真核生物基因組注釋的主要步驟及方法

孫千代 徐杰英

(北京市第九中學(xué) 100041)

隨著基因組測(cè)序技術(shù)的不斷發(fā)展以及測(cè)序成本的不斷降低，越來越多的真核生物基因組被測(cè)序。然而，基因組序列本身只是一串串由A、T、C、G四個(gè)字母所組成的、枯燥難懂的字符，只有當(dāng)這些字符串的生物學(xué)意義被解讀了，即基因組序列被注釋了，人們才能夠有效地使用基因組序列。由此，在基因組測(cè)序完成之后，要做的第一件事就是進(jìn)行基因組注釋(genome annotation)。

1 基因組組裝質(zhì)量的評(píng)估

由于基因組組裝得好壞直接決定了基因組注釋的質(zhì)量，所以在進(jìn)行基因組注釋之前，先要評(píng)估一下基因組組裝的質(zhì)量。目前有許多評(píng)價(jià)指標(biāo)可以用來描述基因組組裝的完整性以及連續(xù)性，其中應(yīng)用得最為廣泛的就是N50數(shù)值(整個(gè)基因組序列長(zhǎng)度的50%是由長(zhǎng)度大于或者等于某個(gè)長(zhǎng)度的序列所構(gòu)成的，這個(gè)長(zhǎng)度即為N50)。一般來說，N50越長(zhǎng)，表示組裝的結(jié)果越好。當(dāng)一個(gè)基因組組裝的N50長(zhǎng)度大于或等于這一物種基因的平均長(zhǎng)度，那么表示基因組組裝的質(zhì)量不錯(cuò)，可以進(jìn)行后續(xù)的注釋工作。此外，有一些軟件(如BUSCO)采用與N50指標(biāo)互補(bǔ)的方法來評(píng)價(jià)基因組組裝的質(zhì)量。它把基因組組裝后的序列與譜系特異性的一套單拷貝基因進(jìn)行對(duì)比，來確定這些單拷貝基因完整地出現(xiàn)在一條序列上的百分比，借此來評(píng)價(jià)基因組組裝的完整性以及連續(xù)性。如果一個(gè)基因組組裝得不太完整或者N50太短，則需要額外加測(cè)一些序列來提高基因組組裝的結(jié)果，以便于對(duì)基因組進(jìn)行注釋[1]。

2 基因組重復(fù)序列的鑒定

真核生物的基因組里面有著大量的重復(fù)序列。例如，人類的基因組里有大約47%甚至更多的重復(fù)序列。重復(fù)序列的存在使基因組注釋復(fù)雜化，并且會(huì)使基因注釋的精度大幅降低。因而，在注釋基因組內(nèi)的基因之前，需要對(duì)基因組內(nèi)的重復(fù)序列進(jìn)行注釋。目前有兩種主要的鑒定重復(fù)序列的方法，即依據(jù)序列相似性的重復(fù)序列鑒定以及重復(fù)序列的從頭鑒定。在很多情況下，是把兩種方法結(jié)合起來進(jìn)行重復(fù)序列的鑒定。當(dāng)把一個(gè)基因組內(nèi)的重復(fù)序列鑒定出來之后，就可以借助軟件RepeatMasker把該基因組內(nèi)所有的重復(fù)序列都標(biāo)記出來，以幫助下一步的基因注釋軟件跳過這些重復(fù)序列[1]。

3 基因注釋

基因組注釋的主要內(nèi)容是：鑒定出基因組內(nèi)的基因，確定基因的結(jié)構(gòu)(內(nèi)含子-外顯子的邊界等)，并推斷出基因可能的功能(是否編碼蛋白質(zhì)等)。

目前主要有兩類方法被用來鑒定基因組內(nèi)的基因，并確定它們的結(jié)構(gòu)：第一類方法是把來源于同一物種或者親緣關(guān)系較近物種的蛋白質(zhì)序列、表達(dá)序列標(biāo)簽(EST)或者轉(zhuǎn)錄組序列(RNA-seq)與新組裝的基因組序列進(jìn)行比對(duì)，根據(jù)序列比對(duì)結(jié)果進(jìn)行基因鑒定和基因結(jié)構(gòu)解析；第二類方法是基于數(shù)學(xué)模型的基因從頭預(yù)測(cè)，它利用軟件自帶的參數(shù)文件(包括密碼子使用頻率、外顯子-內(nèi)含子的長(zhǎng)度分布等特征)，來區(qū)分基因區(qū)與基因間區(qū)，確定基因的外顯子-內(nèi)含子結(jié)構(gòu)?；跀?shù)學(xué)模型的基因預(yù)測(cè)方法的好處是：當(dāng)一個(gè)新測(cè)序的基因組沒有足夠的蛋白質(zhì)序列、表達(dá)序列標(biāo)簽或轉(zhuǎn)錄組序列時(shí)仍然能夠進(jìn)行基因組注釋。但由于軟件所自帶的參數(shù)文件具有物種特異性，而且它們都是來自于非常經(jīng)典的模式生物的基因組。所以，如果所要進(jìn)行基因組注釋的生物與這些模式生物的親緣關(guān)系很遠(yuǎn)時(shí)，那么使用基于數(shù)學(xué)模型的基因預(yù)測(cè)方法就會(huì)不太準(zhǔn)確。因此，目前主流的做法是分別使用第一類和第二類方法進(jìn)行基因注釋，然后把兩類方法的基因注釋結(jié)果進(jìn)行整合，并利用一些軟件(如GLEAN)來挑選出針對(duì)于同一個(gè)基因的“最優(yōu)”注釋[2]。

4 基因組注釋結(jié)果的釋放

當(dāng)一個(gè)基因組的注釋工作完成之后，首先要把盡可能全面的注釋信息(如基因的外顯子-內(nèi)含子結(jié)構(gòu)、基因的起始密碼子、終止密碼子、基因的選擇性剪切等)以恰當(dāng)?shù)奈募袷?如GFF3格式)存儲(chǔ)起來；然后將基因組的注釋信息提交給大型的生物信息學(xué)公共數(shù)據(jù)庫(kù)(如GenBank 和 Ensembl)，或者自己建立一個(gè)小型的數(shù)據(jù)庫(kù)，以分享注釋結(jié)果。這樣，基因組注釋的結(jié)果就可以讓更多的人獲得，以促進(jìn)相關(guān)領(lǐng)域的研究工作[2]。

高質(zhì)量的基因組注釋在重要功能基因的挖掘、致病基因的鑒定以及農(nóng)作物新品種的培育等方面發(fā)揮著巨大的作用。但是，真核生物基因組注釋的工作并不是一勞永逸的，因?yàn)殡S著注釋工具以及測(cè)序技術(shù)的不斷發(fā)展，需要不斷地對(duì)現(xiàn)有的基因組注釋進(jìn)行周期性的更新。因此，真核生物的基因組注釋工作任重而道遠(yuǎn)。