生物信息学Chapter.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,生物信息学Chapter,生物信息学Chapter生物信息学Chapter6.1 引言基因组信息学是指有关基因组信息的存储、获取、处理、分配、分析和注释等方面的研究 目前主要是根据基因组作图和测序的资料与数据，应用数学与统计学、计算机科学、遗传学与分子生物学等多种研究手段，综合分析处理基因组图谱、DNA序列和蛋白质序列等信息，阐明这些资料和数据所包含的生物学意义,6.1 引言,基因组信息学,是指有关基因组信息的存储、获取、处理、分配、分析和注释等方面的研究,目前主要是根据基因组作图和测序的资料与数据，应用数学与统计学、计算机科学、遗传学与分子生物学等多种研究手段，综合分析处理基因组图谱、,DNA,序列和蛋白质序列等信息，阐明这些资料和数据所包含的生物学意义,6.1 引言,基因组分析的工作难度大,基因组所含的信息量至少比单个基因要高几个数量级,尽管人类基因组测序工作已完成，但草图序列中存在着一些错误,基因组信息学刚刚起步，存在许多不足之处,6.2 基因组分析的原理,基因组的结构组成与稳定性,基因组作图,基因组计划,6.2.1 基因组的结构组成与稳定性,6.2.1.1,原核生物与真核生物基因组的差异,基因在染色体上的分布以及编码区与非编码区的相对频率不相同,原核生物的基因组中少有非编码的,DNA,，,而真核生物的基因组中大部分是非编码的,DNA,各种生物体基因组的大小变化很大，最小的只有,5000,bp,，,如最简单的病毒，最大的有,10,11,bp,，,如一些高等植物。而基因数目和基因组的大小也不成比例。,人类和若干模式生物的基因组大小,生物体,估计基因组的大小,估计基因数目,平均基因密度,人,(,Homo sapiens,),3,10,9,30 000,1,10,5,小鼠,(,Mus musculus,),3,10,9,80 000,4,10,4,果蝇,(,Drosphila melanogaster,),1.8,10,8,13 601,1 378,拟南芥,(,Arabidopsis thaliana,),1,10,8,25 000,4 000,线虫,(,Caenorhabditis elegans,),9.7,10,7,19 099,5 079,酵母,(,Saccharomyces cerevisiae,),1.2,10,7,6 034,2 005,大肠杆菌,(,Escherichia coli,),4.6710,6,4 288,1 090,流感嗜血杆菌,(,Haemophilus influenzae,),1.8,10,6,1 749,1 030,非编码的,DNA,对编码的,DNA,起着调节、结构或酶方面的作用,非编码区包含了碱基中的大部分变异，其中常常可以找到多态性的标记,SNP(single,necleotide,polymorphism),是指基因组内特定核苷酸位点上存在两种不同的碱基,SNP,在基因组中数量大，分布密，是新一代的遗传标记,SNP,在单个基因或基因组中的分布不均匀,大多,SNP,不影响细胞的功能，但有些可能会使人易患病或影响对药物的敏感性。,6.2.1.2,基因组中基因的相对位置,基因在基因组中的位置排列是基因组分析的重要课题之一,一些基因分布在不同的染色体上，表现为独立的遗传；另一些基因分布在同一条染色体上，表现为连锁遗传,生物大部分的性状是由多个基因产生的，这些基因有时紧密地排列在一起，有时会分布在整个基因组里,.,6.2.1.3,基因组结构和染色体的稳定性,在,细胞分化的过程中，染色体浓缩成双联体结构，但在静息期，染色体松散地聚合与附着在将基因转录成,RNA,的蛋白质和其他一些控制,DNA,转录的蛋白质上,组蛋白是真核生物染色体中与,DNA,分子结合的一类蛋白质，组蛋白基因在真核生物中都是高度保守的,特定,DNA,序列与其物种的染色体形态之间存在必然的联系,一种生物的独特性不仅在于它是由那些基因组成的，还在于它有何种染色体结构,哺乳动物的染色体分为中部着丝粒和近端着丝粒染色体两类,尽管不同种间的基因序列相似性很大，但不同种间存在着生殖隔离,6.2.2 基因组作图,遗传连锁图,物理图,表达图,6.2.2.1,遗传连锁图,遗传连锁图是用遗传模式来描述,DNA,标记在染色体上的相对位置,在遗传连锁图谱上，,DNA,标记间的距离反映了它们共同遗传的频率,遗传距离的单位为厘摩,(,cM,),，,代表,1,交换值,在人的遗传连锁图谱上，,1,cM,的物理距离大约为,10,6,核苷酸对,现有许多生物都构建了遗传连锁图谱,在植物中，已建立的遗传图谱有大麦,(Ramsay,et al,2000),、,小麦（,Marion,et al,1998,）、,燕麦（,Yu,et al,2000,）、,水稻（,Harushimay,et