原核生物基因識(shí)別新算法研究及DNA序列分析.pdf

1、目前，隨著DNA測(cè)序技術(shù)的發(fā)展，從細(xì)菌到高等真核生物，越來越多的全基因組序列數(shù)據(jù)正不斷涌現(xiàn)。理論和計(jì)算將發(fā)揮日益巨大的作用，生物信息學(xué)作為一門嶄新的前沿學(xué)科應(yīng)運(yùn)而生?；蜃R(shí)別是進(jìn)行基因組分析的第一步，在生物信息學(xué)研究中占有重要的地位。本論文主要致力于原核生物的蛋白質(zhì)編碼基因識(shí)別算法的研究，以及對(duì)DNA序列的相關(guān)分析。 論文第一部分對(duì)當(dāng)前生物信息學(xué)的主要研究?jī)?nèi)容和原核生物基因識(shí)別的背景作了簡(jiǎn)要介紹。 論文第二部分利用一些生

2、物信息學(xué)工具，如Zcurve、Glimmer以及BLAST等軟件，對(duì)一株蠟狀芽孢桿菌(Bacillus cereus ATCC 10987)基因組中的蛋白質(zhì)編碼基因進(jìn)行了分析，并將原RefSeq數(shù)據(jù)庫標(biāo)注的5603個(gè)基因重新注釋為5180個(gè)基因，這個(gè)結(jié)果與該細(xì)菌親緣物種的表現(xiàn)一致。另外，新注釋在功能已知或保守基因的比例、平均基因長(zhǎng)度以及GC含量等指標(biāo)上明顯優(yōu)于原始注釋，證明了重新注釋的基因的合理性。 論文第三部分主要致力于一種新

3、的識(shí)別細(xì)菌和古細(xì)菌基因組蛋白質(zhì)編碼基因的算法——Zcurve 2.0的研究。該算法以相位特異性Z曲線理論為基礎(chǔ)，綜合考慮密碼子內(nèi)部相鄰堿基之間的相關(guān)性，發(fā)展了新的特征變量和樣本。并在編碼與非編碼ORFs的分類算法方面，使用了支持向量機(jī)方法進(jìn)行訓(xùn)練與判別。另外對(duì)現(xiàn)有基因組及其注釋基因進(jìn)行分析，從中生成用于評(píng)價(jià)各種基因識(shí)別算法性能的參考數(shù)據(jù)集。依據(jù)這419條染色體序列數(shù)據(jù)，將Zcurve 2.0與Zcurve 1.02、Glimmer 3.

4、02進(jìn)行比較。結(jié)果表明，三者的平均識(shí)別率相差很??；Zcurve 2.0和Glimmer 3.02的平均附加預(yù)測(cè)率處于同一水平，且均比Zcurve 1.02有明顯降低；另外Zcurve程序的運(yùn)行速度和易用性要遠(yuǎn)好于Glimmer 3.02。當(dāng)把Zcurve 2.0和Glimmer 3.02聯(lián)合使用時(shí)，預(yù)測(cè)成績(jī)通常會(huì)顯著提高。 論文第四部分描述了Z曲線數(shù)據(jù)庫和必需基因數(shù)據(jù)庫的更新。Z-curveDatabase 2.1提供了一個(gè)方便