《基因组注释详解》PPT课件

基因组注释 基因组测序相关技术发展 2weeks 1 000 0 01 0 10 1 00 10 00 100 00 1 000 00 10 000 00 100 000 00 M Throughput Gb CostofperHumanGenome InnovationofNGSthroughput 3Gb 6Gb 20 30Gb 0 20 40 60 80 100 120 240 2007 2008 2009 2010 1990 2001 2012 2007 2010 0 001 Moore sLaw 更低的价格使得基于测序的科研和临床应用越来越被接受 13years 3 000 000 000 200Gb 300Gb 测序技术的发展带来测序价格的下降 Illumina Solexa GIIxGeneticAnalyzer50 95GB runIllumina Solexa HiSeq200GB run Roche 454GenomeSequencerFLX500Mb run AppliedBiosystemsSOLiD4100GB runAppliedBiosystemsSOLiD HQ300GB run 成熟的二代测序技术平台 高通量测序服务 未知基因组测序 Denovogenomesequencing 基因组重测序 Wholegenomeresequencing 高通量测序服务 外显子捕获测序 Targetexomecapture 全基因组甲基化测序 DNAmethylationsequencing 高通量测序服务 转录组测序 RNA seqsequencing microRNA测序 microRNAsequencing 高通量测序服务 元基因组测序 meta genomesequencing 未知病毒检测 Unknownvirusdetecting 两种测序策略 基于BAC的方法 先把基因组打碎成200 300kb的片段并制成BAC文库 再选择一些BAC进一步打碎成3kb左右的小片段 测序并拼接 全基因组鸟枪法 把基因组直接打碎成3kb左右的小片段 测序并拼接 基于BAC的方法 全基因组DNA随机打成大片段选择并克隆大片段排序 选择再打碎 克隆 测序 拼接 全基因组鸟枪法 基因组DNA随机打碎测序并拼接 拼接软件的新需求 能充分利用正反向测序的配对信息 避免重复序列造成的错误拼接能处理数以百万甚至千万计的数据程序并行化高效率比对能逐步拼接 基因组注释 Sequence GENESCAN ORFFinder GENEMARK GenePrediction TranscriptionRegulatoryRegion PredictedGeneOrGene 原核 Prokaryote 基因 基因组注释 Sequence GENESCAN ORFFinder GENEMARK GenePrediction TranscriptionRegulatoryRegion PredictedGeneOrGene 开放阅读框ORF OpenReadingFrame 一段序列从起始密码子 startcodon 开始 到终止密码子 stopcodon 结束 而且其中不包含其它终止密码子 微生物基因发现要解决的问题 微生物基因组中80 90 的序列参与编码主要问题 如果有两个或更多重叠的阅读框 哪一个是基因 假定只可能有一个 最可靠的方法 同源搜索 使用BLAST或FASTA等 主要困难 在无已知同源性信息的情况下寻找基因 预测软件GetORF WebAccesshttp bioweb pasteur fr seqanal interfaces getorf htmlApplication DownloadEmboss GETORF AdvancedOptions i Codetouse 选择不同的codonusagetable 包含有 1 Standard 2 Standard withalternativeinitiationcodons 3 VertebrateMitochondrial 4 YeastMitochondrial 5 Mold Protozoan CoelenterateMitochondrialandMycoplasma Spiroplasma 6 InvertebrateMitochondrial 7 CiliateMacronuclearandDasycladacean 8 EchinodermMitochondrial 9 EuplotidNuclear 10 Bacterial 11 AlternativeYeastNuclear 12 AscidianMitochondrial 13 FlatwormMitochondrial 14 BlepharismaMacronuclear 15 ChlorophyceanMitochondrial 16 TrematodeMitochondrial 17 Scenedesmusobliquus 18 ThraustochytriumMitochondrial GETORF AdvancedOptions ii 最小的开放阅读框由多少个核甘酸组成 预设值为30 也就是10个氨基酸 iii Typeofoutput 可选择不同的输入结果 包含有 1 TranslationofregionsbetweenSTOPcodons 2 TranslationofregionsbetweenSTARTandSTOPcodons 3 NucleicsequencesbetweenSTOPcodons 4 NucleicsequencesbetweenSTARTandSTOPcodons 5 NucleotidesflankingSTARTcodons 6 NucleotidesflankinginitialSTOPcodons 