植物基因家族全基因組分析平臺(tái)構(gòu)建及在Dof中的應(yīng)用

王培培 劉長寧

摘要：指出了基因家族是植物基因組的重要組成部分，在植物整個(gè)生長發(fā)育過程中扮演著重要角色，參與各種生物、非生物脅迫的應(yīng)答反應(yīng)，而且在植物環(huán)境適應(yīng)性進(jìn)化過程中可發(fā)揮重要作用。植物基因家族分析方法多樣，可選擇軟件較多，參數(shù)設(shè)置繁瑣，分析流程缺少規(guī)范性。為拉低學(xué)科差異的鴻溝與大數(shù)據(jù)分析的繁瑣性，構(gòu)建了一個(gè)植物基因家族全基因組鑒定與分析平臺(tái)，以小桐子Dof轉(zhuǎn)錄因子基因家族全基因組分析為例進(jìn)行了平臺(tái)測(cè)試，可為植物基因家族的研究提供一個(gè)流程化參考。

關(guān)鍵詞：基因家族;分析平臺(tái);全基因組分析

中圖分類號(hào)：S432.2+3

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1674-9944（2018）07-0001-05

1 研究概況

由于存在物種特異性擴(kuò)張，高等生物基因組中有豐富的多基因家族及超基因家族（superfamilies），20世紀(jì)70年代開始，人們逐漸對(duì)這種在生物個(gè)體和群體中產(chǎn)生遺傳變異并與基因組冗余有微妙關(guān)系的基因家族的研究產(chǎn)生了興趣[1]?；蚣易宄蓡T以簇狀或無規(guī)律形式分布于基因組的不同位置并在植物生長發(fā)育過程中發(fā)揮重要作用。轉(zhuǎn)錄因子（transcription factor，TF）是基因表達(dá)的轉(zhuǎn)錄調(diào)控因子，調(diào)控復(fù)雜的DNA到RNA的時(shí)空特異性表達(dá)，轉(zhuǎn)錄因子基因家族是植物中最大、作用最廣泛的基因家族之一[2]。由轉(zhuǎn)錄因子組成的轉(zhuǎn)錄起始前復(fù)合物可以偶聯(lián)靶基因啟動(dòng)子中的順式作用元件并啟動(dòng)基因轉(zhuǎn)錄。例如，轉(zhuǎn)錄因子通過招募啟動(dòng)子共激活因子、一般轉(zhuǎn)錄因子、染色質(zhì)重塑因子等蛋白因子構(gòu)成轉(zhuǎn)錄起始前復(fù)合物并激活RNA聚合酶，促進(jìn)RNA轉(zhuǎn)錄鏈的起始及延伸[3]。

伴隨著二代測(cè)序的廣泛應(yīng)用及生物信息學(xué)的快速發(fā)展，解析大數(shù)據(jù)密碼所隱含的生物學(xué)現(xiàn)象是生命科學(xué)研究者要解決的首要問題.基于這樣的契機(jī)，流程化分析平臺(tái)應(yīng)運(yùn)而生。一些不斷更新的分子生物學(xué)數(shù)據(jù)庫作為基因組序列的倉儲(chǔ)，為在全基因組水平研究轉(zhuǎn)錄因子基因家族提供了便利，常用的比較全面的大型數(shù)據(jù)庫比如NCBI、Ensembl和DDBJ等是轉(zhuǎn)錄因子研究的重要數(shù)據(jù)來源。常用的轉(zhuǎn)錄因子數(shù)據(jù)庫包括PlantTFDB4.0（ http： //planttfdb.cbi.pku.edu.cn/）和PlnTFDB 3.0（ http：//plntfdb.bio.unipotsdam.de/v3.0/）等，為植物轉(zhuǎn)錄因子的研究提供了豐富的開源數(shù)據(jù)。

目前，有關(guān)植物基因家族全基因組分析的研究大部分都集中在一些重要的轉(zhuǎn)錄因子上，比如bZIP、MADS- box、SBP - box、WRKY、AP2/ERP、NAC等等，而對(duì)Dof（ DNA- binding with one zinc finger）鋅指蛋白的報(bào)道相對(duì)較少，它是植物特有的一類轉(zhuǎn)錄因子基因家族，屬于鋅指蛋白超家族（ zine finger super - family）。Dof在多種代謝途徑及植物生長發(fā)育過程中發(fā)揮著重要作用，包括C、N代謝、光響應(yīng)、種子發(fā)育和萌發(fā)等[4]。首個(gè)Dof轉(zhuǎn)錄因子蛋白被發(fā)現(xiàn)于玉米中（ZmDofl），在玉米糊粉層形成過程中有重要功能朝。近年來，相繼從擬南芥[6]、水稻[7]、大麥[8]、小麥[9]、大豆[10]、蓖麻[11]等物種中鑒定出Dof基因，并對(duì)其功能進(jìn)行了深入地研究，不斷證實(shí)了Dof基因的功能重要性。

