桿狀病毒偽編碼序列的識別與分析.pdf

1、隨著全基因組測序計(jì)劃的陸續(xù)完成，已有三千余株病毒的全基因組完成測序，其中桿狀病毒達(dá)48株。獲得了基因組的序列信息以后，找到其中編碼蛋白質(zhì)的基因是進(jìn)行基因組分析的首要步驟，是生物信息學(xué)研究中的一個重點(diǎn)。 我們將基因組中不具備編碼能力的開放讀碼框（Open Reading Frams）稱為偽編碼序列（Pseudo—coding sequence）。由于偽編碼序列的存在，將混淆人們對基因組的認(rèn)識，導(dǎo)致研究人員在進(jìn)行基因功能的分析時，花

2、費(fèi)不必要的時間和精力。因此，找尋高效可行的方法進(jìn)行偽編碼序列的識別顯得尤為重要。 本研究從已獲得全基因組序列的48株桿狀病毒出發(fā)，提取出所有注釋為編碼序列的片段，將其分為確實(shí)已知的真實(shí)編碼序列和注釋不完全的嫌疑偽編碼序列兩大類。為進(jìn)行后續(xù)的機(jī)器學(xué)習(xí)分類，我們需要構(gòu)造與已知編碼序列相對應(yīng)的人工偽編碼序列，為此，我們提出一種人工構(gòu)造偽編碼序列的方法。該法通過改造與已知基因處于同一DNA鏈上的非編碼區(qū)域，使其成為與編碼序列等長且具有相

3、同起始與終止密碼子，中間部分為不含終止密碼子的非編碼序列。將得到的真實(shí)編碼序列與人工偽編碼序列作為訓(xùn)練集的正、負(fù)集，將嫌疑偽編碼序列作為預(yù)測集。為了更有效地量化序列特征，我們以張春霆院士提出的DNA3維Z曲線理論為基礎(chǔ)，該理論將一條DNA序列根據(jù)其堿基組成特征轉(zhuǎn)換成為3維空間中的一條曲線，本研究進(jìn)一步提取該DNA的序列組成特征，通過不斷細(xì)化，將3維空間曲線逐步升至81維，以該81維曲線的平均斜率作為原始DNA序列的特征值。而后，對以上所

4、有經(jīng)過預(yù)處理的數(shù)據(jù)，分別采取支持向量機(jī)（Support Vector Machine，SVM）和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks, ANN）兩種機(jī)器學(xué)習(xí)方法進(jìn)行訓(xùn)練及預(yù)測，綜合兩種方法所得到的結(jié)果，最后對這些序列進(jìn)行了進(jìn)一步的分析。 結(jié)果顯示，采用本研究提出序列特征提取方法對真實(shí)編碼序列和人工偽編碼序列進(jìn)行特征提取，可以將兩者較好的區(qū)分開來，而且隨著空間曲線的維數(shù)的升高分類效果也越明顯。采用SV

5、M進(jìn)行測試，得到準(zhǔn)確率、靈敏度和特異性分別為97.49％、99.56％、95.42％，而相應(yīng)的采取ANN得到的結(jié)果為93.53％、93.07％、93.98％。取得兩種預(yù)測方法所得結(jié)果的交集，最終得到134條序列為可能的偽編碼序列。分析這134條序列，發(fā)現(xiàn)它們在已知的蛋白數(shù)據(jù)庫中較少收錄，與真實(shí)的編碼基因相比，序列相似性較低，且這些序列之間的相似性也不大。而從序列長度、GC含量、所處基因組位置等特征的分析來看，也與真實(shí)編碼序列間存在較大差