第四章-DNA序列分析

第四章 DNA序列分析

引言
表达序列标签分析
序列对位排列
4.1 引言

4.1.1 为什么要分析DNA序列
序列及所代表的类群间的系统发育关系 限制性酶切（位点）图谱 通过内含子和外显子（intron/exon）预测所确 定的遗传结构
通过对可读框（open-reading frame, ORF）分析 推导蛋白质编码序列（coding sequence, CDS）
说明两条序列的相似程度 ——〉定量计算

两条序列的相似程度的定量计算 – 相似度，它是两个序列的函数，其值越大，表示 两个序列越相似 – 两个序列之间的距离。距离越大，则两个序列的 相似度就越小
距离计算的不足 字符编辑操作（Edit Operation）

字符编辑操作可将一个序列转化 为一个新序列
5、用于序列相似性打分的权值矩 阵（Weight Matrices）
表3.3 转移矩阵 A 0 5 T 5 0 C 5 1 G 1 5
C
G
0
0
0
0
1
0
0
1
C
G
-4
-4
-4
-4
5
-4
-4
5
C
G
5
1
1
5
0
5
5
0
转移矩阵表
嘌呤（腺嘌呤A，鸟嘌呤G）有两 个环，嘧啶（胞嘧啶C，胸腺嘧啶T） 只有一个环。 转换（transition），如AG、 CT。
Phrap
基于swat算法 使用全序列质量信息 全基因组、EST 通常与Phred和consed联合应用 /phredphra pconsed.html

Phrap
命令及参数 phrap lesson.seq.screen -minmatch 20 -minscore 40 -view -new_ace >phrap.out 结果
– Match（a，a）
– Delete（a，-） – Replace（a，b） – Insert（-，b）
扩展的编辑操作
ACCGACAATATGCATA ATAGGTATAACAGTCA
ACCGACAATATGCATA ACTGACAATATGGATA
不同编辑操作的代价不同
为编辑操作定义函数w，它表示“代价 （cost）”或“权重（weight）”。 对字母表中的任意字符a、b，定义 w (a, a) = 0 w (a, b) = 1 ab w (a, -) = w ( -, b) = 1
也可以使用得分（score）函数 来评价编辑操作
p (a, a) = 2 p (a, b) = -1 a b p (a, -) = w ( -, b) = -1
（ii） 氨基酸突变代价矩阵GCM （iii）疏水矩阵 （iv）PAM矩阵 （v） BLOSUM矩阵
氨基酸突变代价矩阵GCM
GCM（Genetic Code Matrix，Haig and Hurst，1991）
如果变化一个碱基使某些氨基酸的密码子改变为另一些氨基 酸的密码子，其替换代价为1；



对蛋白质的结构和功能不产生太大影响的替换较高。
这些点突变已经被进化所接受。这意味着在进化历 程上相关的蛋白质在某些位置上可以出现不同的氨 基酸。




一个PAM就是一个进化的变异单位,即1%的氨基酸改 变 PAM有一系列的替换矩阵，每个矩阵用于比较具有特 定进化距离的两个序列。例如，PAM120矩阵用于比 较相距120个PAM单位的序列。 一个PAM-N矩阵元素（i，j）的值反应两个相距N个 PAM单位的序列中第i种氨基酸替换第j种氨基酸的频 率。 将PAM1自乘N次，可以得到PAM-N。 Dayhoff等第一次使用了log-odd处理，矩阵中的取代分 值同目标频率与背景频率的比值的自然对数成比例。 Dayhoff等人只发表了PAM250，通常在较高的PAM值 处得到最佳结果，比如在PAM200到250之间，较低值 的PAM矩阵一般使用于高度相似的序列 （Altschul,1991）。
/gorf/gorf.html
4.2 表达序列标签A序列互补的DNA
双链的cDNA插入合适的分析 表达序列标签(expressed sequep）,代表特定 组织或发育阶段表达的基因。
第二条序列头尾颠倒
CTAGTCGAGGCAATCT GAACAGCTTCGTTAGT
？
3、通过点矩阵进行序列比较
“矩阵作图法” 或 “对角线作图”
4、 序列的两两比对

