Поиск

Полнотекстовый поиск:
Где искать:
везде
только в названии
только в тексте
Выводить:
описание
слова в тексте
только заголовок

Рекомендуем ознакомиться

'Тематика курсовых работ'
2. Учет активов, обязательств, собственного капитала, финансовых результатов (и других разделов учета) в соответствии со стандартами, принятыми в разн...полностью>>
'Документ'
На сучасному етапі розвитку української державності питання незалежного громадянського контролю за діяльністю всіх гілок влади (включаючи центральну ...полностью>>
'Публичный отчет'
Работа КМС началась с 1го сентября с проведения традиционной линейки знакомств студентов 1го курса с представителями Деканата и Студсовета ЭФ. Студент...полностью>>
'Документ'
Актуальність теми. Проблема виконання приписів будь-якої правової системи актуальна з часів античного Риму, де стверджувалось: Pacta sunt servanda” –...полностью>>

Лекции "Методы предсказания структуры генов эукариот". Слайд Здравствуйте, тема нашей сегодняшней лекции "

Главная > Лекции
Сохрани ссылку в одной из сетей:

Слайд 1.

Здравствуйте, тема нашей сегодняшней лекции “Методы предсказания структуры генов эукариот”.

Слайд 1.

Здравствуйте, тема нашей сегодняшней лекции “Методы предсказания структуры генов эукариот”.

Слайд 2 - 7.

Выдающиеся успехи молекулярной биологии в области разработки методов автоматической расшифровки (секвенирования) ДНК привели к накоплению огромного количества экспериментальных данных. Суммарная длина секвенированных последовательностей ДНК и РНК в базах данных GenBank и EMBL составляет более чем 28,500,000,000 пар нуклеотидов. Полностью секвенированы геномные последовательности более 1000 видов вирусов, 139 видов бактерий, 16 видов археобактерий и 19 видов эукариот. Например, полностью секвенированы геномы таких эукариотических организмов как Arabidopsis thaliana, Caenorhabditis elegans, Drosophila melanogaster, Encephalitozoon cuniculi genome, Guillardia theta nucleomorph genome, Saccharomyces cerevisiae, Plasmodium falciparum, Schizosaccharomyces pombe. Секвенированы геномы 4 видов позвоночных: Homo sapiens, Mus musculus, Rattus norvegicus (rat) и Zebrafish (Danio rerio). А так же 7 видов растений Avena sativa (oat), Glycine max (soybean), Hordeum vulgare (barley), Lycopersicon esculentum(tomato), Oryza sativa (rice), Triticum aestivum (bread wheat) и Zea mays (corn)

В связи появлением этой новой информации особую актуальность имеет разработка эффективных методов компьютерного анализа, позволяющих проводить автоматическую аннотацию вновь секвенированных последовательностей, выявление всех типов регуляторных и структурных элементов и предсказание тонких особенностей их функционирования.

Не смотря на существование значительного числа программных ресурсов, направленных на определение структуры генов, эта задача все еще остается до конца не решенной.

Слайд 8.

Рассмотрим модель структуры эукариотического гена. Процесс передачи и переработки генетической информации в эукариотических клетках от ДНК в белок проходит в несколько стадий. В ходе транскрипции происходит ДНК-зависимый синтез пре-мРНК. Затем, в ходе процессинга пре-мРНК происходит вырезание интронов и добавления кэпа и Poly-A хвоста с формированием мРНК. Процесс завершается транспортом мРНК в цитоплазму, посадкой на нее рибосом и трансляцией с нее соответствующих белков.

Слайд 9.

Одним из свойств эукариотического гена, значительно усложняющих его распознавание является существование альтернативного сплайсинга.

Слайд 10.

Кроме того, интроны и экзоны разных генов могут существенно различаться по длине.

Слайд 11.

Существует несколько типов генов эукариот.

•Protein coding

–most genes

•RNA genes

–rRNA

–tRNA

–snRNA (small nuclear RNA)

–snoRNA (small nucleolar RNA)

Слайд 12.

Основные типы информации, использующихся для распознавания генов.

•Информационные свойства сигналов, входящих в структуру генов (донорные и акцепторные сайты, сайты связывания транскрипционных факторов и т.д.)

•Свойства контекста (смещения частот использования кодонов в кодирующих районах, длина открытой рамки считывания и т.д.)

•Сходство с известными гомологичными последовательностями представленными в базах данных.

Слайд 13 - 14.

