国科大生物信息

1、生物信息学现状和重要研究方向陈润生 王秀杰 陈小伟 中国科学院生物物理研究所中国科学院生物物理研究所中国科学院遗传发育研究所中国科学院遗传发育研究所 Normal Male Different probes used to mark each chomosome Computer identifies probe and give chromosome a false color Cleft lip and palate Extra fingers & toes polydactylism Defects Heart Brain Kidney Most abort Live span

2、10 or sequences longer than 200 characters or so MA is a hard problem (NP-hard) Most good MAs so far have been determined manually, at least to some extent One promising approach for MA uses Hidden Markov Models (HMM)ORF Prediction of the Contig by 5 MethodComposite Artificial Neural Network SystemA

3、uto-annotation ProcedureSequence Data Storage and DistributionDatabasePerl modulesAceclient/perlGifaceserverCacheDb.xxx.htmlDb.xxx.keysetDb.xxx.boxesDb.xxx.gif Cgi-binwebacedisplaygetimglabelHtml,gifJavaScriptJavaCookiesINTERNETData Analysis and Model Design问题与挑战 Each fragment may appear in more tha

4、n one overlap183536827954 Finding pairwise overlapsResolving overlaps Build larger pieces by combining overlaps183536827954182Schematic Gene StructureInterspersed RepeatsSource: IHGSC Nature 409:860-921 (2001)某些例子T. tengcongensis Complete Genome Analysis The bacteria was designated as Thermoanaeroba

5、cter tengcongensis MB4 which was isolated from the hotspring in Tengcong area, Yunnan Province of China, by the scientists working in the institute of microbiology of Chinese Academy of Sciences four years ago. The cell morphology of the bacteria is baculiform, Gram reaction is negative(-), it can n

6、ot form spore and also can not mobilize. The bacteria is anaerobes to oxygen tolerance, optimum temperature is 75oC, optimum pH 7.0. The genome of T. tengcongensis consists of a single circular chromosome of 2,689,441 base pairs(bp) with an average of 37.6% G+C content. Circular representation of th

7、e genome of T. tengcongensis MB4General feature of the T. tengcongensis MB4 genome Functional annotation of T.tengcongensisTotal 2808 proteins143 proteins belong to protein clusters with multiple functions, thus 320Others include Blast no hits, Blast hits deduced and multiple clustersLinear represen

8、tation of the genome of T. tengcongensis MB4The most similar bacteria with T. tengcongensis MB4 Bacillus halodurans C-125（59.9%, 1681/2808）; Bacillus subtilis （55.8%, 1566/2808）; Thermotoga maritima（48.7%, 1368/2808）; Escherichia coli K-12 MG1655（47.3%, 1327/2808）; Pseudomonas aeruginosa PA01（46.2%，

9、 1298/2808） 30bp repeats: GTTTTTAGCCTACCTAAGAGGGATTGAAACAbout thermophilicity 1. 30 genes of T. tengcongensis only appear at thermophilic bacteria and archaea 1 reverse gyrase， 7 putative transposase， 14 uncharacterized ACR（Uncharacterized ArCR），）， 2 MinD superfamily P-loop ATPase containing an inse

10、rted ferredoxin domain， 2 metal-dependent hydrolases of the beta- lactamase superfamily II， 2 uncharacterized Fe-S protein , 1 predicted methyltransferases, 1 predicted transcriptional regulator 2. GC contents of stable RNAOpt.temperatureNameGenome GCrRNA GCtRNA GCcopies98cpyro0.4240.6655170.7067524

11、698cPabyssi0.4520.6676 95caero0.5760.6770620.7250944785caquae0.4380.6427430.6840554485cmjan0.320.6280510.6651533783caful0.4950.6295340.6826934680ctmar0.4650.6288870.6459594675cB40.3790.584970.6023945565cmthe0.5070.5626850.6251153960cTvol 0.54146 59ctacid0.4740.5583860.61254745 paer0.6730.5232560.601

