5数据库搜索

i 1
i
例如，5 字码TGACC的值为 1+3×44+2×43+0×42+1×41+1×40=459。
先从低k值的字码开始搜索（如k=2），记录序列 中每一个位置2字码的字码值。 表3.6 列出了序列 TGGAAATAAAACGTAAGTAG 中所有碱基2字码(k=2)的初始位置和字码值。
只有在发现k字码长度重复的那些位置考 虑进行长度大于k的字码搜索。ty）就是在两者之间进行 简单比对进而得出两者之间的相同之处。 现在所说的相似性是指一种很直接的数量 关系，比如部分相同，或相似的百分比。 比如说，A序列和B序列的相似性是80％，或 者4/5。这是个量化的关系。当然也可进行自身 局部比较。
• 除了分析整个序列碱基关联程度的特征外，我们 常对寻找同向重复序列(direct repeats)之类的 问题感兴趣。 • Karlin等(1983)给出了完成这一分析的有效算法。 该法采用由特定的几组碱基字母组成的不同亚序 列或称为字码(word)对整个序列搜索一次。给每 一碱基赋以值αi,例如A、C、G、T的值为0、1、2、 3。由X1、X2、⋯、Xk共k个字母组成的每一种不同 k 的字码按 1 4 k i 计算字码值。
• 我国学者张春霆等开展了DNA 序列三维空间曲线 表示形式，即DNA 序列几何表示形式的研究。几 何形式虽然与符号形式完全等价，但显示了DNA 序列的新特征。两种形式各有其特点，相互补充。 这一新方法，为解读DNA 序列信息提供了崭新的 手段。 • 他们的研究始于对4 种碱基对称性的观察，提出 了用正面体表示碱基对称性。1994 年，他们利用 这种形式来表示任意长度的DNA 序列。现将这种 序列表示方法简述如下。
序列分析是生物信息学最主要的研究内 容之一，它可以分为两个主要部分： • 序列组成（特别是基因组层次的）分析 • 序列之间的比较分析
核酸序列分析的首要任务是找出与结构 和功能相关的序列特征，借助序列相似性 搜索或同源搜索将未知序列和数据库中的 已知序列一一进行比对，如果在数据库中 发现了相似序列，并且已知这条序列具有 某些功能，那么可以据此推测新序列也有 相似的功能。 随着多种测序新技术的应用，DNA序列 数据快速积累于各种数据库（如GenBank） 中，这些序列被作为信息资源加以分析， 为若干生物学研究领域服务。
核苷酸代码表
代码 G A T C R Y M (U) (A or G) (C or T or U) (A or C) 核苷酸代码表 英文含义 中文含义 Guanine 鸟嘌啉 Adenine 腺嘌啉 胸腺嘧啶 (尿嘧啶) Thymine (Uracil) Cytosine puRine pYrimidine aMino 胞嘧啶 嘌啉 嘧啶 腺嘌啉或胞嘧啶(氨基)
鸟嘌啉或胸腺嘧啶(酮基)
K S W H B V D N
(G or T) (C or G) (A or T) (A or C or T) (C or G or T) (A or C or G) (A or G or T) (A or C or G or T)
Ketone Strong interaction Weak interaction Not-G (H after G) Not-A (B after A) Not-T/U (V after U) Not-C (D after C) aNy
P为四种碱基的频率平方和
用尽可能接近最大长度的期望均值的字码(即k→μL) 来 开始同向重复序列的搜索计算可能节省计算量。
• 假定同向重复序列的长度呈正态分布。对于图3.1 鸡β蛋白序列，A、C、G、T 四个碱基的次数分 别为87、144、118 和89，因而P=0.2614，最长 重复序列的期望长度为8.13 且具有期望方差 0.9138。根据95%的正态分布概率，理论上可以 从k=6开始，且预期最长同向重复序列不超过10。
（四）序列比对与进化的关系
理论上，序列比对可以反映两个基因的 进化历史。在某些位点上，一个序列中拥 有某些残基，而另一个序列中缺少这种残 基，表明这些残基在进化过程中可能插入 或丢失。 当两个基因或蛋白质具有很高的序列相 似性时，推断它们之间可能具有一段共同 的进化历程，也可推断出这个未知基因或 蛋白质的结构与功能的某些性质。
强相互作用碱基 弱相互作用碱基 非鸟嘌啉 非腺嘌啉 非胸腺嘧啶 非胞嘧啶 不确定
这三种分布是相互独立的，表现在以下事实上： • 任何一种分布不能由其它两种分布的线性叠加表 示出来。 • 给定的DNA序列唯一地决定了这三种分布； • 三种分布唯一地描述了DNA序列。 对DNA序列的研究就是通过对这三种分布的研究 来进行。从方法学的角度来看，这是DNA序列的 一种几何学研究途径。
• 考察一个长为L的单股DNA序列，方向(5‘→3’或3‘→5’)不限。
