看过好多大神的博客,对自己的学习帮助很大,这是额的第一篇博客,其实是额的生物信息学作业,感觉还是有用的,分享给大家。 基因组注释是在得到全基因组序列后首先要做的。它是利用生物信息学方法,对基因组所有基因的生物学功能进行功能注释,包括基因预测和基因功能注释两个方面。目前已经有许多的基因预测工具或者在线注释网站。基因预测的方法主要有3 种:(1)分析mRNA和EST数据直接得到结果;(2)通过相似性比对从已知基因和蛋白质序列得到间接证据;(3)基于各种统计模型和算法从头预测,比如隐马可夫模型。其中通过相似性比对得到预测基因的方法最常见。例如,现在流行的做法是先通过Glimmer、GeneMarks等软件预测出基因组的ORF。然后通过Blast方法将ORF同其他物种的基因进行比对。有同源基因的ORF被注释为同样功能的基因,没有同源性的ORF被舍去或注释为假说蛋白(hypothetical protein)。由于注释需要大量的数据库,为了使注释变得简单,一些研究机构将不同功能的注释软件整合在一起,提供在线的注释服务。如RAST,Xbase等,NCBI的PGAAP能提供人工的注释服务。这些网站只需要用户将序列和序列的所属物种分类信息提交即可。注释好的结果为gbk 格式文件(包含序列和注释信息) GeneMarks软件的原理都是使用统计学模型的从头预测(ab initio)方法,不依赖任何先验知识和经验参数,通过描述DNA序列中核苷酸的离散模型,利用编码区和非编码区的核苷酸分布概率不同来进行基因预测。GeneMarks是不需要人为干预和相关DNA或rRNA基因的资料即可对新的细菌基因组进行预测,测试表明GeneMarks对GeneBank数据库中已注释的枯草芽孢杆菌的预测准确度达到82.9%,而对已通过实验方法证实注释功能的大肠杆菌的预测高达93.8%,其对新测序基因组的预测与Glimmer存在同样问题,即相当一部分基因在数据库并不能发现同源,只能作为假蛋白基因存在。 如何在没有明确实验证据的前提下鉴定此类基因预测的准确性,切实可行的方法就是综合利用多个预测软件对预测结果进行比较,分析其中的异同点。 本研究主要以A.baumanniiACICU染色体序列为例对基因预测与注释的方法进行分析,以找到合适的基因预测与注释的方法。 2. 材料与方法(Methods and Materials) 下面利用从NCBI上下载的A.baumanniiACICU全基因组染色体序列(不包含质粒序列)(.fasta格式)为例,分别使用GeneMarks(http://topaz./GeneMark/genemarks.cgi)进行ORF(开放阅读框)基因预测,RAST(http://rast./)进行功能基因(CDS)注释,对比原结果进行分析。 2.1.使用GeneMarks进行ORF预测 (1)第一步是上传A.baumaniiACICU染色体序列,并设置合适的参数,填加自己的邮箱。全部设置好之后,点击[StartGeneMarks]开始注释。如下图所示: (2)第一步上传结束序列之后,会出现如下界面,提示序列已成功提交,注释好的文件会发到所填邮箱。 2.2.使用RAST进行功能基因注释 (1)上传A.baumaniiACICU(.fasta格式)序列,上传结束后点击[Usethis data and go to step 2]进行下一步。如下图所示: (2)第二步填加必须的的参数,Domain选择[Bacteria],GeneticCode选择[11],然后点击[Usethis data and go to step 3]进行下一步操作。如下图所示: (3)如下图所示,选择好合适的参数后点击[Finishthe upload],即可等待结果,注释结束后,其会发邮件告知 3. 结果与讨论(Results and Discussion) 3.1. 使用GeneMarks预测ORF的结果以及分析 使用GeneMarks进行预测后,生成了gms.out gms.out.faa gms.out.fnn gms.out.ps四个文件: 其中gms.out文件如下显示(其中一部分,使用linux系统cat或者head命令查看): Gene Strand LeftEnd RightEnd Gene Class # Length 1 - 76 468 393 1 2 - 506 2974 2469 1 3 - 3027 4109 1083 1 4 - 4124 5272 1149 1 5 - 5370 6767 1398 1 6 + 7438 7572 135 1 7 + 7602 7994 393 1 8 + 8005 8325 321 1 9 + 8331 10091 1761 1 10 + 10182 11537 1356 1 ………… 3711 + 3894879 3896006 1128 1 3712 + 3896134 3896979 846 1 3713 - 3897035 3897370 336 1 3714 - 3897495 3898499 1005 1 3715 - 3898842 3899849 1008 1 3716 - 3900105 3901109 1005 1 3717 + 3901366 3903297 1932 1 3718 + 3903549 3904106 558 1 其中gms.out.faa氨基酸序列文件显示如下(其中之一): >gene_3718|GeneMark.hmm|185_aa|+|3903549|3904106 >gi|184156320|ref|NC_010611.1|Acinetobacter baumannii ACICU, complete