12、27363 xfas0.5390.5172950.59829549 nmen0.5320.5103620.58741459 tpal0.5270.5271560.57173945 bbur0.2890.3932950.54905518 buch0.2740.501370.53306532 uure0.2570.4370020.528495303. Amino acid compositiongroupaminothermophilesmesophilesdifferencethermophilesmesophiles acids(10 bacteria)(33 bacteria) totalt

13、otal His(H)1.60%2.15%-0.55% chargedLys(K)7.24%6.07%1.17% residuesAsp(D)4.90%5.11%-0.22%27.53%24.47% Glu(E)8.23%6.23%2.00% Arg(R)5.57%4.90%0.67% Ser(S)5.78%6.43%-0.64% Thr(T)4.47%5.25%-0.78% polar/Tyr(Y)3.86%3.17%0.70% unchargedGln(Q)1.89%4.07%-2.18%27.74%31.27%residuesAsn(N)3.65%4.51%-0.85% Cys(C)0.

14、87%1.08%-0.21% Gly(G)7.21%6.77%0.45% Phe(F)4.37%4.51%-0.14% Leu(L)9.92%10.66%-0.74% Ile(I)8.04%6.74%1.29% hydrophobicMet(M)2.40%2.15%0.25% residuesVal(V)7.93%6.70%1.23%44.73%44.26% Pro(P)4.24%4.08%0.16% Ala(A)6.84%8.38%-1.53% Trp(W)1.00%1.05%-0.05% Phylogeny of T.tengcongensis by comparative sequenc

15、e analysis of 16s rRNA B. Complete genomic sequence of Shigella flexneri 2a Shigella bacteria cause bacillary dysentery(细菌性细菌性痢疾痢疾), which is prevalent worldwide with high incidence in developing countries. Approximately o.2 billion of people are infected per year, with more than million cases of de

16、ath. Its importance as human pathogen and the value of complete genome sequence information for drug discovery and vaccine development propelled us to analyze the genome sequence of Shigella flexneri. Now we have finished the complete genomic sequencing of Shigella flexneri 2a and have started its g

17、enomic comparison with non-pathogenic E coli K-12 and enterohaemorrhagic E coli O157:H7. General feature of the Shigella flexneri 2a genome 最外边的两层是ORF标注，第三层是以10kb为窗口计算的整个基因组的gc含量。第四层是重复序列，第五层是tRNA，第六层是rRNA。 痢疾杆菌福氏2A基因组标注痢疾杆菌福氏2A基因组研究致病性探索 致病质粒(virulence plasmid)红色代表毒力相关基因蓝色为与插入序列和转座酶有关的基因 痢疾杆菌福氏2A基因

18、组研究致病性探索“毒力岛”(pathogenicity islands)1. Known:SHE-1 (encoding the ShET1 enterotoxin and other autotransporter proteins)SHE-2 (encoding the aerobactin iron transport system)SHE-3 (virtually identical to SHE-2 but present in S. sonnei)2. New:SHE-4 (Salmonella sit-like system for iron uptake)SHE-5 (abou

19、t half of those ORFs in this region have homologies from Pseudomonas aeruginosa)SHE-6 (yfe gene products of Yersinea pestis)痢疾杆菌福氏2A基因组研究致病性探索 “黑洞”(black hole)Example: The purE-linked kcp locus痢疾杆菌福氏2A基因组研究简单重复序列 由1-6个碱基长度的重复单位构成的串联重复称为简单重复序列(SSRs) SSRs在真核生物里分布非常广泛,并且一般具有多态性，例如目前在家系分析中广泛应用的微卫星标记等 我们

20、计算了SSRs在痢疾基因组基因组上的分布，研究了它们在编码区和非编码区的分布特征，同时与非致病的大肠杆菌K-12株进行了比较 比较基因组学研究和软件开发 将从原始数据挖掘出来的信息可视化的显示出来，是生物信息学的一个重要内容之一比较基因组学研究和软件开发维生素C生产菌株氧化葡萄糖酸杆菌基因组测序和组装 维生素C又称抗坏血酸，是人体必需的维生素，在医药和食品工业中均有重要用途 维生素C是我国医药行业两大战略品种之一，是我国出口创汇的拳头产品，出口量占世界贸易量的40%，每年为国家创造上亿美元的外汇收入 但目前维生素C的市场竞争已白热化，我国企业要占领国际制高点，必需用高科技手段，对原有工艺进行改

