（计算机应用技术专业论文）x染色体ncdna结构分析.pdf

西南科技大学硕士研究生学位论文第1 页 摘要 随着人类基因组计划的顺利完成，生物信息学成为开启后基因组时代的 “金钥匙 ，其任务就是读懂人类基因组，这一研究的关键就是了解非编码 区的信息结构。因此，分析非编码区信息结构是基因组分析的重要内容，已 成为生物信息学研究的前沿课题。 论文重点研究了非编码d n a 序列中的串联重复序列以及具有剪切拼接 功能的锤头状结构功能元件，目的在于从微观阐明着丝粒和端粒的形成原因， 为物种进化的进一步研究奠定基础。论文采用的研究思路是先识别出非编码 d n a 序列中的串联重复序列，然后再搜索对其可能有操纵作用的功能序列， 如锤头结构。主要研究内容包括： ( 1 ) 构建本地x 染色体n c d n a 信息二级数据库。 ( 2 ) 采用基于后缀数组和最长公共前缀数组的算法来快速识别精确串联 重复序列，然后利用基于回绕动态规划的全局双序列比对改进算法，以精确 串联重复为核，将其扩展为模糊串联重复序列。 ( 3 ) 采用基于后缀数组和最长公共前缀数组的算法识别单个锤头状结构 序列。 论文实现了对人类和小鼠x 染色体n c d n a 序列进行分析的原型系统， 并对结果进行了可视化。测试结果表明，论文所采用的研究方法可行，达到 了预期的目的。 结构 关键词：非编码d n a 序列二级数据库串联重复序列锤头 西南科技大学硕士研究生学位论文第1 i 页 a b s t r a c t a l o n gw i t ht h eh u m a ng e n o m ep r o j e c th a v i n gb e e nc o m p l e t e ds u c c e s s f u l l y ， b i o i n f o r m a t i c sb e c o m e st h e “g o l dk e y ”f o ro p e n i n gt h ep o s tg e n o m ee r a ，i t s m i s s i o ni sc o m p r e h e n d st h eh u m a ng e n o m e ，a n dt h ek e yo ft h i sr e s e a r c hi sj u s t u n d e r s t a n d st h ei n f o r m a t i o ns t r u c t u r eo fn o n c o d i n gr e g i o n t h e r e f o r e ，a n a l y s i n g t h ei n f o r m a t i o ns t r u c t u r eo f n o n c o d i n gr e g i o ni sa ni m p o r t a n tc o n t e n to fg e n o m e a n a l y s i sa n di th a sb e c o m et h ef o r w a r ds u b j e c to fb i o i n f o r m a t i c s t h i sp a p e rf o c u s e so nr e s e a r c h i n gt h et a n d e mr e p e a t sa n dh a m m e r h e a d f u c t i o n a le l e m e n t s ，w h i c hm a yh a v es p l i c ef u n c t i o no nt h en o n - c o d i n gd n a s e q u e n c e s t h ep u r p o s ei st h a ti l l u s t r a t e st h er e a s o no ff o r m i n gc e n t r o m e r ea n d t e l o m e r eo nt h em i c r o c o s m i cs e n s e ，a n df o rt h es a k eo ft h ef u t h e rr e s e a r c ha b o u t s p e c i e se v o l u t i o n t h er e s e a r c ht h o u g h tw h i c ht h i s p a p e ra d o p t si st h a t ：f i r s t i d e n t i f y st h et a n d e mr e p e a t s o nn o n - c o d i n gr e g i o n ，a n dt h e ns e a r c h e st h e f u n c t i o n a ls e q u e n c e sw h ic hm a ym a n i p u l a t et h e m ，s u c ha sh a m m e r h e a ds