因預(yù)測模型.(Genscan),Genscan,Genscan程序是通過設(shè)計基因序列模型來得到真核生物的基因.其編碼區(qū)使用五階的馬可夫模型,而不使用來自同源信息的模型,使得Genscan的結(jié)果不依靠于目前的蛋白庫中的相似基因,從而提供了于同源基因識別不一樣的方法.,基因序列結(jié)構(gòu)模型,該模型本質(zhì)是不完全的馬

2、可夫模型(semi Markov),Genscan中使用state duration HMM 來說明. 模型可以看成序列: 順序的狀態(tài)集 qq1,q2,.,qn 狀態(tài)相對應(yīng)的長度集(持續(xù)時間) dd1,d2,.,dn, 對每一個狀態(tài), 使用分別概率模型P 形成長度為Ldi (I=1.n)的DNA序列,模型通過以下步驟形成的長度為L的序列： 1.由初始狀態(tài)集得到初始狀態(tài)q1 2.狀態(tài)q1相對應(yīng)的長度d1是由長度分配集Q給出 3.在q1,d1的條件下,應(yīng)用同q1相對應(yīng)的概率模型,形成長度為d1的序列片斷s1 4.后續(xù)狀態(tài)q2是根據(jù)q1由狀態(tài)轉(zhuǎn)換矩陣T(一階馬可夫)得到 這個過程一直重復(fù)直到長度達(dá)到

3、或超過L。序列就是片斷s的連接。,模型的四個主要元素：,初始概率向量 狀態(tài)轉(zhuǎn)移概率矩陣T 長度分配集 序列產(chǎn)生模型集P,模型的使用,由模型的四個參數(shù),可求出長度為d,狀態(tài)是q的序列片斷為基因的概率(即是先得到一個基因的概率模型,之后給定一個序列,通過比較模型和序列的相似程度來預(yù)測基因.) 使用到了向前算法和Viterbi算法.,模型參數(shù),初始概率和轉(zhuǎn)移概率根據(jù)CG含量的不同,將訓(xùn)練集分成四類根據(jù)統(tǒng)計得到. 模型的片斷的長度有以下幾點(diǎn) 內(nèi)含子和基因間的長度符合幾何分布,根據(jù)CG的不同分別的由參數(shù)q來決定 5 UTR（從轉(zhuǎn)錄起始點(diǎn)到翻譯起始點(diǎn)）長度為769 3 UTR （終止密碼子到PloyA尾）

4、長度為457 外顯子長度l3cI（c為生成的完整密碼子個數(shù)，I為相對應(yīng)的內(nèi)含子狀態(tài)（0，1，2，）。,序列產(chǎn)生模型集P 編碼區(qū)(外顯子)模型 外顯子使用3-periodic五階馬可夫模型.根據(jù)六聚體的結(jié)尾所處的密碼子的位置使用不同的轉(zhuǎn)移矩陣C1 C2 C3. 非編碼區(qū)模型(F,T,N,Ik) 使用五階的馬可夫模型,信號模型 一些信號使用WMM(重量矩陣方法) 受體剪接位點(diǎn)中使用改進(jìn)的WAM(重量隊列模型) 供體剪接位點(diǎn)中使用MDD(最大相關(guān)分解),轉(zhuǎn)錄和翻譯信號 PolyA信號是6bp的WMM模型 翻譯起始信號是12bp的WMM模型,其中開始的6bp是起始密碼子. 啟動子由于30%的真核生物沒有TATA信號,模型中以0.7的概率使用TATA-containing啟動子,0.3的概率使用TATA-less啟動子.,Genscan 的特點(diǎn),1.根據(jù)CG組分的不同使用不同的參數(shù)。 2.可識別序列中的多個基因。 3.新的受體和供位點(diǎn)的統(tǒng)計學(xué)模型。,模型的局限,僅能處理相鄰狀態(tài)間的相互作用 僅處理蛋白質(zhì)編碼基因(不用于tRNA,rRNA)