21、造，提高产量质量，降低成本，打开我国维生素C产业的新局面维生素C生产菌株氧化葡萄糖酸杆菌基因组测序和组装 与华北制药集团、预防医学科学院病毒所和国家人类基因组北方研究中心等多家单位合作 目前已完成全基因组的测序和组装，得到一个约2.8Mbp染色体和两个大约250Kbp的Plasmid 整个拼接过程中共测序426板（40896个reads），可用reads为35366个，总有效率为86.5%表皮葡萄球菌基因组标注 与复旦大学医学分子病毒室、国家人类基因组北方研究中心合作，在北方中心完成 前期的测序和组装在国家人类基因组南方研究中心完成 全基因组大小约2.4Mbp 本人主要承担后期的标注和数据挖掘

22、工作表皮葡萄球菌基因组标注基本数据结果： ORFs：2332个，平均长度885bp，其中已知功能的1283个，预测功能的671个，未知功能的378个 基因组平均GC含量：32.1% 编码rRNA(16s-23s-5s operon)5个，tRNA50个 共找到16大类中的代谢途径86个，包含基因1728个表皮葡萄球菌基因组标注A Draft Sequence of the Rice Genome (A Draft Sequence of the Rice Genome (Oryza Oryza sativasativa L. L. ssp. ssp. indicaindica) ) Jun Y

23、u,1,2,3,4* Songnian Hu,1* Jun Wang,1,2,5* Gane Ka-Shu Wong,1,24* Science 2002 296: 79-92 Rice is the most important crop for human consumption, providing staple food for more than half the worlds population. The euchromatic portion of the rice genome is estimated to be 430 Mb in size (1-3), which is

24、 the smallest of the cereal crops. It is 3.7 times larger than that of A. thaliana (4-6), and 6.7 times smaller than that of the human (7, 8). The well-established protocols for high-efficiency genetic transformation, widespread availability of high-density genetic and physical maps (9, 10), and hig

25、h degrees of synteny among cereal genomes (11-15) combine to make rice a unique organism for studying the physiology, developmental biology, genetics, and evolution of plants. The International Rice Genome Sequencing Project (IRGSP) (16) has already delivered a substantial amount of sequence for the

26、 japonica (Nipponbare) subspecies, in bacterial artificial chromosome (BAC) and P1-derived artificial chromosome (PAC)-sized contigs. Working independently, Monsanto and Syngenta (17, 18) established proprietary working drafts for japonica, in April 2000 and February 2001, respectively. The Monsanto

27、 sequence has been used to assist in the efforts of the IRGSP. Figure 9. Functional classification of rice genes, according to Gene Ontology Consortium, and assigned by homology to categorized A.thaliana genes. In this ontology, biological process, cellular location, and molecular function are treat

28、ed as independent attributes. Only 36.3% of the 25,426 predicted genes for A.thalianaare classified. For rice, only 20.4% of the 53,398 complete predictions, with both initial and terminal exons, could be classified. SARS基因组及生物信息分析2002年年11月月 WHO流感研究项目经理流感研究项目经理Klaus Stohr博士在北京参加博士在北京参加关于中国流感关于中国流感疫苗

29、政策方面的会议。疫苗政策方面的会议。 一位来自广东的代表在会议报告提到，在广东靠近一位来自广东的代表在会议报告提到，在广东靠近香港的地区有数人死于一种异常严重的流感。香港的地区有数人死于一种异常严重的流感。2003年年2月月21日日 这一天，这种新的病毒悄悄地从广东进入这一天，这种新的病毒悄悄地从广东进入香港。香港。 病毒的携带者是一位病毒的携带者是一位63岁的医生刘某，他岁的医生刘某，他到香港是为了参加一个婚礼。到香港是为了参加一个婚礼。 而到了而到了3月上旬，香港当局开始认识到，这月上旬，香港当局开始认识到，这种新的疾病正是从曾与刘医生接触过的几种新的疾病正是从曾与刘医生接触过的几个人开始

