对NCBI人类基因数据库一些模式参考序列错误的鉴定

• 作 者: 张德礼[1]季梁[1]马大龙[2]李衍达[1]
• 机 构: 清华大学生物信息学研究所生物信息学教育部重点实验室,清华大学信息科学技术学院智能技术与系统国家重点实验室,北京 100084
• 出 处: 2003年中国博士后生命科学学术研讨会暨院士论坛
• 发表日期: 2003年期

采用生物信息学分析与实验确认相结合的技术路线,通过所识别的基因在非冗余数据库比对,发现了网上公布的计算机注释人类基因组编码序列存在各种类型的多处错误,包括cDNA水平的一个或一段碱基插入、缺失或突变,或是这些错误的不同排列组合。举证了NCBI GE-NOME Annotation Project预测人类新基因的下列错误类型：
1)开放读码框架(ORF)中错误插入一个碱基造成编码氨基酸移码；
2)错误拼接；
3)开放读码框中错误插入一个或一段碱基造成该读框提前终止,只编码N端氨基酸的cDNA序列而不完整；
4)只有编码C端氨基酸序列的cDNA而不完整；
5)只是正确基因ORF中间的一段编码蛋白cDNA序列而不完整,缺N端与C端氨基酸序列,并且将不完整蛋白氨基酸序列的第一个非起始码氨基酸错误地预测为起始码氨基酸,如将L错误地预测为M；
6)开放读框中错误插入一个或一段碱基造成前面出现不该有的终止码,因而编码蛋白缺开头部分氨基酸；
7)可能将污染基因组序列当做完整基因cDNA序列对待而预测出所谓单一外显子基因,即便真是基因,也只是较长单一外显子mRNA中有一小ORF,而ORF起始码上游同一相位确实存在终止码,无其它特点符合基因条件；
8)所预测基因只有ORF,而ORF两端没有任何EST证据,可据此ORF拼接出受EST和人类基因组双重支持的完整基因cDNA(开放读框上游同一相位有终止码),预示所预测ORF参考序列可能不正确；
9)有EST实验证据支持存在基因的人类基因组序列范围内又被预测出一条相似但更小的蛋白编码基因,因而新预测基因有可能是错误的。我们的策略既有助于发现更多的人类新基因,又有助于纠正美国国家生物技术信息中心(NCBI)基因组注释项目公布的参考序列(REFSEQs)中所存在的错误。