2、原核基因结构的MED模型及多迭代自学习预测基因的MED系统

生物基因组复杂结构信息及其演化探索生物基因组复杂结构信息及其演化探索佘振苏佘振苏加州大学洛杉矶分校数学系加州大学洛杉矶分校数学系,,北京大学湍流与复杂系统国家重点实验室北京大学湍流与复杂系统国家重点实验室，， 北京大学理论生物学中心北京大学理论生物学中心朱怀球朱怀球北京大学湍流与复杂系统国家重点实验室北京大学湍流与复杂系统国家重点实验室，，北京大学理论生物学中心1、前言前言生物由原核生物和真核生物组成，前者包括蓝细菌、细菌、古细菌、放线菌、立克次氏体、螺旋体、枝原体和衣原体等，后者包括动物、植物、真菌等。

据不完全估计，目前在地球的生物圈里存在大约20～30亿种微生物，其中原核生物是微生物的最主要组成部分。

原核生物的生命形态要比真核生物简单，但它们同样完美地表现出生命复杂系统的所有特征——有组织的结构、新陈代谢、复制繁殖、侦察与适应环境等。

作为存储全部遗传信息的原核生物基因组，构成了运行上述复杂生命现象的基础。

研究原核生物基因结构及其演化规律，对于认识生物进化规律有重要的意义。

在包括人类基因组在内的各种模式生物基因组计划实施以来，已经有200多种原核生物的全基因组序列实现了完全测序并得到对它们的基因注释信息。

根据现代分子遗传学知识，原核生物基因组可以看成是由许多编码蛋白质或RNA的基因序列和携带各种调控信息的非编码序列等诸多元素所组成的复杂系统，我们称之为基因系统。

例如，大肠杆菌（E. coli ）K-12的全基因组长度为460多万个核苷酸，其中包含已知的4288个基因，既有长达7149核苷酸的编码基因，也有300多条短于300核苷酸的编码基因。

这些基因可分为多个功能组，分别参与翻译、转录、DNA复制、细胞分裂、生物合成、信号传导……等10多大类以及上百小类的复杂的生命活动，组成了一个复杂的时空网络，其中还有多达359条基因被证明来自其它原核生物，这种基因的水平转移是在漫长的基因组演化过程中发生的。

可见原核生物的基因系统是一个开放的复杂巨系统，对它的研究无疑是对复杂系统研究的一种有意义的探索。

原核生物一般分为两个界：细菌（Bacteria ）和古细菌（A rchaea ）。

后者由Woese 等在1977年利用16S r RNA 做进化树来研究物种亲缘关系时提出。

现在人们认为古细菌和细菌大约在40亿年以前从它们的最近共同祖先分叉进化产生，而现代的真核生物又是从古细菌分叉进化形成的。

虽然古细菌在细胞结构以及代谢途径方面与细菌相似，但是如果考虑某些大分子结构和遗传特征（如基因的转录以及翻译机制）的话，会发现古细菌比细菌更接近于真核生物。

因此，古细菌开始成为一种引人注目的生命形式。

因此，对细菌和古细菌的基因组复杂结构信息的研究以及对它们基因组之间的比较研究对生物进化具有重要的科学意义。

2、原核基因结构的原核基因结构的MED MED MED模型及多迭代自学习预测基因的模型及多迭代自学习预测基因的模型及多迭代自学习预测基因的MED MED MED系统系统系统原核生物的基因主要表现为一段连续的编码序列（称为开放阅读框）以及序列前区（非编码区）的调控序列。

开放阅读框是由连续的三核苷酸（称为密码子）排列而成，根据遗传密码表翻译成氨基酸链，进而合成具有生物活性的蛋白质分子。

调控序列包含了被调控基因（即其后的开放阅读框）的转录、翻译等基因表达相关的时空调控信息。

计算分子生物学研究原核生物的一个最主要任务就是从基因组的DNA序列中识别编码蛋白质的基因，以及调控基因表达的各种信号（例如调控翻译的核糖体结合位点(ribosomal binding site)，简称R BS）。

为了准确地识别DNA序列上的基因，首先必须对编码序列及其翻译调控序列的特征有准确的刻画和认识。

通过建立基因结构的模型，设计原核生物基因预测的算法。

经过近十年的努力，人们已经发展了许多原核基因预测的算法及相应的软件，但这些算法基本上是基于对随机序列刻画的隐马氏模型。

隐马氏模型的刻画构成对序列的高维参数拟合，具有参数多、结构复杂、生物学意义隐晦等特点。

基于隐马氏模型的基因预测方法虽然在基因预测应用上取得一定的成果，但对于理解基因结构的生物学意义上始终停滞不前。

因此，探索基因预测的新模型成为我们过去一段时间研究的目标。

目前影响原核基因预测水平的实际困难有两点：（1）、在同一个开放阅读框的末端，存在唯一的翻译终止密码子，但起始端可能存在多个可能的起始密码子，其中只有一个是翻译起始位点。

基因起始位置（即翻译起始位点(translation initiation site)，简称TIS）往往不能随终止密码子而唯一确定。

因此，基因起始位置的预测精度要远远低于基因终止位置的预测精度；（2）、由于统计平均模型对短基因（通常短于300核苷酸）的刻画存在较大的涨落，因此短基因的预测水平较低。

