基于频率分布特征的生物核酸序列的定量分析

• 作 者: 张宇镭
• 机 构: 上海交通大学
• 出 处: 上海交通大学
• 发表日期: 2006年期
• 关键词: Genome Signature 双核酸 水平基因转移 生物核酸序列

抽取不同长度单词的频率分布特征向量用以刻画序列特征的方法，称为基于Genome Signature 方法。基于计算核酸序列组合的一个重要的应用就是进行长序列的比对，甚至是全基因组的比对。这种基于语言学方法进行序列分析和比对，不需要预先或者后来的任何Alignment, 可以比较非同源的，甚至是长度差异很大的序列，所以又可以称为“Alignment-free sequence comparisons”。
本文使用基于Genome Signature 的理论抽取核酸频率分布特征，并采用计算语言学中统计学习的方法定量分析生物核酸序列。以119 个细菌的全基因核酸序列为研究对象，抽取双核苷酸频率分布特征，构建其数字特征向量；以PCC(Person CorrelationCoefficient)距离为标准，对两两序列之间的关系进行分析。对细菌亲缘关系给予定量的描述，得出物种亲缘关系越相近，PCC 距离越小。物种亲缘关系越远，PCC 距离越大。从细菌的全基因组核酸序列上采用非重叠的方法，截取长度为1000bp 的片断359902 条。抽取这些短片段的双核苷酸频率分布特征向量，计算每条短片段与119 个全基因组双核苷酸频率分布特征向量之间的PCC 距离。经过统计分析，得出如下结论：1000bp 长度的片段基本能够保持一个物种全基因组的Genome Signature。来自每个物种上不同位置的1000bp片断与其全基因组的PCC距离是不同的。采用可视化的方法，构建取自不同位置的1000bp片段与全基因组核酸序列的距离图谱。得出外来基因较多的物种，其图谱的波动很大，反之，波动很小。并用该方法有效的预测Neisseriameningitides strain MC 58的水平基因转移。
最后是对短核酸片段的分类和聚类的研究。首先，构建了一个15类的小型分类器，来源于15 个物种的50604 条片段中，正确分类的为35116 条，整体分类准确性为69.39％。分类器针对来源于不同物种的短片段分类准确性差别很大。比如Bordetella pertusis 准确性为80.74％，而外来基因较多的Escherichia coli O157:H7 EDL933 准确性只有35.87％。分类器的准确性与待分短片段的来源有关。另外，构建119 类的大型分类器，比较15类的小型分类器和119 类的大型分类器的分类情况。
本文的最后是对短片段的聚类分析。来自Escherichia coliO157:H7 EDL933 的短片段内部距离较大分为4 个簇。取自Bordetellapertusis 的短片段距离很小，分为1 个大的簇。