各種模式生物基因組測(cè)序工作完成之后，基因家族成為功能基因組學(xué)的研究熱點(diǎn)之一。基因家族全基因組分析的專業(yè)人士可以根據(jù)數(shù)據(jù)特征及分析目的自主選擇分析策略。但是，對(duì)于非專業(yè)的基因家族研究者而言，目前缺少一個(gè)流程化的分析平臺(tái)。基于分子生物學(xué)和生物信息學(xué)研究背景的復(fù)雜性，搭建一個(gè)基因家族分析平臺(tái)有其重要的現(xiàn)實(shí)意義。目前關(guān)于基因家族分析有很多值得借鑒的軟件工具與操作方法，但仍然存在很多值得完善的地方。例如，分析方法多樣化，可選擇軟件較多，參數(shù)設(shè)置繁復(fù)，分析流程復(fù)雜等。研究參考已有的分析方法，利用現(xiàn)有的硬件設(shè)施選擇合適的分析工具初步搭建了植物基因家族全基因組分析平臺(tái)，為植物基因家族流程化、規(guī)范化分析提供參考。

2 平臺(tái)搭建

輸入并整合分析蛋白質(zhì)數(shù)據(jù)、核酸數(shù)據(jù)、轉(zhuǎn)錄組數(shù)據(jù)，結(jié)合基因家族全基因組鑒定模塊與挖掘分析模塊，完成流程化基因家族全基因組鑒定與分析。

2.1 測(cè)試數(shù)據(jù)來源

平臺(tái)應(yīng)用測(cè)試所涉及到的物種基因組信息是 從以下數(shù)據(jù)倉儲(chǔ)網(wǎng)站下載：小桐子最完整版基因組數(shù)據(jù)（Assembly JatCur1.0）來源于NCBI（ https：//WWW.ncbi. nlm. nih. gov/）;擬南芥Dof基因家族蛋白質(zhì)序列與核酸序列數(shù)據(jù)來源：TAIR 9.0（http：//www. arabi-dopsis. org/）;蓖麻Dof基因家族蛋白質(zhì)序列與核酸序列數(shù)據(jù)來源：PlantTFDB database（ http：//planttfdb.cbi. pku. edu.cn/）;小桐子Dof基因表達(dá)量數(shù)據(jù)收集于：SRA數(shù)據(jù)庫（https：//www. ncbi. nlm. nih. gov/）。

2.2 平臺(tái)流程

平臺(tái)分析流程主要包括以下幾個(gè)步驟：基因家族成員鑒定與理化性質(zhì)分析;基因家族保守性分析;基因家族系統(tǒng)進(jìn)化分析;基因結(jié)構(gòu)與蛋白保守基序分析;基因在染色體上的位置與復(fù)制分析;基因表達(dá)模式分析;進(jìn)化壓力分析（圖1）。分析流程中參考已有的分析策略結(jié)合現(xiàn)有的硬件設(shè)備，選擇了一系列較為高效便捷的軟件工具（圖2）。

2.3 結(jié)構(gòu)模塊

平臺(tái)沒計(jì)主要包括三個(gè)模塊，分別為可視化模塊、邏輯操作模塊和數(shù)據(jù)服務(wù)模塊。其中可視化用戶服務(wù)界面主要通過snakemake實(shí)現(xiàn);邏輯操作模塊主要包含各個(gè)分析模塊及其涉及到的應(yīng)用軟件T具;數(shù)據(jù)服務(wù)模塊主要是指基因家族分析使用的公共數(shù)據(jù)庫中的基因組數(shù)據(jù)（圖2）。