30、传染给香港、新加坡、越南的数个人开始传染给香港、新加坡、越南的数百人，并最终传播到了美国。百人，并最终传播到了美国。 2003年年4月月11日日 这天晚上，这天晚上，Holt博士及其研究组意识到他们博士及其研究组意识到他们的路子终于走对了。的路子终于走对了。 他们用计算机对他们用计算机对DNA片断的测序结果进行片断的测序结果进行分析，将各片断的碱基顺序拼合起来。分析，将各片断的碱基顺序拼合起来。 到到4月月12日凌晨日凌晨2点点25分，终于完成了第一分，终于完成了第一个个SARS嫌疑病原的基因组序列。嫌疑病原的基因组序列。 全研究室的人员都欢呼起来。全研究室的人员都欢呼起来。冠状病毒及其基因组

31、 1965年，人類首次確認冠狀病毒可令人類出現感冒样症状。在本次SARS發生前，已發現兩種可傳於人體的冠狀病毒，但只會引發感冒。除此之外，其他冠狀病毒，多數只存活在豬、牛及雞等禽畜及哺乳類動物身上。本次的新型變種病毒，除了在人體內繁殖，亦會令免疫系統出現強烈反應，傷害自身組織。 Coronavirus is a family of positive, RNA, helical, enveloped, viruses that infect mammals and birds. 冠状病毒为球形RNA病毒，直径120230nm。病毒颗粒表面围有花瓣样突起。這種病毒，過去只會引發人类感冒，但為甚麼會

32、霎時間變得如此兇狠呢？另外，不同人感染這種肺炎病毒時，是否一定引發非典肺炎呢？這些謎團，將是未來醫學界、科技界研究的主要範圍。 The capped and poly-adenylated genome is the largest of the RNA viruses and has a unique method of replication. These viruses have the ability to genetically recombine with other members of the coronavirus family. The genome encodes 3 o

33、r 4 different structural proteins. Human Coronavirus-OC43 encodes for hemagglutinin-esterase (HE) whereas HCV-229E does not. This protein causes red blood cells to clump together, and can be used to determine how much virus is in a sample. HE can also initiate binding. Human Torovirus also encodes f

34、or HE. All coronaviruses encode for a nucleocapsid protein (N). This protein binds to RNA and forms a helical nucleocapsid. It may be involved in the regulation of RNA synthesis. The membrane glycoprotein (M) is involved with envelope formation. The spike protein (S) is also responsible for binding

35、to cells. The corona cycle link to the left explains the involvement of these proteins in each step of the dynamic phase. SARS genome size: 29.7K (sequence)HIV genome size: about 10K加拿大BCCA 基因组研究所基于Tor2 冠状病毒株基因组结构分析图USCDC 基于Urbani 冠状病毒株基因组结构分析图中科院基因组中心基于BJ01 冠状病毒株基因组结构分析图NCBI给出参考序列的基因组结构分析图1. SARS病毒

36、的比较基因组研究 Tree for N protein1212个个SARSSARS冠状病毒分离株和冠状病毒分离株和1212种以往发现的冠状病毒种系进化树种以往发现的冠状病毒种系进化树此进化树从箭头所指位置被分成两个不同的部分，左半部仅由12种以往发现冠状病毒组成，而右半部则仅由12个SARS冠状病毒分离株构成。SARS TOR2SARS TOR2病毒分离株和病毒分离株和1212种以往发现的冠状病毒的种系进化树种以往发现的冠状病毒的种系进化树我们用SARS_TOR2分离株作为SARS冠状病毒代表构建的种系进化树很准确地区分出冠状病毒属的3个组。在这3个组的分枝处的bootstrap值是92（bo