al,1998,）、,玉米,(Wilson,et al,1999),、,大豆,(Matthews,et al,2001),、,西红柿和土豆,(,Tanksley,et al 1992),等,在动物中，已建立的遗传图谱有小鼠,(Blake,et al,2000),和老鼠（,Steen,et al,1999,），,还有猪、马、牛、羊、鸡等家畜和家禽，甚至还有家蚕（,Tan,et al,2001,）,最近的人类高密度遗传图谱是,Kong,等（,2002,）建立的,林木遗传图谱构建研究的现状,林木遗传连锁图谱构建最早从火炬松开始,使用的是同功酶标记,;,滞后于农作物约十多年,但进展非常迅速,近,10,年,已有,30,多个树种构建了遗传连锁图谱；,利用,RAPD,标记技术构图的居多,占,90%,左右；,图谱具有标记数量最多的是毛果杨,美洲黑杨，标记达,343,个；最少的是短叶红豆杉，仅有,41,个；,图谱总图距最长的是欧洲云杉达,3584cM,；,最短的是短叶红豆杉达,305.8cM,；,特点：图谱密度偏低，大都为显性标记，作图群体偏小。,遗传图谱构建的统计分析步骤,两点连锁分析,连锁群的划分,基因位点的排序,多位点连锁分析,杉木遗传图谱的构建,Go to the Contents,BC,1,群体,AB,ab,AB,AB,AABB (1-r)/2 n,1,AABb r/2 n,2,AaBB r/2 n,3,AaBb (1-r)/2 n,4,两点连锁分析,Go to linkage analysis,F,2,群体,AB,a b,AB,a b,AABB (1-r),2,/4 n,1,AABb r(1-r)/2 n,2,AAbb r,2,/4 n,3,AaBB r(1-r)/2 n,4,AaBb (1-r),2,/2+r,2,/2 n,5,Aabb r(1-r)/2 n,6,aaBB r,2,/4 n,7,aaBb r(1-r)/2 n,8,aabb (1-r),2,/4 n,9,n,5,=n,51,+n,52,n,51,:n,52,=r,2,:(1-r),2,Go to linkage analysis,连锁群的划分,若记位点,i,和j之间的重组率为r,ij,、LOD值为z,ij,，那么连锁群划分的一般规则为下列三者之一：,(1),如果r,ij,a，那么位点i和j划为同一个连锁群；,(3)如果r,ij,a，那么位点i和j划为同一个连锁群,其中c为重组率的某一临界值，a为LOD值的一个临界值。,Go to linkage analysis,基因位点的排序,多位点排序的目标函数,极大似然函数,:,邻近重组率之和或邻近重组率之积（,SARF,或,PARF),邻近,LOD,值之和（,SALOD,）,难点：,50,个位点有,50,！,/2,可能的排序，穷举法所需的计算时间会高达数亿年,多位点排序的计算方法,排列法（,Buetow,and,Chakravarti,，,1987,）,模拟退火算法,启发式搜索算法,A,AB AC,AH,ACB ACD,ACH,ACBJIEFHGD,Go to linkage analysis,代价函数为：,f(n)=g(n)+h(n),g(n):从起始节点到当前节点代价的最小估计值，,h(n):从当前节点到终止节点代价的估计值。,多位点连锁分析,BC,群体、,F,2,群体,全同胞群体（,隐马尔可夫模型法,，,HMM,）,位点1 位点2,ab,ab ab cd,基因型,aa,ab,bb,隐状态,aa,ab,ba,bb,基因型和隐状态,ac ad bc bd,Linkage,phase:,C,C,Linkage,phase:,C,R,Linkage,phase:,R,C,Linkage,phase:,R,R,Go to linkage analysis,M,t,与M,t+1,之间,的重组率：,似然函数值：,其中是第k个样本马尔可夫链的向前变量值。,Go to linkage analysis,Go to linkage analysis,杉木遗传图谱的构建,结果,在,句容,0,杉的连锁图谱中,，有,101,个标记分布在,11,个连锁群上，图谱的总长度为,2282.6,cM,，,平均图距为,22.6,cM,，,单个连锁群上最多含有,17,个标记，最少含有,5,个标记；,在,柔叶杉的连锁图谱中,，有,94,个标记分布在,11,个连锁群上，图谱的总长度为,2565.8,cM,平均图距为,27.3,cM,，,单个连锁群上最多含有,16,个标记，最少含有,4,个标记。