t r u c t u r e t h em a i nr e s e a r c hc o n t e n t si n c l u d e d ： f i r s t l y ，c o n s t r u c tt h el o c a ls e c o n d a r yd a t a b a s ef o rx c h r o m o s o m en c - d n a i n f o r m a t i o n s e c o n d l y , a d o p tt h ea l g o r i t h mb a s e do ns u f f i xa r r a ya n dl o n g e s tc o m m o n p r e f i xa r r a yf o ri d e n t i f y i n ga c c u r a t et a n d e mr e p e a tq u i c k l y ，a n dt h e na p p l ya n i m p r o v e dg l o b a lp a i r w i s es e q u e n c ea l i g n m e n tb a s e do nt h ew r a p - a r o u n dd y n a m i c p r o g r a m m i n ga l g o r i t h m ，u s ea c c u r a t et a n d e ma sc o r e ，e x t e n di tt oa p p r o x i m a t e t a n d e mr e p e a t t h i r d l y ，a d o p tt h ea l g o r i t h mb a s e do ns u f f i xa r r a ya n dl o n g e s tc o m m o n p r e f i xa r r a yf o ri d e n t i l y i n gs i n g l eh a m m e r h e a ds e q u e n c e s t h i sp a p e rh a sr e a l i z e dt h ep r o t o t y p es y s t e mw h i c ha n a l y z e st h en c - d n a s e q u e n c e so fh u m a na n dm u sm u s e u l u sxc h r o m o s o m e ，a n dv i s u a l i z e st h er e s u l t s t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h er e s e a r c ha p p r o a c h e st h i sp a p e ru s e sa r e f e a s i b l e ，a n dh a ss e r v e dt h ea n t ic i p a t e dp u r p o s e k e yw o r d s ：n o n c o d i n gd n as e q u e n c e ；s e c o n d a r yd a t a b a s e ；t a n d e m r e p e a t ：h a m m e r h e a ds t r u c t u r e 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人 已经发表或撰写过的研究成果，也不包含为获得西南科技大学或其它教育机构的 学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已 在论文中作了明确的说明并表示了谢意。 签名：伤、奸日期：坷舌午 关于论文使用和授权的说明 本人完全了解西南科技大学有关保留、使用学位论文的规定，即：学校有权 保留学位论文的复印件，允许该论文被查阅和借阅；学校可以公布该论文的全部 或部分内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的学位论文在解密后应遵守此规定) 签名：简杨手 导师签名： 狮e l 期：研、户 西南科技大学硕士研究生学位论文第1 页 1 绪论 二十一世纪是生命科学的世纪，其里程碑就是历时数十年、耗资数十亿 的著名人类基因组计划( h u m a ng e n o m ep r o j e e t ，h g p ) 的实施。随着h g p 的 顺利完成，以及诸如线虫、果蝇、小鼠等模式生物基因组计划的相继完成或 全面实施，使有关核酸、蛋白质的序列和结构等分子生物数据呈指数方式增 长。然而基因组不仅是基因的简单排列，它有其特有的组织结构和信息结构， 这种结构是在长期的演化过程中产生的，也是基因发挥其功能所必须的。弄 清楚生物体基因组特有的信息结构和组织结构，发现生命遗传语言的根本规 律，研究重点已悄然由数据的积累转变到数据的处理。