Одним из отличительных свойств эукариотических генов является экзон – интронная организация их структуры. Все экзоны можно разделить на 4 класса: 5’-экзоны, внутренние экзоны, 3’-экзоны и экзоны, находящиеся в составе безинтронных генов. Эти классы, в свою очередь, могут быть разделены на 12 субклассов в соответствии с их локализацией в мРНК, содержанием белок- кодирующей последовательности и статистическими характеристиками. Процесс сплайсирования происходит на коротких участках мРНК, называемых сайтами сплайсинга. Эти сайты могут быть трех типов: донорный сайт, описываемый консенсусом AG|GURAGU, акцепторный сайт (консенсус YYYYYYYYYNCAG|G) и менее консервативный branch сайт (консенсус CURAY). Именно эти сайты необходимы для связывания с рибонуклеопротеинами, формирующими 60S комплекс называемый сплайсосомой. В ходе двух- этапной ферментативной реакции происходит вырезание интрона и сшивка экзонов.

Слайд 15.

На данный момент существует очень большое количество программ, занимающихся распознаванием интрон- экзонной структуры генов. Одними из первых подходов анализа пре- мРНК были методы, основанные на поиске коротких сайтов сплайсинга. В этом случае сайты могут описываться в виде консенсуса или позиционной весовой матрицы. Кроме того, для анализа и учета межпозиционных взаимозависимости стали использовать более сложные способы описания сайтов сплайсинга, такие как Марковские модели, учитывающие близкие позиционные корреляции, а также деревья решений. Широкое применение получили нейронные сети. Но учет только информации о сайтах сплайсинга не дает возможности распознавать гены и восстанавливать их структуру в протяженных геномных последовательностях.

Слайд 16.

Одним из важных элементов распознавания интрон- экзонной структуры является учет сильных контекстных различий интронов и экзонов.

Как известно, первый экзон эукариотического гена всегда начинается с кодона ATG. Последовательность последнего экзона заканчивается одним из стоп – кодонов.

Слайд 17.

В случайной последовательности один из стоп – кодонов будет встречаться примерно через каждые 20 нуклеотидов.

Таким образом, если мы наблюдаем в одной из рамок считывания протяженную последовательность тринуклеотидов, не содержащую стоп-кодона, это может являться одним из доводов в пользу того, что исследуемый участок ДНК входит в состав кодирующего района гена.

Слайд 18.

На данном слайде изображены распределения ORF дрожжей, соответствующих случайным ORF (красный цвет) и ORF входящим в состав аннотированных дрожжевых генов (зеленый цвет). Хорошо видно, что такая характеристика ORF как их длина может являться хорошим свойством распознавания кодирующих районов.

Слайд 19.

Другим важным свойством, используемым в распознавании кодирующих районов, является отличие в частотах использования различных тринуклеотидов в кодирующих и некодирующих районах генов. Объясняется это как разными частотами использования аминокислот в белках, так и разными частотами кодонов, используемых для кодирования одной и той же аминокислоты. Эти частоты оптимизированы под основные фракции тРНК, присутствующие в клетке и являются видоспецифичными. Считается, что наиболее оптимизированными по своему кодонному составу являются кодирующие районы высокоэкспрессирующихся генов.

Слайд 20.

Для оценки кодирующего потенциала рассматриваемой ДНК последовательности можно использовать индекс адаптации кодонов (CAI). Этот индекс рассчитывается как произведение отношений частоты встречаемости в геноме каждого присутствующего в последовательности кодона к частоте встречаемости в геноме наиболее частого синонимичного кодона, кодирующего ту же аминокислоту.

Слайд 21.

На этом рисунке приведены индексы адаптации кодонов, рассчитанные для двух разных видов.

Слайд 22.

Рассчитав индекс адаптации кодонов в окне заданной длины, движущемся вдоль рассматриваемой последовательности в каждой из трех рамок считывания можно построить профиль функции кодирующего потенциала.

Слайд 23.

Одним из наиболее широко используемых способов описания моделей кодирующих и некодирующих последовательностей, а так же способов оценки принадлежности неизвестной последовательности к одному из этих классов являются марковские цепи.

Слайд 24.

При этом вероятности того, описывается ли рассматриваемая последовательность моделью кодирующего или некодирующего районов рассчитываются с помощью формулы Байеса.

Слайд 25.

А для того, чтобы отнести последовательность к одному из классов, можно использовать LOG-ODDS критерий.

Слайд 26.