序列的两两比对 （Pairwise Sequence Alignment） 按字符位置重组两个序列，使得两个序列 达到一样的长度

lesson.seq.screen.contigs lesson.seq.screen.singlets lesson.seq.screen.view lesson.seq.screen.ace phrap.out
4.3 序列对位排列
序列比较的根本任务是：
发现序列之间的相似性 辨别序列之间的差异
概念： 两个序列s 和 t 的比对代价等于将s 转化为t 所 用的所有编辑操作的代价和 s 和t 的最优比对是所有可能的比对中代价最小 的一个比对 s 和 t 的真实距离应该是在代价函数w值最优时 的距离，记为dw(s,t)。 例如： s: AGCACACA t: ACACACTA cost=2

序列比对的目的是寻找一个代价最小的比对。

（1）核酸打分矩阵设DNA序列所用的字母表为 = { A，C，G，T }
a. 等价矩阵 b. BLAST矩阵 c. 转移矩阵表
表3.1 等价矩阵表 A A T 1 0 T 0 1 C 0 0 G 0 0 A T 表3.2 BLAST矩阵 A 5 -4 T -4 5 C -4 -4 G -4 -4 A T
颠换（transversion），如AC、 AT 转换发生的频率远比颠换高
A A T C G 0 5 5 1 T 5 0 1 5 C 5 1 0 5 G 1 5 5 0
（2）蛋白质打分矩阵
（i）等价矩阵
1 i j Rij 0 i j
其中Rij代表打分矩阵元素 i、j分别代表字母表第i和第j个字符。
PAM1矩阵
A RA N
R N D C Q E G H I L K M F P S T W Y
D
C
Q
E
G
H
I
L
K
M
F
P
S
T
W
PAM250矩阵
A RA N
R N D C Q E G H I L K M F P S T W Y
D
C
Q
E
G
H
I
L
K
M
F
P
S
T
W
BLOSUM矩阵

BLOSUM矩阵是由Henikoff首先提出的另一种 氨基酸替换矩阵（Henikoff，1992），采用与 PAM同样的方式可以建立BLOSUM替换矩阵 BLOSUM矩阵则是从蛋白质序列块（短序列） 比对而推导出来的。 基本数据来源于BLOCKS数据库，其中包括了 局部多重比对（包含较远的相关序列，同在 PAM中使用较近的相关序列相反）。 通过直接观察获得数据而不是通过外推获得。 同PAM模型一样，也有许多编号的BLOSUM矩 阵。
结果
可读框：一个起始密码子（ATG)和终止密码
子（ TAA ,TAG,TGA ）之间的序列
一般是从DNA序列而非RNA序列来判断可读
框的存在
一个双链的DNA有6个潜在的可读框
原核生物的编码区是一个单独的ORF，真核
生物编码区含有内含子，要分析真核基因的编 码区还必须识别出内含子和外显子的边界，不 过若使用cDNA序列，则问题可大大简化。
目的：
相似序列 相似的结构，相似的功能 判别序列之间的同源性 推测序列之间的进化关系
序列比较的基本操作是比对（Alignment）
– 两个序列的比对是指这两个序列中各个字符
的一种一一对应关系，或字符的对比排列 。
设有两个序列： GACGGATTAG，GATCGGAATAG Alignment1: GACGGATTAG || | GATCGGAATAG Alignment2: GA-CGGATTAG || |||||||| GATCGGAATAG
4.1.2
5’ 5’UTR
基因结构与DNA序列分析
3’ 外显子 内含子
外显子
内含子
外显子
3’UTR
单链基因组DNA
转录
5’UTR mRNA 翻译 蛋白质 CDS 3’UTR
非翻译区:
在DNA和RNA中均有，位于 CDS两侧，在3’端的UTR是高度特异的。 概念性翻译： 六框翻译（six-frame translation）
EST与cDNA的关系
5’
3’
EST CDS UTR
4.2.2 EST数据库: EMBL, GenBank(dbEST)
4.2.3
EST分析
序列相似性查询 序列组装 序列聚类
4.2.4
电子克隆cDNA全长序列
根据大量EST具有相互重叠的性质，由一个查询 序列开始，依靠EST数据库在计算机上对EST进行 两短延伸，从而获得全长的cDNA序列
疏水矩阵
该矩阵是根据氨基酸残基替换前后疏水
性的变化而得到得分矩阵。
若一次氨基酸替换疏水特性不发生太大
的变化，则这种替换得分高，否则替换 得分低。
PAM矩阵

PAM矩阵是建立在进化的点突变模型PAM（Point Accepted Mutation，Dayhoff et al.,1978）基础上。 Dayhoff等研究了71个相关蛋白质家族的1572个突变， 发现氨基酸的替换并不是随机的，一些氨基酸的替 换比其它替换更容易发生