与此同时，在以数据 分析处理为本质的信息技术的发展，按照摩尔定律飞速前进的计算机硬件， 以及日益普及的互连网技术，为生物信息资源的研究和应用带来了福音。及 时、充分、有效地利用网络上不断增长的生物信息数据库资源，已经成为生 命科学和生物技术研究开发的必要手段；核酸和蛋白质序列、结构、功能分 析软件已经成为生物学、医学、药物学、农学和环境科学等领域的必备工具。 1 1 本文研究背景 随着后基因组时代的到来，为了对整个基因组进行分析，了解生物进化 的规律，基因组中非编码区信息结构分析越来越受到重视。虽然非编码区生 物学意义目前尚不是很清楚，但从生物进化的观点来看，其中必然蕴涵着重 要的生物学功能。早期遗传学理论认为，由于功能基因决定生物物种的各种 表现型，因此可以推断不同的生物物种其遗传基因也一定大为不同。然而， 2 0 世纪后期对多个物种进行的大规模测序工作以及物种间的功能基因比对 工作结果表明：在基因组水平上，物种的差异很小，即使像人和老鼠这样的 差别，在功能基因数量、一级结构及其表达等方面差别也不大。例如，基因 组研究发现，人和鼠的基因组大小相似，都含有约三十亿碱基对，基因的数 目也类似，可是人和鼠差异确如此之大。同样，有的科学家估计，不同人种 间基因组的差别不大于o 1 ，人猿间差别不大于1 【t 】。大量证据提示我们， 如果从物种进化的角度考察基因组，则整个基因组中，非编码序列有可能远 比编码功能基因的序列部分更为重要。因此，基因组中非编码区信息结构分 析是基因组分析的重要内容，已成为现代生物信息研究的前沿课题。 同时，在非编码区域，存在大量串联重复序列，其中具有重要生物学功 西南科技大学硕士研究生学位论文第2 页 能的两种序列就是着丝粒序列和端粒序列。它们的出现是生物进化的重要事 件，端粒结构能够使真核生物线形d n a 分子在细胞核内环境下保持稳定， 因此这一结构是原核生物与真核生物在d n a 分子结构上的根本性分界线。 着丝粒结构是保证染色体与纺锤丝相互联结与分开的结构，缺乏着丝粒将使 染色体不能够平均分配到两个子代细胞中。因此，着丝粒结构是有性生殖细 胞配予体结合的必要结构，是有性生殖真核生物染色体的特征。这两种结构 都是由卫星d n a 组成，属于非编码区的串联重复序列，自身结构非常简单， 不可能通过自身形成重复结构的扩增。因此，可以推断，在着丝粒结构附近 一定存在其操纵结构，并且这一结构一定是一段不编码蛋白质的d n a 序列， 否则就能够通过筛选蛋白质的方式发现并命名其为一段基因序列。目前，我 们已知的具有功能的r n a 分子是具有锤头结构的核酶，锤头状核酶具有催 化r n a 分子剪切和拼接的功能。因此，生物学专家认为，具有与锤头状核 酶序列相同序列的d n a 分子片段在解聚状态下能够通过自组织形成与锤头 状核酶相似的三维结构，并具有相似功能。这一结构可以构成功能性非编码 d n a 分子片段的催化结构域。因此，分析不同物种非编码区的串联重复序列 特征及寻找其前的功能元件，分析它们之间的关系，是非编码序列分析的重 要内容，对研究非编码序列在物种进化过程中的生物学意义具有重要作用。 1 1 1 生物信息学概述 众所周知，数据并不等于信息和知识，但却是信息和知识的源泉，关键 就在于如何从它们中挖掘潜在的有用信息，转化为知识。近年来，生命科学 获得了突破性的进展，随着基因组研究的进展与现代生物技术的发展，积累 了大量的各种生物数据，提供了揭开生命奥秘的数据基础。生物数据种类丰 富，高通量，维数高，本质上具有分布异构性与多样性，远远超出传统的分 析方法的能力和速度，生物数据的分析成为生物研究的瓶颈，其处理、挖掘、 分析和理解日益迫切。因此，生物数据数据挖掘等决策支持技术因其在大规 模数据处理方面的卓越能力而在其中占据越来越重要的地位。一方面是海量 的生物信息数据，另一方面是我们在医学、药物、农业和环保等各个方面对 信息、知识的渴求，这就构成了一个极大的矛盾。这个矛盾就催生了一门新 兴的交叉科学，即生物信息学，它也是分子生物学与信息技术结合的应用。 ( 1 ) 生物信息学的概念 生物信息学( b i o i n f o r m a t i c s )词来源于d r h w aa l i r n ( 林华安) 提出的 “b i o n i n f o r m a t i q u e ，是8 0 年代末随着人类基因组计划的启动而兴起的一 西南科技大学硕士研究生学位论文第3 页 门新兴的交叉学科。它是当今生命科学和自然科学的重大前沿领域之一，同 时也是2 l 世纪自然科学的核心领域之一。广义地说，生物信息学从事对基因 组研究的相关生物信息的获取、加工、储存、分配、分析和解释。具体地说， 生物信息学是把基因组d n a 序列信息分析作为源头，找到基因组序列中代 表蛋白质和r n a 基因的编码区；同时，阐明基因组中大量存在的非编码区 的信息实质，破译隐藏在d n a 序列中的遗传语言规律；在此基础上，归纳、 整理与基因组遗传信息释放及其调控相关的转录谱和蛋白质谱的数据，从而 认识代谢、发育、分化、进化的规律。 ( 2 ) 生物信息学的研究内容 生物信息学在短短十几年间，已经形成了多个研究方向。从目前的研究 现状来看，它的研究内容主要包括以下几个方面： 基因组相关信息的收集、存储、管理与提供。包括生物信息数据库的 建立和维护，以及各种服务的提供，特别是专业数据库的开发；基因组信息 的可视化和专家系统。 基因组序列信息的提取和分析。包括新基因的发现与鉴定，如利用 e s t ( e x p r e s s e ds e q u e n c et a g s ) 数据库发现新基因，从基因组d n a 测序数据 中确定编码区；基因组中非编码区信息结构分析，主要涉及非编码区中各种 组分的分类与确定，寻找新的非三联体的编码方式，编码区和非编码区信息 调节规律的研究；利用生物信息研究遗传密码起源、基因组结构的演化以及 基因组信息与生物进化关系等生物学的重大问题。 功能基因相关信息分析。包括与基因组信息相关的核酸、蛋白质分子 空间结构的预测、模拟，以及蛋白质功能预测的研究；基因表达调控网络的 研究等。 生物大分子结构模拟和药物设计。包括r n a ( 核糖核酸) 的结构模拟和 反义r n a 的分子设计；蛋白质空间结构模拟和分子设计；具有不同功能域 的复合蛋白质以及连接肽的设计；生物活性分子的电子结构计算和设计；基 于d n a 结构的药物设计等。 生物信息分析的技术与方法研究。包括发展有效的能支持大尺度作图 与测序需要的软件、数据库以及若干数据库工具；改进现有的理论分析方法， 创建一切适用于基因组信息分析的新方法、新技术；建立快速、严格的多序 列比较方法等。 应用与发展研究。构建与疾病相关的人类基因信息数据库，发展患者 样品序列信息测试与检测技术，建立与动植物良种繁殖相关的数据库以及发 西南科技大学硕士研究生学位论文第4 页 展基于序列信息的分子生物学技术。 1 1 2 生物信息学与数据挖掘 随着计算机技术的快速发展，存储在各种数据库中的数据不断猛涨。面 对这些浩如烟海的信息，如何帮助人们有效地收集和选择感兴趣的信息，特 别是如何帮助人们在日益增多的信息中自动发现新的概念并自动分析它们之 间的关系，从而揭示这些信息背后隐藏的知识，已经成为信息技术领域的热 点问题。数据挖掘就是为了满足这种需求而产生并发展起来的，已经应用于 多个领域。 数据挖掘( d a t am i n i n g ，d m ) ，也被称为数据库中的知识发现( k n o w l e d g e d i s c o v e r yi nd a t a b a s e ，k d d ) 出现于2 0 世纪8 0 年代后期，是一门交叉学科。 它是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提 取出隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过 程【2 】。 大量生物学实验积累了海量的生物信息数据。如何有效地进行数据的采 集、整理、检索、分析，从中提取规律，上升为理论，指导研究工作，以便 “读懂基因组的遗传信息，对生物信息学提出了很高的要求，也对信息理 论与技术提出了挑战。数据挖掘作为一种以数据库、统计学和人工智能学为 基础的新兴技术，给基因组学家们提供了前所未有的数据分析工具，为基因 和蛋白信息的分析和提取提供了强有力的手段。如何将众多的数据挖掘技术 应用于生物信息分析，包括适合生物信息处理的数据挖掘体系架构、算法的 开发、新的数据挖掘分析功能研究等成了当前的研究热点。 生物学技术往往会产生大量的嘈杂数据，与数据挖掘类似，生物信息学 利用数学工具从大量数据中提取有用的生物学信息。目前生物信息知识发现 中应用的数据挖掘技术包括： ( 1 ) 构建基因数据库或数据仓库：由于广泛多样的d n a 数据高度分散， 为了便于对d n a 数据库进行系统分析，需要利用数据挖掘中的数据清理和 数据集成的方法来构造集成式数据仓库和开发分布式数据库，用于存储、管 理和导出原始的生物学数据。 ( 2 ) 序列模式分析：多核苷蛋白质序列间的相似搜索和比较是基因分析中 最重要的问题之一。由于基因数据是非数字的，所以数据挖掘中针对非数字 的序列模式分析方法在基因序列比对中能起到非常重要的作用。 ( 3 ) 关联分析：大部分疾病不是由一个基因引起的，而是由多个基因组合 西南科技大学硕士研究生学位论文第5 页 起来共同起作用的结果。因此，采用数据挖掘中的关联分析方法有助于发现 基因组间的联系，进而揭示人类疾病背后的基因原因。 ( 4 ) 可视化：基因的复杂结构和序列模式常常需要由各种可视化工具以 图、树、链等形式来表现。可视化工具有助于生物信息的模式理解和知识发 现。 由此可见，数据挖掘与生物信息学有很好的结合点，同时也为计算学科 提供了令人兴奋和具有挑战性的研究与应用领域【s 】。 数据挖掘过程是一个反复的、不断求精的迭代过程。数据挖掘的一般步 骤包括，数据预处理，数据挖掘，模式评估，知识表示。虽然在不同的应用 领域，数据挖掘算法有所不同，但是它们都遵循数据挖掘的一般步骤。