Наиболее широко для расчета кодирующего потенциала последовательности используют частоты гексонуклеотидов (олигонуклеотидов длины 6), поскольку это позволяет учитывать как информацию о характерных частотах кодонов, так и информацию о частотах переходов между кодонами. Аналогом такого подхода является использование трех Марковских моделей пятого порядка для трех позиций рамки считывания кодонов, как это было сделано в программе GeneMark (Borodovsky and McIninch., 1993). Одного учета частот олигонуклеотидов оказалось достаточно для довольно уверенного распознавания кодирующих последовательностей в геномах прокариотических организмов.

Слайд 27.

Но распознавание эукариотических генов потребовало разработки более сложных подходов. Для этой цели, в последние годы появилось большое количество методов предсказания структуры генов, основанных на теории скрытых марковских моделей (HMM). В этом случае последовательность ДНК гена представляется в виде набора состояний (states). Каждому типу района гена (интронам, экзонам и т.д) соответствует свое состояние. Состояния называются скрытыми, поскольку каждый нуклеотид исследуемой последовательности ДНК может находиться в любом из этих состояний до тех пор, пока не будет выяснено, к какому типу района он относится. На основе обучающей выборки оцениваются вероятности переходов между нуклеотидами внутри каждого состояния, и вероятности переходов между состояниями.

Пусть X обозначает последовательность ДНК, Q – последовательность возможных скрытых состояний для каждого из нуклеотидов X, Q обозначает параметры модели, то есть вероятности генерации символов в каждом из состояний, а также вероятности переходов между состояниями. Задачей метода является нахождение в исследуемой ДНК такой последовательности состояний Q, соответствующую описанию гена, которая максимизировала бы вероятность P(Q|X,Q) наблюдения генной структуры Q в последовательности X при параметрах модели Q. Алгоритм динамического программирования для HMM Viterbi, позволяет находить максимальную P(Q|X,Q).

Слайд 28.

На данный момент существует достаточно много программ распознавания генов, основанных на использовании модели скрытых Марковских цепей.

Слайд 29.

Одной из таких программ является программа GENIE. Эта программа может использовать для распознавания отдельных элементов гена различные методы. В частности, для распознавания сайтов сплайсинга использовались нейронные сети, а для распознавания кодирующих районов в этой программе использовались марковские цепи. Объединение всех этих элементов в единую модель гена производилось с помощью модели скрытой Марковской цепи.

Слайд 30.

Другой широко используемой программой распознавания генов основанной на скрытых марковских цепях является программа GenScan. Эта программа имеет следующие особенности:

  • Учитывает распределение длин интронов и экзонов.

  • Весовая позиционная матрица (WMM) используется для описания TATA box, PolyA signal, CAP end and Transcription Initiation End (TIE) of 5'UTR.

  • Weight Array model (WAM) используется для описания акцепторного сайта связывания.

  • Дерево решений (maximal dependence decomposition) используется для моделирования донорных сайтов сплайсинга

Слайд 31.

При построении дерева решений для описания донорного сайта сплайсинга использовался подход, приведенный на данном слайде. При этом подходе выборка последовательно разбивается на подвыборки, описываемыми общим сигналом.

Слайд 32.

Кроме того, в этой программе использовалась информация о распределениях длин интронов и экзонов в реальных геномных последовательностях.

Слайд 33.

На этом слайде приведена общая схема алгоритма GenScan. Круги и ромбы соответствуют состояниям, описывающим различные типы районов, входящих в структуру генов, включая промоторные районы 5’-, 3’- нетранслируемые районы экзоны и интроны. Стрелки обозначают возможные переходы между этими состояниями. Система GenScan рассчитывает вероятности переходов между нуклеотидами в каждом из типов состояний и вероятности переходов между состояниями тренируясь на обучающей выборке. Нахождение оптимального маршрута в этой структуре при распознавании генов в неизвестной последовательности происходит с использованием динамического программирования. Система GenScan позволяет проводить поиск генов в прямой и обратной цепях ДНК.

Слайд 34.

На этом слайде вы видите интерфейс ввода данных в программу GenScan. Подобный интерфейс является стандартным для большинства программ распознавания генов.

Слайд 35.

Следующий алгоритм, использующий модель скрытой Марковской цепи который мы рассмотрим, является VEIL (Viterbi Exon-Intron Locator). В этом алгоритме и входящие в ген элементы (сайты сплайсинга, интроны, экзоны и т.д.) и переходы между элементами описывались скрытыми марковскими моделями.

Слайд 36-39.

На этих слайдах приведены описания моделей входящих в ген элементов, используемых в системе VEIL.

