基因识别

colimae

基因识别，是生物信息学的一个重要分支，使用生物学实验或计算机等手段识别DNA序列上的具有生物学特征的片段。基因识别的对象主要是蛋白质编码基因，也包括其他具有一定生物学功能的因子，如RNA基因和调控因子。基因识别是基因组研究的基础。基因识别的主要手段是基于活的细胞或生物的实验。通过对若干种不同基因的同源重组的速率的统计分析，我们能够获知它们在染色体上的顺序。若进行大量类似的分析，我们可以确定各个基因的大致位置。现在，由于人类已经获得了巨大数量的基因组信息，依靠较慢的实验分析已不能满足基因识别的需要，而基于计算机算法的基因识别得到了长足的发展，成为了基因识别的主要手段。
识别具有生物学功能的片段与判定该片段（或其对应的产品）的功能是两个不同的概念，后者通常需要通过基因敲除等的实验手段来决定。不过，生物信息学的前沿研究正在使得由基因序列预测基因功能变得愈发可能。间接识别法
在基因的间接识别法（Extrinsic Approach）中，人们利用已知的mRNA或蛋白质序列为线索在DNA序列中搜寻所对应的片段。由给定的mRNA序列确定唯一的作为转录源的DNA序列；而由给定的蛋白质序列，也可以由密码子反转确定一族可能的DNA序列。因此，在线索的提示下搜寻工作相对较为容易，搜寻算法的关键在于提高效率，并能够容忍由于测序不完整或者不精确所带来的误差。BLAST是目前以此为目的最广泛使用的软件之一。
若DNA序列的某一片段与mRNA或蛋白质序列具有高度相似性，这说明该DNA片段极有可能是蛋白编码基因。但是，测定mRNA或蛋白质序列的成本高昂，而且在复杂的生物体中，任意确定的时刻往往只有一部分基因得到了表达。这意味着从任何单个细胞的mRNA和蛋白质上都只能获得一小部分基因的信息；要想得到更为完整的信息，不得不对成百上千个不同状态的细胞中的mRNA和蛋白质测序。这是相当困难的。比如，某些人类基因只在胚胎或胎儿时期才得到表达，对它们的研究就会受到道德因素的制约。
尽管有以上困难，对人类自身和一些常见的实验生物如老鼠和酵母菌，人们已经建立了大量转录和蛋白质序列的数据库。如RefSeq数据库，Ensembl数据库等等。但这些数据库既不完整，也含有相当数量的错误。
从头计算法
鉴于间接识别法的种种缺陷，仅仅由DNA序列信息预测蛋白质编码基因的从头计算法（Ab Initio Approach）就显得十分重要了。一般意义上基因具有两种类型的特征，一类特征是“信号”，由一些特殊的序列构成，通常预示着其周围存在着一个基因；另一类特征是“内容”，即蛋白质编码基因所具有的某些统计学特征。使用Ab Initio方法识别基因又称为基因预测。通常我们仍需借助实验证实预测的DNA片段是否具有生物学功能。
在原核生物中，基因往往具有特定且容易识别的启动子序列（信号），如Pribnow盒和转录因子。与此同时，构成蛋白质编码的序列构成一个连续的开放阅读框（内容），其长度约为数百个到数千个碱基对（依据该长度区间可以筛选合适的密码子）。除此之外，原核生物的蛋白质编码还具有其他一些容易判别的统计学的特征。这使得对原核生物的基因预测能达到相对较高的精度。
对真核生物（尤其是复杂的生物如人类）的基因预测则相当有挑战性。一方面，真核生物中的启动子和其他控制信号更为复杂，还未被很好的了解。两个被真核生物基因搜寻器识别到的讯号例子有CpG islands及poly(A) tail的结合点。
另一方面，由于真核生物所具有的splicing机制，基因中一个蛋白质编码序列被分为了若干段（外显子），中间由非编码序列连接（基因内区）。人类的一个普通蛋白质编码基因可能被分为了十几个外显子，其中每个外显子的长度少于200个碱基对，而某些外显子更可能只有二三十个碱基对长。因而蛋白质编码的一些统计学特征变得难于判别。
高级的基因识别算法常使用更加复杂的概率论模型，如隐马尔可夫模型。Glimmer是一个广泛应用的高级基因识别程序，它对原核生物基因的预测已非常精确，相比之下，对真核生物的预测则效果有限。GENSCAN计划是一个著名的例子。　
比较基因组学的方法
由于多个物种的基因组序列已完全测出，使得比较基因组学得以发展，并产生了新的基因识别的方法。该方法基于如下原理：自然选择的力量使得基因和DNA序列上具有生物学功能的其他片段较其他部分有较慢的变异速率，在前者的变异更有可能对生物体的生存产生负面影响，因而难以得到保存。因此，通过比较相关的物种的DNA序列，我们能够取得预测基因的新线索。2003年，通过对若干种酵母基因组的比较，人类对原先的基因识别结果作了较大的修改；类似的方法也正在应用于人类的基因组研究，并可能在将来的若干年内取得成果。