对于 生物信息数据，其数据挖掘的一般步骤是： ( 1 ) 理解数据的生物学意义：在进行数据挖掘之前，首先要了解该领域的 背景，理解现有数据的生物学意义，定义问题，确定数据挖掘的目标，并制 定拟采用的方法与进行计划等i l 。 ( 2 ) 数据预处理：数据预处理通常包括数据清理与集成、数据选择与变换 两部分。原始的生物数据通常是有噪声的、不完整的和不一致的，因此有必 要对其进行净化处理，包括纠正、去除或忽略噪声，决定如何处理特殊值( 如 空缺值) 等。通过对分布广泛的异构数据库进行语义集成，从相关数据库中检 索与挖掘任务相关的数据，并将这些数据转换成合适的挖掘形式，建立数据 分析模型。 ( 3 ) 数据挖掘：对于已经确定的数据分析模型，使用智能方法提取数据模 式。对于生物数据，常见的数据挖掘算法有：人工神经网络、动态规划、决 策树、遗传算法、最邻近技术、马尔可夫链模型、隐马尔可夫链模型、可视 化技术等吲。在选择算法时，可以根据所挖掘的数据的特征选择其中一种或 综合几种算法。 ( 4 ) 模式评估：模式评估即从已产生的模式或规则中发现有趣的模式。在 评估过程中，首先要考察模式的可理解性，并且在定程度上必须是新颖的、 具有一定的生物学意义。目前模式评估主要采用客观度量( 评分函数、支持度 等) 和反映特定用户需要和兴趣的主观度量相结合的方法。 ( 5 ) 知识表示：使用可视化技术和知识表示技术，以简单、直观、易于理 解的形式向用户提供挖掘的知识。 然而，生物信息或基因数据挖掘在商业上很难讲有多大的价值，但对于 人类却受益匪浅。例如，基因的组合千变万化，得某种病的人的基因和正常 西南科技大学硕士研究生学位论文第6 页 人的基因到底差别多大? 能否找出其中不同的地方，进而对其不同之处加以 改变，使之成为正常基因? 如何分析生物的遗传物质d n a 序列，读懂其中 所蕴涵的遗传密码? 这都需要数据挖掘技术的支持。对于生物信息或基因的 数据挖掘和通常的数据挖掘相比，无论在数据的复杂程度、数据量、还有分 析和建立模型的算法而言，都要复杂得多。从分析算法上讲，更需要一些新 的和好的算法。目前，数据挖掘在生物信息学方面的一个应用研究就是针对 不同的生物数据特性，设计不同的挖掘算法，如对基因芯片数据进行聚类分 析的算法、d n a 序列和蛋白质序列模式比对分析算法等。 1 1 3 非编码区序列简介 基因是具有遗传效应的d n a 片段，染色体是d n a 的主要载体。因此， 染色体、d n a 和基因之间有直接联系。根据是否编码蛋白质来划分，基因结 构分为编码区和非编码区。真核生物的编码区是间隔的、不连续的。它包含 能够编码蛋白质的外显子和不能编码蛋白质的内含子。一般非编码区具有基 因表达的调控功能，控制转录的开始和结束，如启动子、终止子等调控元件 都在非编码区。编码区则转录为m r n a ，并最终翻译成蛋白质。 在真核生物基因组中，非编码区存在大量重复序列，包括串联重复序列 ( t a n d e mr e p e a t ) 和散在重复序列( i n t e r s p e r s e dr e p e a t ) 。它不仅在顺式调控元件 如启动子、增强子、终止子处被大量发现。更为重要的是，大量串联重复序 列，如卫星d n a ( s a t e l l i t ed n a ) 、小卫星d n a ( m i n i s a t e l l i t ed n a ) 等能够促使 核酸形成高级结构，最终分化为常染色质( e u c h r o m a t i n ) 和异染色质 ( h e t e r o c h r o m a t i n ) 。同时它组成着丝粒序列、端粒序列，使d n a 进一步包装 成染色体。这样，核酸序列在整体上就有了结构的分工：在编码序列之间， 出现了大量间隔序列。而这种间隔序列决定了编码序列的表达，并且控制着 染色体的空间构象。所以，这两种序列就使基因组的功能更加完整。基因组 和结合于其上的各种蛋白质构成一个高效准确的基因调控网络，而重复序列 则参与到顺式调控元件、表观遗传修饰、染色质的重建等重要的程序中1 6 】。 这样，就使基因调控网络的功能趋于完备。 近年来完整基因组的研究表明，在细菌这样的微生物中非编码区只占整 个基因组序列的1 0 到2 0 ，而高等生物和人的基因组中非编码区都占到基 因组序列的绝大部分。迄今为止，人们真正掌握规律的只有d n a 上的编码 蛋白质的区域( 基因) ，很多资料说明这部分序列只占基因组的3 到5 ，也 就是说，人类基因组中多达9 5 到9 7 是非编码区1 7 1 1 5 1 。从生物进化的观点 西南科技大学硕士研究生学位论文第7 页 看来，随着生物体功能的完善和复杂化，非编码区序列明显增加的趋势表明： 这部分序列必定具有重要的生物功能。普遍的认识是，它们与基因在四维时 空的表达调控有关。因此，有必要对其分类，建立专门的数据库进行分析。 1 1 4 本文的目的和意义 本文主要研究基因间的非编码区基因序列比对相似性，同时在分析非编 码区序列结构的基础上，进行跨物种比较。考察目前已经进行全面测序的生 物物种，发现哺乳动物性染色体符合要求的跨物种的结构与功能上的可比性。 