Слайд 40.

Для значительного повышения качества распознавания можно использовать информацию об известных гомологичных последовательностях, представленных в банках данных.

Слайд 41.

Картина выравнивания, подобная проведенной на этом рисунке может использоваться в распознавании.

Слайд 42.

Одним из таких подходов является метод TwinScan.

Слайд 43.

Этот алгоритм состоит из нескольких шагов:

  • Выравнивание анализируемой последовательности с гомологом определенного вида из базы данных.

  • Отметка каждой буквы как пропуск, несовпадение, совпадение. Таким образом формируется новый алфавит.

Слайд 44.

Затем производится нахождение наиболее вероятной структуры гена с помощью алгоритма Viterbi. Причем вероятности порождения каждого из символов рассчитываются для интронов и экзонов на основе информации о выравнивании последовательностей генов этих видов, представленных в базах данных.

Слайд 45.

На этом рисунке приведен пример такого распознавания.

Слайд 46.

Для распознавания можно использовать не только последовательности гомологичных генов или мРНК, представленные в базах данных, но и выравнивание с EST. Примером такой программы является метод ORFScan приведенный на этом рисунке.

Слайд 47.

Здесь приведен пример сравнения распознавания кодирующей последовательности с помощью программы ORFScan и некоторых других программ.

Слайд 48.

Более эффективным методом распознавания генов, использующим скрытые Марковские цепи и информацию о гомологах является метод парных скрытых марковских цепей (Pair HMM).

Слайд 49.

При этом рассчитываются условные вероятности всех переходов между буквами выравнивания.

Слайд 50.

На этом рисунке приведен пример последовательности переходов между состояниями для выравнивания двух последовательностей.

Слайд 51.

Примером реализации метода парных скрытых марковских цепей является прграмма SLAM.

Слайд 52.

Здесь приведена общая схема этого алгоритма.

Слайд 53.

Кроме использования скрытых марковских цепей можно использовать дискриминантный анализ, как это реализовано в программе MZEF. При этом рассчитываются вероятностные веса всех входящих в ген элементов (сайты сплайсинга, интроны, экзоны и т.д.), а затем рассчитывается дискриминирующая функция, наилучшим образом разделяющая разные классы тренировочных данных. При этом дискриминирующая функция может иметь как линейный, так и квадратичный вид.

Слайд 54.

Также широкое распространение при распознавании генов получило использование нейронных сетей. Одним из ярких представителей этого подхода является метод GRAIL. В системе GRAIL производится расчет разнообразных свойств предполагаемых экзонов. Таких как:

  • Частоты олигонуклеотидов длины 6.

  • Использование марковских цепей пятого порядка для трех рамок считывания, подобно GenMark.

  • Учет распределения длин экзонов.

  • Учет G+C состава 2kb прилежащих районов.

  • Свойства сайтов сплайсинга.

  • И т.д.

Слайд 55-56.

Затем, с помощью нейронной сети производится распознавание экзона в целом на основе рассчитанных ранее свойств. При этом обучение сети производилось на тестовой выборке.

Слайд 57.

После этого производится сшивка предсказанных экзонов с помощью метода динамического программирования.

Слайд 58.

Анализ качества распознавания генов проведенного разными программами показывает, что, в ряде случаев анализа неизвестной последовательности необходимо использовать одновременно несколько разных программ распознавания.

Слайд 59.

В этом случае возникает проблема, как учитывать случаи различного предсказания экзонов разными методами.

Слайд 60.

В методе EUI реализован подход, при котором происходит объединение потенциальных экзонов, чей вероятностный вес был больше определенного значения (p>0.75) и пересечение экзонов с весом меньшим этого граничного значения.

Слайд 61.

Значительный интерес, проявляемый в последние десятилетия к компьютерному анализу генетических текстов, привел к разработке большого числа разнообразных методов автоматического распознавания функциональных районов в нуклеотидных и аминокислотных последовательностях.

При этом задачей разработчиков было создание методов, обеспечивающих максимально полное распознавание рассматриваемых элементов в тех последовательностях, где он действительно представлен, и минимизация ошибочного обнаружения таких элементов в случайных последовательностях или последовательностях, где данный элемент гарантированно отсутствует.

Использование универсальных способов оценки качества распознавания объектов одного типа разными методами позволяет оценить не только относительную эффективность методов, но и продемонстрировать уровень полноты имеющейся о данном объекте первичной информации (качество обучающих выборок), а так же степень адекватности моделей описания объекта существующими на данный момент подходами (качество методов).