3 方法步驟

3.1 基因家族成員鑒定

為篩選出某物種基因家族所有成員，結(jié)合Blastp和hmmsearch兩種程序?qū)θ蚪M數(shù)據(jù)進(jìn)行全面搜索。首先，利用待鑒定物種的全基因組蛋白質(zhì)數(shù)據(jù)，構(gòu)建本地Blast數(shù)據(jù)庫，以模式植物擬南芥轉(zhuǎn)錄因子蛋白質(zhì)作為query序列執(zhí)行本地blastp程序（e- value設(shè)置為le-10）。其次，以Pfam蛋白結(jié)構(gòu)域模型作為hm-mquery序列，以物種全基因組數(shù)據(jù)作為HMM數(shù)據(jù)庫，執(zhí)行本地hmmsearch程序。兩部分篩選結(jié)果取交集，刪除冗余，所得候選序列利用SMART及NCBI- CDD工具進(jìn)行蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)[12，13]，刪除不含目標(biāo)轉(zhuǎn)錄因子特定功能結(jié)構(gòu)域的序列，同時(shí)剔除不含完整讀碼框的序列。利用ExPASy Proteomics Server（http：//ex-pasy. org/）工具對(duì)所有目標(biāo)轉(zhuǎn)錄因子蛋白氨基酸序列進(jìn)行分子量、蛋白質(zhì)長度以及等電點(diǎn)等理化性質(zhì)預(yù)測(cè)分析[14]。

3.2 蛋白質(zhì)保守性分析

為可視化分析目標(biāo)轉(zhuǎn)錄因子蛋白的保守性，首先，使用DNAMAN軟件來提取目標(biāo)基因家族蛋白質(zhì)的保守區(qū)域，結(jié)合smart驗(yàn)證目標(biāo)蛋白是否含有該家族特定的保守的功能domain[15];其次，通過ClustalW軟件對(duì)目標(biāo)基因家族成員進(jìn)行多序列聯(lián)配比對(duì)分析，鑒定出高度保守的蛋白質(zhì)結(jié)構(gòu)域.找到標(biāo)志性功能位點(diǎn)，并用同種顏色標(biāo)示保守的氨基酸[16]。

3.3 系統(tǒng)演化分析

首先，利用guidance2 工具對(duì)蛋白質(zhì)序列進(jìn)行多序列聯(lián)配比對(duì)分析，設(shè)置梯度參數(shù)獲得信任值比較高的columns[17]。其次，使用提取得到的蛋白質(zhì)序列，結(jié)合MEGA6 [18]軟件采用鄰接法（Neighbor - Joining NJ）生成目標(biāo)基因家族的系統(tǒng)演化樹，替換模式選用“poissonmodel”，校驗(yàn)參數(shù)Bootstrap設(shè)置為1000。最后，使用在線的進(jìn)化樹美化軟件EvolView等軟件對(duì)系統(tǒng)演化樹進(jìn)行二次編輯修飾[19]。

3.4 基因家族蛋白結(jié)構(gòu)和功能基序的預(yù)測(cè)

每個(gè)成員基因核酸序列與核酸序列對(duì)應(yīng)的CDS序列，提交到Gene Structure Display Server（ GSDS2.0：http：//gsds2. cbi. pku. edu. cn/）[20]軟件分析基因結(jié)構(gòu)組成模式，包括內(nèi)含子、外顯子分布模式和數(shù)量特征等;利用在線工具M(jìn)EME （multiple expectation maximiza-tion for motif elicitation）[21]對(duì)轉(zhuǎn)錄因子蛋白的功能mo-tif進(jìn)行預(yù)測(cè)分析，長度參數(shù)設(shè)定為5～150，預(yù)測(cè)數(shù)量設(shè)置為10。

3.5 染色體定位和基因復(fù)制分析

結(jié)合物種基因組注釋GFF3文件，提取目標(biāo)基因在染色體上的位置信息，將所有目標(biāo)基因定位在該物種的染色體上，通過MapInspect[22]繪圖軟件繪制目標(biāo)基因家族基因組染色體定位圖。利用McScanX[23]軟件判定基因發(fā)生片段復(fù)制，軟件執(zhí)行物種all-against-allblastp文件和包含基因位置信息的GFF3文件.計(jì)算該物種基因組中的共線性區(qū)段（e-value=le-10）.發(fā)生于同一個(gè)共線性區(qū)段的目的基因?qū)Ρ徽J(rèn)為是發(fā)生片段復(fù)制的基因?qū)?另外，基因發(fā)生串聯(lián)復(fù)制事件的判定條件為：①兩個(gè)基因序列相匹配部分的長度大于較長序列的80%;②兩個(gè)基因序列相匹配部分的相似性應(yīng)大于80%;③緊密相連的基因中，只參與一次復(fù)制事件。結(jié)合基因在染色體上的位置，兩個(gè)基因應(yīng)位于同一條染色體上[24]。

3.6 選擇壓力分析

每一對(duì)發(fā)生復(fù)制的基因，根據(jù)其CDS序列，利用DnaSP[25]軟件計(jì)算復(fù)制基因?qū)Φ姆峭x替換率（Ka）和同義替換率（Ks）以及Ka/Ks值.分析發(fā)生復(fù)制事件的基因所受到的環(huán)境選擇壓力。①若Ka/Ks>1，正選擇壓力;②若Ka/Ks=1，受到中性選擇或自然選擇壓力;③若Ka/Ks<1，存在純化選擇作用。