本文主要是对人类和小鼠的x 染色体n c d n a ( n o n c o d i n gd n a ) 结构进行分 析。 本文通过对非编码区串联重复序列、锤头状结构的功能序列识别方法、 可视化方法等进行探索，设计并实现了识别不同物种x 染色体n c d n a 中 串联重复序列以及与锤头结构具有相似序列特征的功能序列的原型系统。旨 在通过对所挖掘出的序列模式的类型、分布情况等特征进行分析，寻找非编 码区序列中起调控作用的操纵结构。从而为生物信息领域的研究提供了从微 观上阐明着丝粒结构和端粒结构产生的原因，以及非编码区序列与进化的关 系，为基因组非编码区信息结构分析的进一步广泛研究奠定基础。 1 2国内外研究现状 1 2 1生物信息学发展概述 人类基因组计划为生物信息学提供了兴盛的契机，创造了施展身手的巨 大空间。国外一直非常重视生物信息学的发展，各种专业研究机构和公司如 雨后春笋般涌现出来。现在世界上已有4 个比较权威的生物信息学中心【9 】， 他们分别是美国国家生物技术信息中心( n c b i ) 、基因组序列数据库中心 ( g s d b ) 、欧洲生物信息学研究所( e b i ) 以及日本信息生物学中心( c i b ) 。1 9 8 8 年，e m b l 、g e n b a n k 与d d b j 共同成立了国际核酸序列联合数据库中心， 建立了合作关系。这三大国际核酸序列数据库成为广泛使用的一级数据库。 近年来，世界各国的生物学家和计算机科学家合作，已开发了几百个二次数 据库和复合数据库，也称专门数据库、专用数据库1 1 0 1 。例如，以核酸数据库 为基础构建的二次数据库有基因调控转录因子数据库t r a n s f a c ，真核生物启 动子数据库e p d ；以蛋白质序列数据库为基础构建的二次数据库有蛋白质功 能位点与模式数据库p r o s i t e ，蛋白质功能位点序列片段数据库p r i n t s 等。 西南科技大学硕士研究生学位论文第8 页 从数据分析技术的角度来讲，早在1 9 6 2 年，z u e k e r k a n d l 和p a u l i n g 就将 序列变异分析与其演化关系联系起来，从而开辟了分子演化的崭新研究领域； 1 9 6 4 年，d a v i e s 开创了蛋白质结构预测的研究；1 9 7 0 年，n e e d l e m a n 和w u n s e h 发表了广受重视的双序列比较算法；1 9 7 4 年，r a t n e r 首先运用理论方法对分 子遗传调控系统进行处理分析；1 9 7 5 年，p i p a s 和m c m a h o n 首先提出运用计 算机技术预测r n a 二级结构；随着1 9 7 6 年之后大量生物学数据分析技术的 涌现，s c i e n c e 于1 9 8 0 年第2 0 9 卷就已经发表了关于计算分子生物学的综述： 正如我们现在所看到的那样，在八九十年代，生物学数据分析技术在国外更 是获得了突飞猛进的发展。 国内对生物信息学领域也越来越重视，自北京大学物理化学研究所于 1 9 9 6 年建立了国内第一家生物信息学网络服务器以来，我国生物信息学也蓬 勃发展了起来。北京大学于1 9 9 7 年3 月成立了生物信息学中心，是欧洲分子 生物学网络组织e m n e t 的中国国家节点。中科院上海生命科学研究院也于 2 0 0 0 年3 月成立了生物信息学中心，分别维护着国内两个专业水平相对较高 的生物信息学网站，但从全国总体上来看与国际水平差距很大。一方面，国 内生物( 医药) 科学研究与开发对生物信息学研究和服务的需求市场非常广 阔，另一方面，真正开展生物信息学具体研究和服务的机构或公司却相对较 少，仅有的几家科研机构主要开展生物信息学理论研究；目前国内互联网上 已经有了几家生物信息学网站，但大部分偏于所有生物( 医) 学领域的新闻报 道，生物信息学专业技术服务的含量太少，研究力量薄弱，这就与国外有了 较大差距。 1 2 2 非编码区信息结构分析 以前对生物序列分析的一个共同特点就是对非编码区的研究不够，大多 是将编码区和非编码区不加区分，混在一起进行分析，而将非编码区分成内 含子和基因间隔区d n a ( i n t e r g e n i ed n a ) 两个区域的研究更少。但是，基于 非编码区研究的重要意义，及几个复杂真核生物全基因组d n a 序列的测定， 很多学者已经陆续对非编码区进行了研究。近年来，研究人员已成功分析了 很多被人们称为垃圾d n a 序列( 非编码d n a 序列) ，鉴定出些在控制基因 功能方面起关键性作用的d n a 序列区域，证实了“垃圾d n a 序列可能并不 是这么没有价值 1 1 1 1 1 1 2 1 1 3 1 。这表明，非编码区d n a 序列同样隐藏着能为生物 实验提供指导的信息，而数据挖掘技术无疑是辅助发现这些隐藏信息的有效 手段。 西南科技大学硕士研究生学位论文第9 页 在国外，对非编码区序列的研究相对较早。