В случае оценки качества распознавания генов можно использовать как ошибки распознавания на уровне отдельных нуклеотидов,

Слайд 62.

так и на уровне распознавания целых экзонов.

Слайд 63.

На этом слайде показаны ошибки нескольких программ распознавания генов.

Слайд 64.

Спасибо за внимание.

Выдающиеся успехи молекулярной биологии в области разработки методов автоматической расшифровки (секвенирования) ДНК привели к накоплению огромного количества экспериментальных данных. Суммарная длина секвенированных последовательностей ДНК и РНК в базах данных GenBank и EMBL составляет более чем 28,500,000,000 пар нуклеотидов. Полностью секвенированы геномные последовательности более 1000 видов вирусов, 139 видов бактерий, 16 видов археобактерий и 19 видов эукариот. Например, полностью секвенированы геномы таких эукариотических организмов как Arabidopsis thaliana, Caenorhabditis elegans, Drosophila melanogaster, Encephalitozoon cuniculi genome, Guillardia theta nucleomorph genome, Saccharomyces cerevisiae, Plasmodium falciparum, Schizosaccharomyces pombe. Секвенированы геномы 4 видов позвоночных: Homo sapiens, Mus musculus, Rattus norvegicus (rat) и Zebrafish (Danio rerio). А так же 7 видов растений Avena sativa (oat), Glycine max (soybean), Hordeum vulgare (barley), Lycopersicon esculentum(tomato), Oryza sativa (rice), Triticum aestivum (bread wheat) и Zea mays (corn)

В связи появлением этой новой информации особую актуальность имеет разработка эффективных методов компьютерного анализа, позволяющих проводить автоматическую аннотацию вновь секвенированных последовательностей, выявление всех типов регуляторных и структурных элементов и предсказание тонких особенностей их функционирования.

Не смотря на существование значительного числа программных ресурсов, направленных на определение структуры генов, эта задача все еще остается до конца не решенной.

Слайд 8.

Рассмотрим модель структуры эукариотического гена. Процесс передачи и переработки генетической информации в эукариотических клетках от ДНК в белок проходит в несколько стадий. В ходе транскрипции происходит ДНК-зависимый синтез пре-мРНК. Затем, в ходе процессинга пре-мРНК происходит вырезание интронов и добавления кэпа и Poly-A хвоста с формированием мРНК. Процесс завершается транспортом мРНК в цитоплазму, посадкой на нее рибосом и трансляцией с нее соответствующих белков.

Слайд 9.

Одним из свойств эукариотического гена, значительно усложняющих его распознавание является существование альтернативного сплайсинга.

Слайд 10.

Кроме того, интроны и экзоны разных генов могут существенно различаться по длине.

Слайд 11.

Существует несколько типов генов эукариот.

•Protein coding

–most genes

•RNA genes

–rRNA

–tRNA

–snRNA (small nuclear RNA)

–snoRNA (small nucleolar RNA)

Слайд 12.

Основные типы информации, использующихся для распознавания генов.

•Информационные свойства сигналов, входящих в структуру генов (донорные и акцепторные сайты, сайты связывания транскрипционных факторов и т.д.)

•Свойства контекста (смещения частот использования кодонов в кодирующих районах, длина открытой рамки считывания и т.д.)

•Сходство с известными гомологичными последовательностями представленными в базах данных.

Слайд 13 - 14.

Одним из отличительных свойств эукариотических генов является экзон – интронная организация их структуры. Все экзоны можно разделить на 4 класса: 5’-экзоны, внутренние экзоны, 3’-экзоны и экзоны, находящиеся в составе безинтронных генов. Эти классы, в свою очередь, могут быть разделены на 12 субклассов в соответствии с их локализацией в мРНК, содержанием белок- кодирующей последовательности и статистическими характеристиками. Процесс сплайсирования происходит на коротких участках мРНК, называемых сайтами сплайсинга. Эти сайты могут быть трех типов: донорный сайт, описываемый консенсусом AG|GURAGU, акцепторный сайт (консенсус YYYYYYYYYNCAG|G) и менее консервативный branch сайт (консенсус CURAY). Именно эти сайты необходимы для связывания с рибонуклеопротеинами, формирующими 60S комплекс называемый сплайсосомой. В ходе двух- этапной ферментативной реакции происходит вырезание интрона и сшивка экзонов.

Слайд 15.

