棉屬ESTs數(shù)據(jù)分析平臺的建立及海島棉EST-SSR標記的挖掘與特征分析.pdf

1、棉花作為纖維的重要來源，是世界范圍內(nèi)最重要的纖維經(jīng)濟作物。隨著測序技術和生物信息學的快速發(fā)展，GenBank等重要生物數(shù)據(jù)庫中登陸的棉屬序列也快速增長，截至2009年2月，NCBI、EMBL和DDBJ3大數(shù)據(jù)庫收錄的棉花EST有375,374條，利用生物信息學手段對棉花ESTs數(shù)據(jù)進行大規(guī)模分析顯得日益重要.
　　 本文以生物信息學理論為基礎，利用Phred/Phrap/Consed、phd2fasta、CrossMatch、R

2、epeatMasker、cap3、BLAST、BLAST2GO、SSR locator等軟件包以及自主基于perl、python平臺開發(fā)的程序，在Linux操作系統(tǒng)中構建了棉屬ESTs數(shù)據(jù)生物信息分析平臺，完成了從測序峰圖判讀、序列轉換、載體序列的去除、重復序列分析、鑲嵌克隆去除、序列聚類和組裝、ESTs序列功能注釋與功能分類以及基于EST的SSR、SNP分子標記的發(fā)掘。同時，通過使用Perl語言編寫的腳本程序使分析過程自動化，加速對大

3、規(guī)模測序數(shù)據(jù)的分析和利用。此外，為了加快分析速度和避免網(wǎng)絡局限性，運用自行編寫的程序?qū)γ迣俚鞍住⒑怂?、ESTs等網(wǎng)絡數(shù)據(jù)資源進行了本地化集成。
　　 基于EST-SSR挖掘系統(tǒng)，利用海7124-3～6和6～24DPA的胚珠和纖維為材料構建的兩個cDNA文庫隨機測序ESTs序列21,073條、運用腳本程序從Genbank dbEST數(shù)據(jù)庫抽取海島棉ESTs1,023條，預處理后共計22.087條海島棉（Gossypiumbarba

4、dense）ESTs序列進行EST-SSRs標記挖掘及特征分析。海島棉ESTs序列剔除冗余序列，得到非冗余序列9,697條。在非冗余序列中發(fā)現(xiàn)含不同重復基元SSRs的EST序列有595條，共617個EST-SSRs,EST-SSRs序列的頻率是6，13％,平均相隔10.8kb出現(xiàn)一個SSR。在2-6bp的重復基元中，三核苷酸重復基元的SSRs出現(xiàn)頻率最高(27.2％)，其次是五核苷酸(26.O％)、六核苷酸(26，3％).統(tǒng)計所有的重復

5、基元類型，所占比例最大的是AAG/CTT(8.09％)，其次是AG/CT(7.15％).利用Prime3及virtual PCR程序，并去除CMD收錄的已發(fā)布的SSR引物冗余后，開發(fā)了297對新的SSR引物。對本實驗四倍體作圖親本陸地棉TM-1和海島棉海7124進行多態(tài)性檢測后，其中60對有多態(tài)性，多態(tài)性頻率為20.2％。這些EST-SSRs可有效用于不同棉種間的分布特征比較及染色體定位等方面研究。
　　 使用本地BLASTx程

6、序?qū)琒SR的ESTs序列與nr（non-redundant）蛋白數(shù)據(jù)庫本地數(shù)據(jù)庫進行同源性比較，595條ESTs序列中，457條(76.81％)ESTs序列發(fā)現(xiàn)有同源性蛋白，而138條(23，19％)沒有任何命中( nohits)。同時，同源蛋白中，142條(23.87％)為推測性或假設性蛋白。
　　 使用BLAST2GO軟件包對包含SSR的ESTs序列進行基因本體學GO分析(GeneOntology)及KEGG代謝途徑功能

7、分類。GO分成生物過程(Biological Process)、細胞組分(Cellular Component)和分子功能(Molecular Function)3個類型。細胞組分中所占比例最大的是細胞cell/cell part(30.42％)，其次是細胞器organelle(22.01％)；生物過程中所占比例最大的是細胞過程cellular process(33.25％)，其次是代謝過程metabolic process(30.38

8、％)；分子功能中所占比例最大的兩個是催化活性catalyticactivity(49.44％)和結合binding(37.45％)。此外，KEGG代謝途徑分類中，主要分布在代謝途徑類Metabolism(31.36％)，而代謝途徑分類中，大多數(shù)集中在碳水化合物代謝Carbohydrate Metabolism的42.02％。這些為相關基因的克隆和下一步的表達和功能分析提供了序列依據(jù)。
　　 總之，基于本地化的生物信息學綜合分析體