1 9 9 5 年，g e r h a r dw a l l n e r 等 人使用c l u s t a l 程序，通过多序列比对，对黄病毒3 的非编码区进行分析 研究，说明序列中的很多区域最初是通过复制和重组获得的，但是在近来的 进化过程中，这个区域的各种蛋白质又被丢失，导致现在观察到的非同源的 3 非编码区序列的产生【1 4 】。r o s sc h a r d i s o n 研究了人和老鼠保守的非编码 d n a ，说明保守的非编码序列影响编码的白细胞介素基因的表达，且在不同 的位点对表达的调控也不同 1 5 1 。g a l i n av g l a z k o ，n i c kg c s m i t h 等人，分 别对d n a 非编码区的序列进行了分析和研究，说明非编码区序列的调控作 用1 1 6 1 1 7 1 。在国内，这方面的研究起步较晚。在该领域取得突出成果的是陈润 生院士和他的课题组。在非编码基因领域，他以线虫为对象发现了百余个新 的非编码基因，确定了两个非编码基因家族，发现了三个特异的非编码基因 启动子，显示非编码基因有一套独立的转录调控系统【l s l 。同时，很多学者也 对特定基因位点的非编码区序列进行了分析1 1 9 1 1 2 0 1 1 2 t 1 。但是，国内对非编码区 的序列分析一般采用实验室的自动分析仪对序列进行测序，然后再进行序列 比对分析的方法。由此可见，如何利用计算机技术从大量非编码序列中自动 识别、分析其序列特征已成为一个急待解决的问题。另一方面，由于目前对 非编码区信息结构了解得不多，各自的研究对象不同，没有公认的分析方法。 因此，分析非编码区d n a 序列需要大胆的设想和崭新的研究思路和方法。 1 3课题来源 本课题是与四川省医药科学院实验动物研究所合作的项目，旨在通过对 非编码区序列如串联重复序列、锤头状结构序列识别方法的研究，分析其结 构特征，从中找出其分布规律，以及所蕴涵的生物学意义，为进一步研究物 种进化提供必要的参考和信息。 1 4 本文的主要研究工作和贡献 本文根据非编码区序列的特征，对人类和小鼠x 染色体基因间的非编码 d n a 序列结构进行了研究和分析，主要研究成果和贡献如下： ( 1 ) 构建了人类和小鼠x 染色体n c d n a 生物信息的本地二级数据库。 根据x 染色体非编码序列结构分析的特征，设计了满足这些特征的数据库结 构。从n c b i 网站下载所需要的非编码序列基本信息的数据文件，采用自动 西南科技大学硕士研究生学位论文第1 0 页 传参，读取并解析h t m l 源码的方法，经过分析筛选等预处理后，存储到数 据库中，为序列比对算法提供完整的、无噪声的信息。分析的结果同样存储 到数据库中，以便下一步为分析结果的可视化提供数据源。 ( 2 ) 采用基于后缀数组和最长公共前缀数组( l o n g e s tc o m m o np r e f i x a r r a y ，l c p 数组) 的算法来识别精确串联重复序列。串联重复序列是非编码区 序列结构的主要特征，具有重要的生物学功能。本文采用精确串联重复序列 识别算法，它能够快速地识别出用户感兴趣的所有精确串联重复序列，是模 糊串联重复序列识别的关键算法之一。 ( 3 ) 根据非编码序列特征，采用一致性评分标准，提出了基于回绕动态规 划的全局双序列比对的改进算法，即根据精确串联的不同周期，动态地计算 得分矩阵。该算法是将精确串联重复扩展为具有插入、删除和替换操作的模 糊串联重复。在一定变异度阈值下，尽可能地恢复串联重复序列变异前的特 征。 ( 4 ) 采用基于后缀数组和最长公共前缀数组的方法识别具有类似锤头结 构的功能序列。通过分析具有催化剪接功能的锤头结构的一级序列特征，将 识别锤头状结构序列转化为先识别广义回文序列，即单个锤头结构序列一级 特征模式，然后根据其组合方式识别锤头状结构的序列。通过分析锤头状结 构序列与串联重复序列的位置关系，为进一步研究其对串联重复的操纵作用 提供参考信息。 ( 5 ) 可视化分析结果。本文设计并开发了识别串联重复序列和具有锤头结 构一级特征的功能序列的原型系统，并对识别的结果进行统计分析，采用折 线图、饼图等直观的可视化方法使得分析结果简单易懂。 测试结果表明，本文提出的识别串联重复序列和锤头状结构序列的算法 能有效地定位分析用户感兴趣的序列。研究结果分析表明，本文所得出的生 物学结论与已有研究一致t s s j ，即非编码区存在大量的五碱基类型的串联重复 序列。这说明本文采用的分析非编码区序列结构的方法有效，同时也证明本 文提出的假设具有一定的科学性，即在串联重复序列前存在着一级序列特征 类似锤头结构的功能序列。这一结构是否就是在物种进化过程中，具有协同 性影响的功能序列组合，有待生物学专家的进一步验证。 1 5 本文组织结构 本文主要围绕人类和小鼠x 染色体非编码d n a 序列结构分析系统进行， 西南科技大学硕士研究生学位论文第1 1 页 主要包括构建本地x 染色体非编码序列生物信息二级数据库、识别串联重复 序列、识别锤头状结构序列以及结果分析。