На данный момент существует очень большое количество программ, занимающихся распознаванием интрон- экзонной структуры генов. Одними из первых подходов анализа пре- мРНК были методы, основанные на поиске коротких сайтов сплайсинга. В этом случае сайты могут описываться в виде консенсуса или позиционной весовой матрицы. Кроме того, для анализа и учета межпозиционных взаимозависимости стали использовать более сложные способы описания сайтов сплайсинга, такие как Марковские модели, учитывающие близкие позиционные корреляции, а также деревья решений. Широкое применение получили нейронные сети. Но учет только информации о сайтах сплайсинга не дает возможности распознавать гены и восстанавливать их структуру в протяженных геномных последовательностях.

Слайд 16.

Одним из важных элементов распознавания интрон- экзонной структуры является учет сильных контекстных различий интронов и экзонов.

Как известно, первый экзон эукариотического гена всегда начинается с кодона ATG. Последовательность последнего экзона заканчивается одним из стоп – кодонов.

Слайд 17.

В случайной последовательности один из стоп – кодонов будет встречаться примерно через каждые 20 нуклеотидов.

Таким образом, если мы наблюдаем в одной из рамок считывания протяженную последовательность тринуклеотидов, не содержащую стоп-кодона, это может являться одним из доводов в пользу того, что исследуемый участок ДНК входит в состав кодирующего района гена.

Слайд 18.

На данном слайде изображены распределения ORF дрожжей, соответствующих случайным ORF (красный цвет) и ORF входящим в состав аннотированных дрожжевых генов (зеленый цвет). Хорошо видно, что такая характеристика ORF как их длина может являться хорошим свойством распознавания кодирующих районов.

Слайд 19.

Другим важным свойством, используемым в распознавании кодирующих районов, является отличие в частотах использования различных тринуклеотидов в кодирующих и некодирующих районах генов. Объясняется это как разными частотами использования аминокислот в белках, так и разными частотами кодонов, используемых для кодирования одной и той же аминокислоты. Эти частоты оптимизированы под основные фракции тРНК, присутствующие в клетке и являются видоспецифичными. Считается, что наиболее оптимизированными по своему кодонному составу являются кодирующие районы высокоэкспрессирующихся генов.

Слайд 20.

Для оценки кодирующего потенциала рассматриваемой ДНК последовательности можно использовать индекс адаптации кодонов (CAI). Этот индекс рассчитывается как произведение отношений частоты встречаемости в геноме каждого присутствующего в последовательности кодона к частоте встречаемости в геноме наиболее частого синонимичного кодона, кодирующего ту же аминокислоту.

Слайд 21.

На этом рисунке приведены индексы адаптации кодонов, рассчитанные для двух разных видов.

Слайд 22.

Рассчитав индекс адаптации кодонов в окне заданной длины, движущемся вдоль рассматриваемой последовательности в каждой из трех рамок считывания можно построить профиль функции кодирующего потенциала.

Слайд 23.

Одним из наиболее широко используемых способов описания моделей кодирующих и некодирующих последовательностей, а так же способов оценки принадлежности неизвестной последовательности к одному из этих классов являются марковские цепи.

Слайд 24.

При этом вероятности того, описывается ли рассматриваемая последовательность моделью кодирующего или некодирующего районов рассчитываются с помощью формулы Байеса.

Слайд 25.

А для того, чтобы отнести последовательность к одному из классов, можно использовать LOG-ODDS критерий.

Слайд 26.

Наиболее широко для расчета кодирующего потенциала последовательности используют частоты гексонуклеотидов (олигонуклеотидов длины 6), поскольку это позволяет учитывать как информацию о характерных частотах кодонов, так и информацию о частотах переходов между кодонами. Аналогом такого подхода является использование трех Марковских моделей пятого порядка для трех позиций рамки считывания кодонов, как это было сделано в программе GeneMark (Borodovsky and McIninch., 1993). Одного учета частот олигонуклеотидов оказалось достаточно для довольно уверенного распознавания кодирующих последовательностей в геномах прокариотических организмов.

Слайд 27.

Но распознавание эукариотических генов потребовало разработки более сложных подходов. Для этой цели, в последние годы появилось большое количество методов предсказания структуры генов, основанных на теории скрытых марковских моделей (HMM). В этом случае последовательность ДНК гена представляется в виде набора состояний (states). Каждому типу района гена (интронам, экзонам и т.д) соответствует свое состояние. Состояния называются скрытыми, поскольку каждый нуклеотид исследуемой последовательности ДНК может находиться в любом из этих состояний до тех пор, пока не будет выяснено, к какому типу района он относится. На основе обучающей выборки оцениваются вероятности переходов между нуклеотидами внутри каждого состояния, и вероятности переходов между состояниями.