3.7 基因家族的表達(dá)模式分析

基因的差異表達(dá)模式分析是基因功能研究的重要方法，為了進(jìn)一步探究目標(biāo)轉(zhuǎn)錄因子基因功能，收集基因在不同環(huán)境條件下（例如激素處理、鹽脅迫、干旱脅迫等）以及不同組織器官中的表達(dá)量數(shù)據(jù)（RNA - seq數(shù)據(jù)、表達(dá)芯片數(shù)據(jù)等），基因表達(dá)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理之后，利用R、Heml[26]等軟件繪制表達(dá)譜熱圖。

4 測(cè)試與應(yīng)用

鑒于植物基因家族分析缺少流程化、規(guī)范化平臺(tái)，構(gòu)建了一個(gè)初級(jí)的基因家族全基因組鑒定與分析的平臺(tái)，依據(jù)其具體流程步驟，以小桐子Dof基因家族的全基因組鑒定與分析為例，對(duì)該平臺(tái)的方法進(jìn)行實(shí)踐測(cè)試。小桐子是大戟科重要的多年生木本植物，因其種子含油量較高及花發(fā)育過程的特殊性是大戟科研究的一個(gè)潛在的模式植物。平臺(tái)測(cè)試分析過程中，對(duì)小桐子Dof基因進(jìn)行全基因組篩選與鑒定，并對(duì)鑒定到的基因進(jìn)行理化性質(zhì)、保守性、基因進(jìn)化、基因結(jié)構(gòu)及功能mo-tif、染色體定位、表達(dá)譜、選擇壓力等進(jìn)行系統(tǒng)性地研究分析，為小桐子Dof基因后續(xù)功能研究與開發(fā)利用提供理論基礎(chǔ)（表1）。

一共鑒定出了24個(gè)Dof基因，共編碼33條Dof蛋白，均屬于大分子蛋白，其理化性質(zhì)預(yù)測(cè)結(jié)果列表如表2。

5 總結(jié)

越來越多的植物全基因組測(cè)序完成，對(duì)基因家族的研究也越來越普遍，本研究初步搭建了一個(gè)植物基因組分析平臺(tái)。主要成果包括：整理了基因家族分析的比較常見的分析方法，歸納出了主要分析流程;設(shè)計(jì)了分析平臺(tái)主要結(jié)構(gòu)模塊主要包括可視化層一邏輯操作層一數(shù)據(jù)服務(wù)層等主要框架。利用小桐子Dof基因的流程化分析對(duì)該植物基因家族分析平臺(tái)進(jìn)行了測(cè)試應(yīng)用，驗(yàn)證了平臺(tái)的可行性。隨著高通量測(cè)序的大量產(chǎn)出和發(fā)布，本課題的研究工作能為從事植物基因家族分析的工作者提供參考，輔助其完成不同目的的基因家族分析。此外，本課題的工作對(duì)相關(guān)生物信息學(xué)平臺(tái)的設(shè)計(jì)與構(gòu)建也有一定的參考價(jià)值。

6 展望

目前，由于時(shí)間的限制、技術(shù)的不成熟等原因，該分析平臺(tái)仍然存在很多值得完善的地方。比如：本研究平臺(tái)初步建立，經(jīng)驗(yàn)不足.有待繼續(xù)完善;自動(dòng)化程度較低，后續(xù)snakemake可視化分析需要完善;本平臺(tái)可以為基因家族功能性分析及其分析平臺(tái)設(shè)計(jì)提供一定的參考。

參考文獻(xiàn)：

[1]Hool， Campbellj， Elglns. The organization， expression， and evo-lution of antibody genes and other multigene families [J]. Annualreview of genetics， 1975， 9（1）： 305～53.

[2] Van Lijsebettensm， Gasser K D. Transcript elongation factors：shaping transcriptomes after transcript initiation [J]. Trends inplant science， 2014， 19（11） ： 717～26.

[3] Hahn S， Young E T. Transcriptional regulation in Saccharomy-ces cerevisiae： transcription factor regulation and function， mech-anisms of initiation， and roles of activators and coactivators [J].Genetics， 2011， 189（ 3） ： 705.