建立基因系统的简明模型，也应该在解决上述实际困难方面有所建树。

我们近年来运用复杂系统的研究方法，根据原核基因的复杂结构特征，发展了一个刻画原核基因系统的ME D统计模型，这是一个包含两个模块的二组元统计模型（见图1）。

该模型首先提出了熵密度分布（Entropy D ensity Profile，简称E D P）模块，对一段DNA序列的编码潜能进行统计语言学的刻画。

E D P是基于Shannon的人工语言理论提出的，对一段任意有限长度DNA序列进行关键统计词汇使用频率的整体刻画，它将任意一组DNA序列（通常是对应开放阅读框的序列）表现为n维空间上的点集（n为关键词汇的个数）。

对公开发表的数据分析表明，迭代计算会很快收敛到与物种相关的点集，构成对物种的一个有生物学意义的刻画，也对序列产生一个与物种相关的编码性能的量度。

其次，模型对基因翻译起始位点以及前区的调控信号构造了包含4组具有生物学意义的统计参数的R BS模块。

这四组参数为P1、P2、P3、P4，其中P1表示阅读框中不同位置的起始密码子能成为翻译起始位点的可能性，P2表示翻译起始位点及其邻域的序列特征，P3是处于基因起始位点前区的核糖体结合位点及其邻域的序列特征，P4我们设计了一种综合集成的表示核糖体结合位点对其下游的编码基因起到翻译调控的可能性。

基于E D P模块和R BS模块，、多迭代循环的、自学习的基因预测系统——ME D系统（见图2）。

该系统可以对输入的任意新测序的原核生物全基因组DNA序列进行自动分析，并根据迭代自学习得到的模块参数对全基因组序列进行注释，标注出序列上所有编码蛋白质基因的位点信息，以及调控该物种基因翻译的核糖体结合位点的关键序列。

ME D系统在对原核生物全基因组序列进行基因注释时，不依赖任何有关该物种的先验知识以及经验参数，而是在迭代学习的过程中自动获取这些参数。

这种自学习过程的实现反映了生物进化过程中存在的普适因素，特别是在构造E D P模块的根序列时运用的初始特征点集以及在进行判别分析所用到的决策树的参数，都与物种无关。

对于这些普适参数的分析还没有完成，我们目前正在进行这项工作。

我们相信，ME D方法对于认识原核生物基因系统中蕴藏的普遍规律具有重要的意义。

由于ME D 方法把握了这些普适因素，它在预测新测序的原核基因组时有明显的优势，在微生物研究及微生物工程中具有很好的应用前景。

P… A T G Φ2以枯草芽胞杆菌(B. subtilis )全基因组序列的分析结果为例，基因组全长4,214,814核苷酸，目前数据库GeneBank 中已注释的编码基因4100个。

运行ME D系统对枯草芽胞杆菌全基因组序列进行分析，可以预测到基因前存在一些保守字串“GG A GG”、“AAA GG”、“A GG A G”，它们应该是调控基因翻译的核糖体结合位点的信号。

如果对所有编码基因前区20核苷酸的序列片段作logo图，logo图是采用信息熵的方法将保守序列用图示化的方法；字符的高度和在保守序列里面出现的频率成正比（Schneider 和 Stephens, 1990）。

得到的结果与ME D系统分析的3个信号几乎是一致的（见图3），表明ME D系统能够很好地抓住原核基因系统中R BS 的特征，对R BS 复杂结构建立的模型是非常有效的。

图3 枯草芽胞杆菌基因翻译调控区（起始位点前11个核苷酸的窗口序列）的logo图表1. 10条短基因与10条非编码阅读框序列（来自枯草芽胞杆菌全基因序列的基因注释）下面介绍一下ME D系统对短基因的识别精度。

对于大多数统计模型而言，短序列的统计性质会因为序列太短存在较大的涨落。

运用ME D 方法发展的原核基因预测软件ME D2.0对枯草芽胞杆菌全基因组序列进行基因预测，结果表明短基因的识别精度已经达到国际上最好的水平（见表1，与当前国际上最好的原核基因预测软件GeneMarkS 、Glimmer 2.02和ZCU R V E 1.0相比）。

表1 Comparison of MED 2.0, GeneMarkS, Glimmer 2.02 and ZCURVE 1.0 on three short gene datasets of B. subtilis . 测试 数据集 短基因数目 Genes detected (3’ end) (%) Genes exactly predicted (both 5’ and 3’ ends) (%)ends) (%) MED2.0GeneMar kS Glimme r 2.02 ZCURVE 1.0 MED 2.0 GeneMar kS Glimme r 2.02 ZCURVE 1.0 Bsub123 123 92.792.791.9 91.1 91.9 84.684.6 81.3 68.3 78.0 Bsub72 72 93.193.193.1 91.7 93.1 90.390.3 86.1 68.1 86.1 Bsub51 51 92.2 94.194.1 88.2 90.2 92.292.2 88.2 64.7 84.34、MED MED方法对古细菌基因组转录方法对古细菌基因组转录方法对古细菌基因组转录、、翻译调控信号的分析翻译调控信号的分析从进化关系来看，古细菌是介于细菌和真核生物之间的一类特殊的物种，目前国际基因组数据库GenBank 中已经测序并得到基因注释的物种大约有20种。

GenBank 给出的注释很大程度上也是采用预测软件得到的。

这里，我们运用我们发展的ME D 方法对古细菌基因组进行注释和分析，发现古细菌基因结构表现出与细菌和真核生物都不同的特征。

我们主要针对翻译起始位点上游的与基因调控相关的信号进行分析，目前已经取得了一些初步结果。

下面主要以古细菌Pyrococcus abyssi (以下简称P.aby )来介绍最近的进展。