在总结和分析现有非编码序列结 构分析方法的基础上，设计并实现了针对本文序列分析要求的系统设计思想 和方法。文章的结构安排如下： 第一章，绪论。主要介绍课题的背景知识、研究意义、国内外研究现状 以及本文的研究内容和所采用的方法。 第二章，构建本地x 染色体非编码序列二级数据库。首先介绍了二级数 据库的概念和建立二级数据库的必要性，然后介绍了构建二级数据库的常用 方法，最后结合本课题所研究的具体对象的特点，详细描述了本文二级数据 库的设计和构建方法。 第三章，阐述精确串联重复序列识别算法。在本文中，识别精确串联重 复是识别模糊串联重复非常重要的步骤。本章首先介绍了串联重复序列的相 关知识和常用方法，然后详述了后缀数组和l c p 数组的计算，精确串联重复 序列识别算法的理论基础和具体算法，最后简述了算法的实现，并用实例证 明了该算法的可行性。 第四章，阐述模糊串联重复序列识别算法。首先给出了模糊串联重复序 列的定义，然后详细介绍了改进后的回绕动态规划全局双序列比对算法，在 此基础上，结合精确串联重复序列识别算法得到模糊串联重复识别算法，最 后简述了算法的实现，并用实例证明了算法的有效性。 第五章，阐述锤头状结构序列识别算法设计与实现。首先介绍了本文所 要分析的功能序列结构特征，然后详细描述了功能序列识别算法的思想和步 骤，最后用实例证明了该方法的可行性和有效性。 第六章，原型系统的设计与实现。详细介绍了本文设计的原型系统的运 行环境、系统总体结构设计；然后介绍了人类和小鼠x 染色体非编码d n a 序列数据的测试结果，并对结果进行可视化统计分析；最后根据分析的结果 得出了与已有研究结果相同的生物学结论，证明了本文所采用的技术路线可 行，提出的假设具有一定科学性。 最后是结论与展望。总结了本文的研究成果和创新点，并对后续工作及 需要进行深入研究的方向进行了展望。 西南科技大学硕士研究生学位论文第1 2 页 2 构建本地非编码序n - 级数据库 2 1 二级数据库简介 2 1 1生物信息数据库的特点 分子生物信息数据库大体可以分为四大类：基因组数据库、核酸和蛋白 质一级结构序列数据库、生物大分子( 主要是蛋白质) 三维空间结构数据库以 及以前三类数据库和文献资料为基础构建的二次数据库。基因组数据库来自 基因组作图，序列数据库来自序列测定，结构数据库来自x 衍射和核磁共振 结构测定。这些数据库是分子生物信息学的基本数据资源，通常称为基本数 据库或一级数据库。根据生命科学不同研究领域的实际需要，对基因组图谱、 核酸和蛋白质序列、蛋白质结构以及文献等数据进行分析、整理、归纳、注 释，构建具有特殊生物学意义和专门用途的二次数据库，是数据库开发的有 效途径。 一般说来，一次数据库的数据容量大，更新速度快，用户面广，通常需 要高性能的计算机硬件、大容量的磁盘空间和专门的数据库管理系统支撑。 例如，欧洲生物信息学研究所用o r a c l e 数据库软件管理、维护核酸数据库 e m b l 。而基因组数据库g d b 的管理、运行则基于s y b a s g 数据库系统，即 使是安装其镜像，也需要有s y b a s e 支撑。o r a c l e 和s y b a s e 均为流行的数据 库管理商业软件。而二次数据库的容量则要小得多，更新速度也不像一次数 据库那样快，也可以不用大型商业数据库软件支撑。许多二次数据库的开发 基于w c b 浏览器，使用超文本语言h t m l 和j a v a 程序编写的图形界面，有 的还带有搜索程序。这类针对不同问题开发的二次数据库的最大特点是使用 方便，特别适用于计算机使用经验并不丰富的生物学家。 2 1 2 构建本地二级数据库的必要性 据统计，1 9 8 2 年的第一个核酸序列数据库g e n b a n k 仅有6 0 6 条序列，规 模为6 8 0 3 3 8 b p ；到1 9 9 8 年1 2 月，g e n b a n k 中收集的核酸序列已达3 0 4 4 0 0 0 条；而2 0 0 6 年8 月发布的数据显示，有6 11 3 2 5 9 9 条序列1 2 2 j 。建立各种生物 信息数据库是存储生物数据的重要步骤，尽管世界各国构建的数据库较多， 但是我国生物信息学起步较晚，构建我们自己的基因数据库并不多。大多数 的科研机构和商业公司都是用的国际上三大数据库的公共数据，我们自己开 发的一些软件也是调用n c b i 数据库的接口，这样做有一些弊端，它限制了 西南科技大学硕士研究生学位论文第1 3 页 我们很多自主软件的研究和开发，同时受到诸如网络速度、费用、语言障碍 等限制。如果有针对的建立本地数据库，可以非常方便的读取数据、开发我 们自己的生物信息学算法和软件。 同时，由于大多数基因数据库是用大型商用的o r a c l e 或s y b a s e 数据库 管理和维护，其使用费用非常昂贵，对服务器的要求非常高，并且这些软件 运行的操作系统大都是u n i x 。在u n i x 操作系统下维护数据库和操作数据库 需要专业的人员，即使是建立镜像站，也得安装这些系统。这样，限制了很 多计算机背景知识并不好的分子生物学专家和生物信息学专家的使用。同时， 目前