genome MNFIDFITNFEQFLPILIQEYGAWVYAILFLIIFSETAFVFMFFLPGDSLLLTVGALCSV VELMHLGYMITLLTVAATLGYIVNYSIGRHFGNRIFEAKSRFIKKEYLNKTNRYFLQHGG KTILLARFIPFARSFAPLAAGSSNMSYGKFLIYNVAGAILWICILLTAGYLFGHALIQVT DFVEN 其中gms.out.fnn核苷酸序列如下所示,起始密码子为ATG,终止密码子为TAATGA和TAG(其中之一): >gene_3718|GeneMark.hmm|558_nt|+|3903549|3904106 >gi|184156320|ref|NC_010611.1|Acinetobacter baumannii ACICU, complete genome ATGAATTTTATTGATTTTATTACTAATTTTGAACAATTTTTACCTATTTTGATTCAGGAG TATGGTGCATGGGTTTATGCCATACTCTTTTTGATTATTTTTTCTGAAACTGCTTTTGTG TTTATGTTCTTTTTACCTGGAGATAGCTTACTTTTAACTGTAGGTGCACTGTGCTCGGTG GTTGAACTGATGCATCTTGGTTATATGATTACTCTGCTCACCGTTGCAGCAACATTAGGC TATATCGTCAATTATTCTATTGGCCGCCATTTTGGAAACCGTATTTTTGAAGCAAAATCA CGTTTTATTAAAAAAGAATATTTGAATAAAACGAACCGCTATTTCTTGCAACATGGCGGTAAAACTATTCTTTTAGCACGTTTTATTCCTTTCGCACGTTCTTTTGCACCCCTCGCTGCCGGCTCAAGCAATATGAGCTATGGAAAATTTTTGATTTACAATGTGGCAGGAGCTATTTTGTGGATCTGCATCCTTTTAACGGCTGGCTACCTATTTGGCCATGCACTCATTCAAGTTACAGATTTTGTTGAAAATTAA 由此可知A.baumanniiACICU全基因组经GeneMarks预测到了3718个基因。 3.2.使用RAST进行功能基因注释结果以及分析 以上两图是使用RAST对A.baumannii ACICU染色体序列进行注释的结果菌株A.baumanniiACICU染色体基因组经RAST功能基因注释,共注释到3683个功能基因。其中分布于不同功能子系统(457)的有1831个,确定的基因(non-hypothetical)有1736个,不确定(hypothrtical)的有95个;其余的编码基因不分布于这些不同功能的子系统中,共有1852个,其中确定的有908个,不确定的有944个。 3.3. 综合分析 对于A.baumaniiACICU染色体序列,由GeneMarks预测到3718个基因,由RAST注释到3683个编码蛋白基因,与原文献结果含有预测基因数(ORF)为3758个,其中编码蛋白质的基因数为3670个相比有所不同。其中预测基因数比原文献少了有40个,差别较大,原文献联合使用GeneMarks与Glimmer对比预测,效果较好;注释基因数相差比原文献多13个,差别不大,原文献中综合使用COG与KEGG数据库对预测到的蛋白序列进行注释,说明RAST注释结果还是比较可靠的。整个过程只是基因注释的初始工作,要想得到完整准确的基因注释结果,需要使用多个软件进行注释,对于不能准确注释的基因还需要单独进行注释,最后综合分析得到结果。 参考文献:1. 黄勇: 基于高通量测序的微生物基因组学研究. 中国人民解放军军事医学科学院, 2013. 2. AzizRK, Bartels D, Best AA, Dejongh M, Disz T, Edwards RA, Formsma K, Gerdes S,Glass EM, Kubal M: The RAST Server:Rapid Annotations using Subsystems Technology. Bmc Genomics 2008,9::75. 3. 夏伟: Gluconobacter oxydans 621H全基因组自动注释结果的分析评估. 江南大学, 2013. 4. BesemerJ, Lomsadze A, Borodovsky M: GeneMarkS:a self-training method for prediction of gene starts in microbial genomes.Implications for finding sequence motifs in regulatory regions. American Banker 2001,29:2607-2618. 5. IaconoM, Villa L, Fortini D, Bordoni R, Imperi F, Bonnal RJP, Sicheritz-Ponten T, DeBellis G, Visca P, Cassone A, Carattoli A:Whole-genomepyrosequencing of an epidemic multidrug-resistant Acinetobacter baumanniistrain belonging to the European clone II group. Antimicrobial Agents and Chemotherapy 2008,52:2616-2625. |
|