• 从第一个碱基开始，依次考察此序列，每次只考察一个碱基。 当考察到第n个碱基时(n=1,2，⋯,L)，数一下从1 到n这个子 序列中四种碱基各自出现的次数。设4种碱基A、C、G、T 出现的次数分别以An、Cn、Gn、Tn表示之，这里下标“n” 是表明这些整数是从1 到n这个子序列中数出来的，如图3.2 所示。显然，它们都是正整数。
二．碱基相邻频率 • 分析DNA 序列的主要困难之一是碱基相邻的频率 不是独立的。碱基相邻的频率一般不等于单个碱 基频率的乘积：如果Pu 是序列中碱基u 的频率， 且Puv 为两个相邻碱基u 和v 的频率，则 PuPv ≠ Puv
Nussinov(1984) 研究了两碱基 相邻的频率(表 3.3)。数据来自 166 个脊椎动 物的DNA 序列， 总长136731 个 碱基。
两个重要概念 ——相似性和同源性
同源性（homology）在进化生物学上有严 格的定义，是不同物种在起源进化上的同一性。 如果在比对两个核苷酸（或氨基酸）序列 时，通过比对得出了两个序列之间的相似程度 为80%，那么这两个序列可能为同源物 （homolog）。
同源的基因是由于共同 的祖先基因进化而产生
在分子生物学中，DNA或蛋白质的相似性是多方面的： 可能是核酸或氨基酸序列的相似 可能是结构的相似 也可能是功能的相似 一个普遍的规律： 序列决定结构，结构决定功能 研究序列相似性可以： 通过相似的序列得到相似的结构或相似的功能 通过序列的相似性，判别序列的同源性，推测序 列之间的进化关系。
• Karlin等(1983)提出了序列内存在的最长同向重 复序列的统计显著性评价方法。 • 在核苷酸的位置为独立的假定下，长度为n的序 列中，最长同向重复L(n)的期望长度和方差为：
0.6359 2 ln n ln( 1 p) L 1 ln( 1 / p) 1.645 2 L 2 (ln p)
• 根据正四面体的对称性可以证明，在正面体内存在唯一的 一个点Pn与这四个正整数对应。点Pn构成了四个正整数的 一一对应映射。点Pn坐标可用四正整数表达：
z
xn=2(An+Gn)-n, yn=2(An+Cn)-n, (3.2) zn=2(An+Tn)-n, xn，yn，zn∈[-n，n]，n=1，2，⋯，L，
Leiurus quinquestriatus Africa and Asia This is one of the most dangerous scorpion
启动子区
编码区
3.1.2 序列比对 （Sequence Alignment） （一）序列比对的任务 序列比对是一种经典的生物信息学研究 方法。 比对又称联配，是指用某种特定的数学 模型或算法，找出两个或多个序列之间的 最大匹配碱基或残基，客观地反映它们之 间的相似性，找出序列间共同的区域，同 时辨别序列间的根本差异。
四. DNA 序列的几何学分析—Z 曲线
• DNA 序列实际上是一种用4 种字母表达的“语 言”，只是其“词法”和“语法”规则目前还没 有搞清楚。 • 人类的语言有文字、声音、手语、图画等多种表 达形式。同样，DNA 序列作为一种语言，其表达 形式也不是唯一的。 • 传统上，DNA 序列是用4 种字母符号表达的一维 序列。这是一种抽象形式，适合于存储、印刷、 比较、排列和查找特殊序列等。
Pn x
y
• 当n从1 跑到L时，我们依次得到P1，P2，P3，⋯，PL共L 个点。将相邻两点用适当的曲线连接所得到的整条曲线， 就称为表示DNA序列的Z曲线。 • 可以证明，Z曲线与所表示的DNA序列是一一对应的，即 给定一DNA序列，存在唯一的一条Z曲线与之对应；反之， 给定一条Z曲线，可找到唯一的一个DNA序列与之对应。 换言之，Z曲线包含了DNA序列的全部信息。 • Z曲线是与符号DNA序列等价的另一种表示形式，一种几
染色体定位 序列同源性分析 同源性核酸序列
外显子信息 启动子信息 转录因子信息 核酸序列 序列结构分析 重复序列信息 限制性酶切图谱 开放阅读框
进化关系 聚类分析 系统发育
3.1.2 序列组成及单一序列分析
一. 碱基组成
• DNA 序列一个显而易见的特征是四种碱基类型的分布。 尽管四种碱基的频率相等时对数学模型的建立可能是方便 的，但几乎所有的研究都证明碱基是以不同频率分布的。
• 作为一个特别的例子，图3.1 给出了鸡血红蛋白β 链的mRNA 编码区的438个碱基。
• 表3.4 列出了16 种两碱基的数目。将该表看作 4×4 的表，计算行列独立性的2统计量，得到 2=59.3（20.05，9=16.92）,表明行(第一碱基)列 (第二碱基)之间存在明显的关联。
三．同向重复序列分析
第三章 数据库搜索
3.1 序列分析
3.2 序列分析实际操作 3.3 其它数据库的搜索
3.1 序列分析
3.1.1 序列分析的意义
生物信息主要以基因的形式存在于DNA 分子中，表现为DNA分子上不同的核苷酸 顺序。如果核苷酸的排列顺序发生改变， 那么它代表的生物学意义可能也会随之改 变。因此，测定DNA分子中的核苷酸排列 顺序是生物学研究的基本内容之一。建立 快速、准确的DNA序列分析方法，对于研 究基因的结构和功能、揭示生命的奥秘具 有十分重要的意义。