7 NucleotidesflankingendingSTOPcodons fastagcgphylipemblswissncbinbrfgenbankigcodatastrideracedbstadentextfitchmsfclustalphylipphylip3asn1 MetagenomicsCommunityGenomics EnvironmentalGenomics Whoisthere diversity abundanceWhattheyaredoing Metabolic interactionWhytheyarethere Ecologicalrelations Speciescomplexity Acidminedrainage 1100100010000 Seawater Humangut Soil Thecultivation independentanalysisofthecollectivegenomesofmicrobialpopulationsobtaineddirectlyfromtheenvironment TheComplexityofMetagenomics A A B C D A Isolatedgenome singlesourceofDNA Metagenome multiplesourceofDNA X GenomeAnnotation Metagenomics HugeMultipleorganismsFragmental HugePartialORFsWrongORFs Q Solution A Clustering ProteinfamiliesNovelfamiliesORFvalidation HugeMultipleorganismsUnevencoverage 真核生物的基因的完整结构及它的表达过程 基因识别 找出在一段DNA序列中 是否存在ORF 亦及 基因 判明基因的结构 包括起止位置 外显子 内含子边界 启动子 polyA区域 非转译区 UTR 等 预测真基因和 假基因 pseudogene 及可能的剪切位点 基于同源性的基因预测法 从头开始 Abinitio 预测法综合使用以上两种方法 如TwinScan其它方法 如数字信号处理 Z曲线 等 基因预测方法分类 基于序列相似性的基因预测 将基因组序列与EST expressedsequencetag 表达序列标记 或cDNA等相比较 用Sim4等方法 从而找出与mRNA相对应的区域 将基因组序列与蛋白质数据库相比较 用BLASTX等方法 从而找出可能的编码区 将预测得到的多肽与蛋白质数据库相比较将基因组序列与同源性相近物种的基因组相比较 找出保守区域 优点 基于已有的生物学数据 因此结果更有生物学意义缺点 受限于已有的生物学数据数据库可能存在的误差对于相似程度应如何定义 基于同源性的基因预测法优缺点 同源搜索HomologySearch a 序列局部相似比较 试图发现有生物意义保守序列 而不一定要全局相似 可以由局部相似得出两序列可能有相同功能或功能相关 b 比较得到的是相似性 并非同源性 我们必须根据相似性结合其他证据做出判断 BlastWeb http www ncbi nlm nih gov blast Application http www ncbi nlm nih gov BLAST download shtml 如何正确看待比较结果 BLAST找出的结果仅仅是表示两条序列之间有局部相似 与同源性关系不大 认定功能相同或相关也不是充分的 一定要结合其他的分析结果判断 BLAST结果中相似部分需要认真仔细观察 看看相似的部分是生物上功能重要的保守部分 还是一些无关紧要的重复序列结合已知的信息 比如该蛋白不可能有某种功能和可能有某种功能 注意在比较中排在后面的是否与其他已知信息相符的记录统计上有意义与生物上有意义是有差别的 同样或相似的功能蛋白或基因 与已知的功能相关之蛋白基因 也有出问题的时候 虽然很相似 但可能没有什么关系 注意一 BlastNoHits并不是表明找不到同源accaggttacccggttaaccttacccagatttac accaggtaaccaggttaactttactcagatttac默认WordSize 11 如果找不到11个完全匹配的就无法延伸出Hits可以修改WordSize 但是wordsize越小会导致搜索速度慢 找到无用的匹配也会增多 解决方案 PatternHunter ssearch fasta 注意二 通过同源比对进行蛋白功能注释 GeneDuplication引入的同源比对判断误差 并不是匹配分数最高的就是功能类似 解决方案 需要引入物种进化树辅助判断 隐马科夫模型 HiddenMarkovModel HMM 人工神经网络 NeuralNetwork 动态规划法决策树语言学方法线性判别法 从头开始 基因预测法 GENEPrediction GENESCANhttp genes mit edu GENSCAN htmlGENEMARKhttp opal biology gatech edu GeneMark eukhmm cgiFGENESH GeneScan GeneScan GeneScan GeneMark GeneMark GeneMark FGENESH FGENESH FGENESH UCSCGenomeBrowser SequenceandAnalysisofRiceChromosome4 Generalstructuralfeaturesofricechromosome4 Classificationofrepetitivesequencesonchromosome4 Functionalclassification Structuralcomparisonoftwosubspe