原核基因組基因序列相似性分析及其對基因預測結(jié)果的影響.pdf

1、隨著高通量測序技術(shù)的發(fā)展，發(fā)現(xiàn)基因組中普遍存在重復基因現(xiàn)象?；蛑貜驮趯е禄驍?shù)量增大的同時，也為基因突變和正向選擇提供原材料，進而為生物體進化提供可能。所以，了解重復基因的生物學意義和進化機制顯得尤為重要。目前，對真核基因組中的重復基因研究較多，而對原核基因組中的重復基因、尤其是對多拷貝基因研究鮮有報道。因此，本課題首先對原核生物基因組中重復基因進行了深入統(tǒng)計分析。在此基礎上，首次對原核生物基因組中多拷貝基因及其功能進行了系統(tǒng)研究，為

2、今后原核生物進化研究及基因組分析提供可靠的數(shù)據(jù)和理論基礎。另外，基因注釋是基因組研究的重要課題，在許多基因注釋算法中都采用了蛋白質(zhì)編碼基因序列作為訓練集。而許多算法中沒有考慮由于重復基因和多拷貝基因的存在導致蛋白質(zhì)編碼基因序列相似性冗余問題。數(shù)據(jù)集冗余是機器學習中影響預測效率的關(guān)鍵因素之一，序列相似性去冗余已被廣泛應用于蛋白質(zhì)序列相關(guān)預測問題中。因此，在對原核生物基因組中重復基因和多拷貝基因研究基礎上，本文以兩種具有廣泛應用的基因重注釋

3、算法為例，進一步分析了相似性蛋白質(zhì)編碼基因序列對基因重注釋結(jié)果的影響，為今后原核生物基因組蛋白質(zhì)編碼基因注釋提供可靠的理論基礎。論文主要工作包括：
　　1.首先構(gòu)建了由RefSeq數(shù)據(jù)庫中下載的98個具有不同G+C含量原核生物基因組組成的數(shù)據(jù)集，運用CD-HIT軟件對各基因組中重復程度≥80％的基因序列進行了相似性分析和去冗余，然后對各基因組中序列相似性等于100%的多拷貝基因進行了統(tǒng)計分析，結(jié)果表明在原核生物基因組中重復基因和多

4、拷貝基因普遍存在，重復基因所占比例0~16.49%，多拷貝基因在各基因組中所占比例0~15.93%。對功能已知的多拷貝基因的COG分析表明，近87%的多拷貝基因的COG分類屬于“L”，具體的功能分析發(fā)現(xiàn)有71.4%的多拷貝基因與編碼轉(zhuǎn)座酶相關(guān)，說明原核生物中的多拷貝基因的生物功能與環(huán)境適應相關(guān)。
　　2.為了研究相似性基因序列對基因注釋結(jié)果的影響，以Z-curve算法和RPGM算法為例對相似性序列去冗余前、后的預測準確性、過注釋基