37、otstrap值高于70表明对应点的概率值高于9511）。 1212个个SARSSARS冠状病毒分离株的种系进化树冠状病毒分离株的种系进化树根据各SARS冠状病毒分离株与造成香港Metropole饭店疫情的SARS冠状病毒株之间的联系，它们可以被分成2类（分别称之为”局域传播类”和”全球传播类”），这两类在我们构建的世系谱上得到准确的重现，这为SARS的流行病学研究提供了辅助信息。 1.根据我们得到的种系进化树可知，SARS冠状病毒与冠状病毒属中第1组中的病毒更相似，这得到对应分枝点较高bootstrap值的支持（对应第1组分枝的bootstrap值为97，cPig_1病毒和SARS_TOR2

38、分离株分枝点对应的bootstrap值为81）。与血清型有关的一些证据间接地支持了我们的观点（Ksiazek, T. G., Erdman, D., Goldsmith, C., et al, A novel coronavirus associated with severe acute respiratory syndrome, N Engl J Med, 2003, 348(20): 1953-1966）2.以往未定位的SARS_TW1分离株在我们构建的世系谱中被归属于全球传播类。什么动物把SARS传给了人？蝙蝠？果子狸？家禽？野味？鼠？猪？牛？2治疗SARS的RNAi设计； “Scie

39、nce”周刊2001、2002连续两年将“小RNA(small RNA)”评选为该年度全球科学十大进展，而2002年更将其作为进展的第一位。这表明Small RNA的研究已引起国际上的广泛关注，也预示着这一领域将取得突破。 长期以来人们一直认为RNA分子的主要作用是与蛋白质合成有关，无论是tRNA, rRNA还是mRNA，它们一起构成一套精密的机构将DNA中的基因信息传递到蛋白质。但自上世纪九十年代以来对小片段RNA研究的一系列新发现，使人们不得不重新认识RNA在生命活动中的重要作用。其中最突出的例子是由研究基因沉默现象（Gene Silencing）而导致RNA干涉（RNA Interfer

40、ence，RNAi）的发现。 上世纪的九十年代一些科学家以线虫（Caenorhabditis elegans）为对象探讨用反义RNA去阻断基因的表达，结果反义RNA的确能够阻断基因的表达，但是奇怪的是，作为对照的正义链RNA也同样阻断了基因的表达。此后另一些科学家以同时包含正义链和反义链的双链RNA（double-stranded RNA，dsRNA）去阻断基因的表达，结果表现出比单独注射正义链或者反义链都要强得多的基因沉默现象。这种由RNA导致的基因沉默现象被称为RNA干涉（RNA interference ,简称RNAi）。 对RNA干涉机制的研究发现：dsRNA一旦进入细胞内，就会被一个

41、称为Dicer的特定的酶切割成为21-23核苷酸长的小分子干扰RNA（small interfering RNAs ，siRNA）片段，Dicer酶属于RNaseIII家族中能特异识别双链RNA的成员，它以ATP依赖的方式切割由外源导入或者由转基因、病毒感染等各种方式引入的双链RNA。切割产生的siRNA片段随后 与一些酶结合成为诱导沉默复合体（RNA-induced silencing complex，RISC）。激活的RISC通过碱基配对定位到与siRNA同源的mRNA转录本上，并在距离siRNA 3端一定的位置上切割该mRNA。这样就使与此mRNA相应的特定基因成为沉默状态。 RNAi是

42、一项快速、高效、便于操作的使靶基因失活的技术。因此它可以象基因敲除一样非常有效地鉴定特定基因的功能。随着各种模式生物体的基因组计划的完成，生物学家们已经可以方便的从数据库中获得全基因组序列，从而找到研究者感性趣基因的序列，据此设计出dsRNA就可以使该基因沉默。这是研究疾病机理和鉴定候选药靶的关键步骤，也为将来可控地打开或者关闭某一特定基因这一目标奠定了基础。现已有两个研究组使用了RNAi技术分别对两条线虫染色体上的全部基因进行大规模的功能研究，并正在利用该技术对线虫全基因组进行研究。RNA干涉也为疾病的治疗开辟了新的途径。RNA干涉理论上能减少肝炎病毒感染所需的蛋白质，而达到减少病毒数量的目