Пусть X обозначает последовательность ДНК, Q – последовательность возможных скрытых состояний для каждого из нуклеотидов X, Q обозначает параметры модели, то есть вероятности генерации символов в каждом из состояний, а также вероятности переходов между состояниями. Задачей метода является нахождение в исследуемой ДНК такой последовательности состояний Q, соответствующую описанию гена, которая максимизировала бы вероятность P(Q|X,Q) наблюдения генной структуры Q в последовательности X при параметрах модели Q. Алгоритм динамического программирования для HMM Viterbi, позволяет находить максимальную P(Q|X,Q).

Слайд 28.

На данный момент существует достаточно много программ распознавания генов, основанных на использовании модели скрытых Марковских цепей.

Слайд 29.

Одной из таких программ является программа GENIE. Эта программа может использовать для распознавания отдельных элементов гена различные методы. В частности, для распознавания сайтов сплайсинга использовались нейронные сети, а для распознавания кодирующих районов в этой программе использовались марковские цепи. Объединение всех этих элементов в единую модель гена производилось с помощью модели скрытой Марковской цепи.

Слайд 30.

Другой широко используемой программой распознавания генов основанной на скрытых марковских цепях является программа GenScan. Эта программа имеет следующие особенности:

  • Учитывает распределение длин интронов и экзонов.

  • Весовая позиционная матрица (WMM) используется для описания TATA box, PolyA signal, CAP end and Transcription Initiation End (TIE) of 5'UTR.

  • Weight Array model (WAM) используется для описания акцепторного сайта связывания.

  • Дерево решений (maximal dependence decomposition) используется для моделирования донорных сайтов сплайсинга

Слайд 31.

При построении дерева решений для описания донорного сайта сплайсинга использовался подход, приведенный на данном слайде. При этом подходе выборка последовательно разбивается на подвыборки, описываемыми общим сигналом.

Слайд 32.

Кроме того, в этой программе использовалась информация о распределениях длин интронов и экзонов в реальных геномных последовательностях.

Слайд 33.

На этом слайде приведена общая схема алгоритма GenScan. Круги и ромбы соответствуют состояниям, описывающим различные типы районов, входящих в структуру генов, включая промоторные районы 5’-, 3’- нетранслируемые районы экзоны и интроны. Стрелки обозначают возможные переходы между этими состояниями. Система GenScan рассчитывает вероятности переходов между нуклеотидами в каждом из типов состояний и вероятности переходов между состояниями тренируясь на обучающей выборке. Нахождение оптимального маршрута в этой структуре при распознавании генов в неизвестной последовательности происходит с использованием динамического программирования. Система GenScan позволяет проводить поиск генов в прямой и обратной цепях ДНК.

Слайд 34.

На этом слайде вы видите интерфейс ввода данных в программу GenScan. Подобный интерфейс является стандартным для большинства программ распознавания генов.

Слайд 35.

Следующий алгоритм, использующий модель скрытой Марковской цепи который мы рассмотрим, является VEIL (Viterbi Exon-Intron Locator). В этом алгоритме и входящие в ген элементы (сайты сплайсинга, интроны, экзоны и т.д.) и переходы между элементами описывались скрытыми марковскими моделями.

Слайд 36-39.

На этих слайдах приведены описания моделей входящих в ген элементов, используемых в системе VEIL.

Слайд 40.

Для значительного повышения качества распознавания можно использовать информацию об известных гомологичных последовательностях, представленных в банках данных.

Слайд 41.

Картина выравнивания, подобная проведенной на этом рисунке может использоваться в распознавании.

Слайд 42.

Одним из таких подходов является метод TwinScan.

Слайд 43.

Этот алгоритм состоит из нескольких шагов:

  • Выравнивание анализируемой последовательности с гомологом определенного вида из базы данных.

  • Отметка каждой буквы как пропуск, несовпадение, совпадение. Таким образом формируется новый алфавит.

Слайд 44.

Затем производится нахождение наиболее вероятной структуры гена с помощью алгоритма Viterbi. Причем вероятности порождения каждого из символов рассчитываются для интронов и экзонов на основе информации о выравнивании последовательностей генов этих видов, представленных в базах данных.

Слайд 45.

На этом рисунке приведен пример такого распознавания.

Слайд 46.