[4] Lijavetzky D， Carbonero P， Vicente- Carbajosa J. Genome-wide comparative phylogenetic analysis of the rice and ArabidopsisDof gene families [J]. BMC evolutionary biology， 2003， 3

[5] YaNngisawa S， Sheen J. Involvement of maize Dof zinc fingerproteins in tissue - specific and light - regulated gene expression[J]. The Plant Cell， 1998， 10（1）： 75～89.

[6] Riechmann J L， Heard J， Martin G， et al. Arabidopsis transcrip-tion factors： genome - wide comparative analysis among eu-karyotes [J]. Science， 2000， 290（5499） ： 2105.

[7] Lihavetaky D， Carbonero P， Vicente- Catbajosa J. Genome-wide comparative phylogenetic analysis of the rice and ArabidopsisDof gene families [J]. BMC evolutionary biology， 2003， 3

[8] Moreno-Risueno M ， Mart Nez M， Vicente- Carbajosa J， et al.The family of DOF transcription factors ： from green unicellular al-gae to vascular plants [J]. Molecular Genetics and Genomics，2007， 277（4） ： 379.

[9] Chen ay， Guo xj， Chen zx， et al. Genome- wide characterizationof developmental stage- and tissue- specific transcription factorsin wheat [J]. BMC genomics， 2015， 16（1） ： 125.

[10] Wang H W， Zhang B， Hao Y J， et al. The soybean Dof - typetranscription factor genes， GmDof4 and GmDofll， enhance lipidcontent in the seeds of transgenic Arabidopsis plants [J]. ThePlant Journal， 2007， 52（4） ： 716.

[11] Jin Z， Chandrasekaran U， Liu A. Genome- wide analysis of theDof transcription factors in castor bean （ Ricinus communis L. ）[J]. Genes &- genomics， 2014， 36（4）： 527.

[12] Xu Q， Dunbrack R L. Assignment of protein sequences to exist-ing domain and family classification systems： Pfam and the PDB[J]. Bioinformatics， 2012， 28（21） ： 2763.

[13] Marchler- Bauer A， Zhenh C， Chitsaz F， et al. CDD： con-served domains and protein three- dimensional structure [J].Nucleic acids research， 2012（11）.

[14] Artimo P， Jonnalagekka M， Arnold K， et al. ExPASy： SIBbioinformatics resource portal [J]. Nucleic acids research，2012， 40（W1） ： 597～603.

[15] Woffelman C. DNAMAN for windows， version 5.2. 10： LynonBiosoft [J]. Institute of Molecular Plant Sciences， Netherlands：Leiden University， 2004（4）.

[16] Fukami- Kobayashl K， Salto N. How to make good use ofCLUSTALW [J]. Tanpakushitsu kakusan koso Protein， nucleicacid， enzyme， 2002， 47（9）： 1237.

[17] Sela I， Ashkenazy H， Katoh K， et al. GUIDANCE2： accuratedetection of unreliable alignment regions accounting for the un-certainty of multiple parameters [J]. Nucleic Acids Research，2015， 43（W1）.

[18] Tamura K， Stecher G， Peterson D， et al. MEGA6： molecularevolutionary genetics analysis version 6.0 [J]. Molecular biolo-gy and evolution， 2013（8）.

[19] Zhang H， Gao S， Lercher M J， et al. EvolView， an online toolfor visualizing， annotating and managing phylogenetic trees [J].Nucleic acids research， 2012， 40（W1） ： 569.

[20] Hu B， Jin J， Guo AY， et al. GSDS 2.0： an upgraded gene fea-ture visualization server[J]. Bioinformatics， 2014， 31（8） ： 1296.

[21] Bailey T L， Johnson J， Grant C E， et al. The MEME suite [J].Nucleic acids research， 2015， 43（ Wl） ： 39～49.

[22] He H， Dong Q， Shao Y， et al. Genome- wide survey and char-acterization of the WRKY gene family in Populus trichocarpa[J]. Plant Cell Reports， 2012， 31（7） ： 1199.

[23] Wang Y， Tang H， Debarry J D， et al. MCScanX： a toolkit fordetection and evolutionary analysis of gene synteny and col-linearity [J]. Nucleic acids research， 2012， 40（7） ： 49.

[24] Jin J， Tian F， Yang D-C， et al. PlantTFDB 4. 0： toward acentral hub for transcription factors and regulatory interactionsin plants [J]. Nucleic acids research， 2016（4）.

[25] Librako P， Rozas J. DnaSP v5： a software for comprehensive a-nalysis of DNA polymorphism data [J]. Bioinformatics， 2009，25 （11） ： 1451.

[26] Deng W， Wang Y， Liu Z， et al. Heml： a toolkit for illustratingheatmaps [J]. PloS one， 2014， 9（11）.