43、的；也可以用来减少某些遗传疾病的不正常基因的蛋白质制造量，以治疗该疾病。例如，多谷胺酸聚合疾病，包括脊髓小脑运动失调症和亨庭顿氏症。甚至可以通过抑制病毒或HIV自身的信使RNA来抵抗病毒感染尤其是HIV感染。 Numbers of eligible siRNA candidate targets selected based on theoretical design 1) Corresponding proteins: proteins coded by the gene where target sequences position. Sequences of several repres

44、entative siRNA candidate targets1) Corresponding proteins: proteins coded by the gene where target sequences position ; 2) Position of 5 end: the 5 end position of siRNA candidate targets sequence relative to SARS-CoV genome. 3SARS蛋白的结构预测和模拟1, S c o r e E S e q u e n c e s p r o d u c i n g s i g n

45、i f i c a n t a l i g n m e n t s : ( b i t s ) V a l u e g i | 5 4 7 0 4 1 | g b | A A B 3 0 9 5 0 . 1 | S = v i r a l s u r f a c e p e p l o m e r m o n o c l o n . . . 4 9 5 e - 1 3 8 g i | 1 3 8 1 7 8 | s p | P 1 1 2 2 5 | V G L 2 _ C V M J H E 2 g l y c o p r o t e i n p r e c u r s o r ( S .

46、. . 4 9 3 e - 1 3 8 g i | 7 7 6 9 3 4 4 | g b | A A F 6 9 3 3 4 . 1 | A F 2 0 8 0 6 6 _ 5 s p i k e g l y c o p r o t e i n p r e c . . . 4 8 8 e - 1 3 6 g i | 7 4 8 4 9 | p i r | | V G I H 5 9 E 2 g l y c o p r o t e i n p r e c u r s o r - m u r i n e h e p . . . 4 8 3 e - 1 3 5 g i | 9 6 2 9 8 1

47、4 | r e f | N P _ 0 4 5 3 0 0 . 1 | E 2 g l y c o p r o t e i n p r e c u r s o r M u r i . . . 4 8 2 e - 1 3 4 g i | 7 7 6 9 3 5 5 | g b | A A F 6 9 3 4 4 . 1 | A F 2 0 8 0 6 7 _ 5 s p i k e g l y c o p r o t e i n p r e c . . . 4 8 1 e - 1 3 4 g i | 1 3 5 2 8 6 2 | s p | P 1 1 2 2 4 | V G L 2 _ C

48、V M A 5 E 2 g l y c o p r o t e i n p r e c u r s o r ( . . . 4 8 1 e - 1 3 4 g i | 2 8 9 1 6 1 6 8 | g b | A A O 5 9 4 6 7 . 1 | h y b r i d s p i k e p r o t e i n R N A t r a n s c . . . 4 7 6 e - 1 3 3 g i | 6 7 0 6 9 1 6 | g b | A A F 2 5 4 9 9 . 1 | A F 0 5 8 9 4 2 _ 3 s p i k e g l y c o p r

49、o t e i n b o v . . . 4 5 2 e - 1 2 5 g i | 1 3 8 1 7 1 | s p | P 2 5 1 9 2 | V G L 2 _ C V B L Y E 2 g l y c o p r o t e i n p r e c u r s o r ( S . . . 4 5 2 e - 1 2 5 g i | 7 4 8 5 7 | p i r | | V G I H L Y E 2 g l y c o p r o t e i n p r e c u r s o r - b o v i n e c o r . . . 4 5 0 e - 1 2 5 SARS蛋白质的类别归属蛋白质的类别归属 ID基因组注释的功能ProtoNet Cluster IDTotal hitted proteinssolved structures (in PDB)ProtoNet相应聚类中蛋白质的功能NP_828851.1putative E2 glycoprotein precursor11775420E2 glycoprotein precursorNP_828852.1putative uncharacterized protein148972271Sarcoplasmic/endoplasmic reticulum calcium ATPase或者