,Go to the Contents,6.2.3 基因组计划,STS,基因组图,信息冗余,人类基因绘图,人类基因组计划的一个具体目标就是对人类基因组构建一幅高分辨率的序列标签位点（,STS,）图,消除信息的冗余对于改进和优化大型数据库是一项重要而艰巨的任务,6.2.3.1 STS,基因组图,人类基因组计划的一个具体目标就是对人类基因组构建一幅高分辨率的序列标签位点（,STS,）,图,EST,被挑选出来，可以构建表达图,6.3 功能基因组学,功能基因与功能基因组学,非确定读码（,URF,）,直系同源体蔟（,COG,）,6.3.1,功能基因与功能基因组学,功能基因,结构基因,，是编码蛋白质多肽链，又称蛋白质基因,调节基因,，对结构基因表达起调控作用,编码核糖体,RNA(,rRNA,),和,tRNA,基因,功能基因组学,是利用结构基因组学提供的信息,系统地、大规模地研究基因的表达以及这些基因如何协同调节整个生物体的活动,DNA,数据库对发现新基因起着很大的作用,在微生物基因组中，约,40%,的新基因是新发现的，但未曾通过实验研究过,需要收集已知的生物学信息，将表型和基因型联系起来，来预测新基因的结构和功能,功能基因组学需要生物信息学的支持，如相似性检索等,有时需要比较进化关系上较远的生物类群（如细菌和人类）的蛋白质家族结构和功能,6.3.2,非确定读码(URF),非,确定读码,(unidentified reading frame),是指,DNA,序列中识别出的一个可读框，但其生物学功能尚不明确,目前基因组计划中发现了,30%,或,40%,的非确定读码，它们必定编码了新的蛋白质,通过结构来预测功能存在着一定的局限性，这是由于有限的样本大小（即已知结构的数量）限制了预测的精确性,6.3.2,非确定读码(URF),可通过基因组的“行为”来研究新基因的关系,如,假设整个基因组的突变率是相同的，一段,UFR,序列的相异性可能预示其属于另一类新蛋白质，它决定了该生物的特性,由于存在进化上无关而功能相似的蛋白质，因此在完全缺乏功能数据的情况下要确切了解,DNA,编码何种蛋白质是很困难的。因而，必须应用功能克隆获得的数据来确定,URF,的生物功能。,6.3.3,直系同源体簇(COG),直系同源基因,(,orthologous,gene),是指在不同物种之间同源相似的基因,并系同源基因,(,paralogous,gene),是指一个物种内的同源基因,一个生物物种的基因组中，两个基因或可读框在各自全长的,60%,以上的范围内，同一性不少于,30%,时，称为,同源体,直系同源体簇,(cluster of,orthologous,groups),直系同源体簇,(,COG),由,Tatusov,R L,等提出，即用不同种族的基因成对相似聚类法把它们划分成各种直系同源簇，从而可以用同一簇中的已知基因注释未知基因的功能,.,该方法通过对未知基因进行基因组水平上找寻直系同源体，从而借助相关直系同源体中已知基因预测未知“开放阅读框架”的生物学功能。,利用,8,个全基因组（大肠杆菌、流感嗜血杆菌、生殖道支原体、幽门螺旋杆菌、肺炎支原体、粘囊菌、甲烷球菌、酿酒酵母），确定了,864,个,COG,6.4 比较基因组学,基本原理,主要方法,功能网络,比较基因组学,是基因组学与生物信息学的一个重要分支，它通过模式生物基因组之间或模式生物基因组与人类基因组之间的比较和鉴别，可以为研究生物进化和分离人类遗传病的候选基因以及预测新的基因功能提供依据,6.4.1,基本原理,5,种,模式生物,：大肠杆菌（,E.,coli,）、,酿酒酵母（,S.,cerevisiae,）、,秀丽新小杆线虫（,C.,elegans,）、,黑腹果蝇（,D.,melanogaster,）,和小鼠（,M.,musculus,）,可以从模式生物中寻找人类可能具有的新基因,如，先确定“胖鼠”基因在小鼠基因组中的位置，然后根据小数基因组与人类基因组的对应关系，可获得人类的“肥胖”基因,6.4.2,主要方法,系统发育概形法,Rosetta Stone,法,基因邻居法,方法比较,Rosetta Stone法,一些相互间存在作用的蛋白，其同源物在另一种生物上融合成一个单一的蛋白，这个蛋白序列称为“,融合蛋白序列,”或,Rosetta Stone,序列,一个生物体中独立的蛋白,A,和,B,在其他物种中可能是作为一个融合蛋白表达的，此时结构域,A,和,B,基本上是关联的,由于,A,和,B,有不相关的序列，这种功能联系就不能用同源性查询检测到,基因邻居法,如果在原核生物中操纵子是共同的，两个基因（蓝色和黄色）在不同的基因组中是相邻的，就可以推断出它们编码的蛋白质之间具有功能联系,6.4.3,功能网络,当检测功能关联的方法应用于一个生物物种的所有蛋白质时，可以记录到交互作用的、指示功能联系蛋白的网络，称为,功能网络,6.5 基因组分析系统实例ACeDB,ACeDB(A,C.,elegans,DataBase,),是,1989,年创立的一个基因组数据库系统,最初是为秀丽新小杆线虫基因组计划设计的，现已发展成为完备的基因组信息处理系统,现在，,ACeDB,已成功用于从细菌、真菌到人类等许多不同基因组数据库上，并开始扩展到非生物数据库的应用领域,谢谢大家！,结 语,