Для распознавания можно использовать не только последовательности гомологичных генов или мРНК, представленные в базах данных, но и выравнивание с EST. Примером такой программы является метод ORFScan приведенный на этом рисунке.

Слайд 47.

Здесь приведен пример сравнения распознавания кодирующей последовательности с помощью программы ORFScan и некоторых других программ.

Слайд 48.

Более эффективным методом распознавания генов, использующим скрытые Марковские цепи и информацию о гомологах является метод парных скрытых марковских цепей (Pair HMM).

Слайд 49.

При этом рассчитываются условные вероятности всех переходов между буквами выравнивания.

Слайд 50.

На этом рисунке приведен пример последовательности переходов между состояниями для выравнивания двух последовательностей.

Слайд 51.

Примером реализации метода парных скрытых марковских цепей является прграмма SLAM.

Слайд 52.

Здесь приведена общая схема этого алгоритма.

Слайд 53.

Кроме использования скрытых марковских цепей можно использовать дискриминантный анализ, как это реализовано в программе MZEF. При этом рассчитываются вероятностные веса всех входящих в ген элементов (сайты сплайсинга, интроны, экзоны и т.д.), а затем рассчитывается дискриминирующая функция, наилучшим образом разделяющая разные классы тренировочных данных. При этом дискриминирующая функция может иметь как линейный, так и квадратичный вид.

Слайд 54.

Также широкое распространение при распознавании генов получило использование нейронных сетей. Одним из ярких представителей этого подхода является метод GRAIL. В системе GRAIL производится расчет разнообразных свойств предполагаемых экзонов. Таких как:

  • Частоты олигонуклеотидов длины 6.

  • Использование марковских цепей пятого порядка для трех рамок считывания, подобно GenMark.

  • Учет распределения длин экзонов.

  • Учет G+C состава 2kb прилежащих районов.

  • Свойства сайтов сплайсинга.

  • И т.д.

Слайд 55-56.

Затем, с помощью нейронной сети производится распознавание экзона в целом на основе рассчитанных ранее свойств. При этом обучение сети производилось на тестовой выборке.

Слайд 57.

После этого производится сшивка предсказанных экзонов с помощью метода динамического программирования.

Слайд 58.

Анализ качества распознавания генов проведенного разными программами показывает, что, в ряде случаев анализа неизвестной последовательности необходимо использовать одновременно несколько разных программ распознавания.

Слайд 59.

В этом случае возникает проблема, как учитывать случаи различного предсказания экзонов разными методами.

Слайд 60.

В методе EUI реализован подход, при котором происходит объединение потенциальных экзонов, чей вероятностный вес был больше определенного значения (p>0.75) и пересечение экзонов с весом меньшим этого граничного значения.

Слайд 61.

Значительный интерес, проявляемый в последние десятилетия к компьютерному анализу генетических текстов, привел к разработке большого числа разнообразных методов автоматического распознавания функциональных районов в нуклеотидных и аминокислотных последовательностях.

При этом задачей разработчиков было создание методов, обеспечивающих максимально полное распознавание рассматриваемых элементов в тех последовательностях, где он действительно представлен, и минимизация ошибочного обнаружения таких элементов в случайных последовательностях или последовательностях, где данный элемент гарантированно отсутствует.

Использование универсальных способов оценки качества распознавания объектов одного типа разными методами позволяет оценить не только относительную эффективность методов, но и продемонстрировать уровень полноты имеющейся о данном объекте первичной информации (качество обучающих выборок), а так же степень адекватности моделей описания объекта существующими на данный момент подходами (качество методов).

В случае оценки качества распознавания генов можно использовать как ошибки распознавания на уровне отдельных нуклеотидов,

Слайд 62.

так и на уровне распознавания целых экзонов.

Слайд 63.

На этом слайде показаны ошибки нескольких программ распознавания генов.

Слайд 64.

Спасибо за внимание.



Скачать документ

Похожие документы:

  1. И. И. Дзеверин. Стереотипы в дискуссиях об эволюции

    Документ
    В современных дискуссиях вокруг проблем теории эволюции считается почти общепризнанным, что теория эволюции сталкивается с серьезными трудностями в объяснении явлений живой природы и не в состоянии решать возникающие здесь проблемы.
  2. The Blind Watchmaker

    Документ
    Перевёл с английского Анатолий Протопопов. Вступительная частьГлава 1. В поисках объяснения невероятногоГлава 2. Удачный проектГлава 3. Суммируем маленькие победыГлава 4.

Другие похожие документы..