基于机器学习分析的浸润性乳腺癌蛋白质编码基因的标志物鉴定

目的应用随机森林(RF)、极限梯度提升算法(XGBoost)、轻量的梯度提升机(LightGBM)、类别型特征提升(CatBoost)4种机器学习算法分析浸润性乳腺癌转录组表达数据,筛选与浸润性乳腺癌预后相关的生物标志物。方法通过癌症基因组图谱公共数据库下载浸润性乳腺癌的表达数据,采用DESeq2程序包、t检验及Cox单因素分析,对人类浸润性乳腺癌样本中与生存预后相关的差异蛋白质编码基因进行筛选。基于RF、XGBoost、LightGBM、CatBoost等机器学习模型的构建与比较,挖掘浸润性乳腺癌预后相关的蛋白质编码基因标志物,并使用基因表达综合数据库的乳腺癌表达数据作为外部测试进行验证。结果共获得151个与生存预后相关的差异蛋白质编码基因,其中由C3orf80、UGP2和SPC253个基因构建的机器学习模型效果较好。结论筛选出3个(UGP2、C3orf80、SPC25)与浸润性乳腺癌预后相关的生物标志物,为诊断和治疗浸润性乳腺癌提供了新的方向。

加窗窄通带滤波器蛋白质编码区预测算法

改进Gabor小波变换(Modified Gabor wavelet transform,MGWT)蛋白质编码区预测算法给出的预测结果在当前所有的独立预测算法中准确率最高。本文提出了有限脉冲响应(Finite impulse response,FIR)加窗窄通带滤波器蛋白质编码区预测(Windowed narrow pass-band filter,WNPBF)算法。算法的主要部分包括:以F56F11.4序列为例给出了WNPBF阶数选择的依据,并据此设计WNPBF;为消除滤波器群延迟对预测结果产生的不良影响,对信号用边界对称延拓法进行预处理并对窄带滤波器滤波输出信号进行截取;为改善预测结果,设计滑动平均滤波器平滑功率谱密度曲线。在ALLSEQ和HMR195两个DNA序列集上获得预测准确率分别接近或达到独立预测算法的最高水平。通过比较后发现,所提出的WNPBF算法较MGWT算法效率更高,使用该算法可以直观和客观地比较不同滤波器的预测结果。

DNA序列映射方法对蛋白质编码区预测准确率的影响

[目的]探讨当前主要的DNA序列映射方法对蛋白质编码区的预测准确率的影响,寻找有效的映射方法。[方法]以AC(Approxi-mate Correlation)为碱基层的预测准确率的测度,采用FIR(Finite Impulse Response)窄通带滤波器预测算法研究各种映射方法对预测准确率的影响。[结果]在ALLSEQ和HMR195 2个DNA序列集上,Voss法和Z-curve方法是较PN(Paired Numeric)法、EIIP(Electron-IoInteraction Potential)法和复数法更为有效的映射方法。[结论]该研究结果为用预测结果的AC值来验证新映射方法的有效性奠定了基础,对利用生物信息学方法正确揭示DNA序列的结构具有重要意义。

基于傅里叶分析的蛋白质编码区预测中功率谱密度计算方法研究

提出一种新的功率谱算法——多滑动窗周期图法.新算法和传统周期图功率谱密度算法在ALLSEQ和HMR195两个DNA序列集上进行了基因预测实验.以近似相关系数AC作为预测准确率测度,实验结果表明,新算法的预测准确率比基于传统周期图法的傅里叶分析基因预测算法有较大提高.

鳗鲡目鱼类线粒体蛋白质编码基因易位及系统演化关系分析

鳗鲡目鱼类线粒体基因组的基因组成较为保守,在58个线粒体基因组中,仅有3个物种存在基因数量的差异。在19个鳗鲡目鱼类线粒体基因组中存在主编码基因的重排。主编码基因的变异位点分析结果支持nad5、nad4和nad2基因作为cox1和lrRNA基因辅助的分子标记。鳗鲡科Anguillidae的20个种(亚种)聚在一起,强烈支持鳗鲡科为单系群(BPP=100)。鳗鲡科下属的3个类群(大洋洲类群、大西洋类群和印度洋-太平洋类群)也同时得到有力的验证(BPP均为100)。线鳗科Nemichthyidae和锯齿鳗科Serrivomeridae亲缘关系最近,二者聚类后,与鳗鲡科Anguillidae构成姊妹群(BPP=100)。在囊喉鱼亚目Saccopharyngoidei中,宽咽鱼科Eurypharyngidae与囊鳃鳗科Saccopharyngidae聚类(BPP=100),同时,单颌鳗科Monognathidae与月尾鳗科Cyematidae聚类(BPP=100),4个科聚在一支,支持囊喉鱼亚目为单系群(BPP=100)。在囊喉鱼亚目线粒体基因组中,3个物种(吞鳗Eurypharynx pelecanoides、拉文囊鳃鳗Saccopharynx lavenbergi和杰氏单颌鳗Monognathus jesperseni)存在主编码基因的重排。16种鳗鲡(细美体鳗Ariosoma shiroanago、短吻颈鳗Derichthys serpentinus、凯氏短尾康吉鳗Coloconger cadenati、鸭颈鳗Nessorhamphus ingolfianus、龟草鳗Thalassenchelys sp.、粗犁齿海鳗Cynoponticus ferox、百吉海鳗Muraenesox bagio、巨斑花蛇鳗Myrichthys maculosus、大吻沙蛇鳗Ophisurus macrorhynchos、几内亚副康吉鳗Paraconger notialis、哈氏异康吉鳗Heteroconger hassi、小头鸭嘴鳗Nettastoma parviceps、弱头鳗Leptocephalus sp.、斑点长犁齿鳗Hoplunnis punctata、尖吻小鸭嘴鳗Facciolella oxyrhyncha和星康吉鳗Conger myriaster),与鳗鲡目线粒体主编码基因的原始排列相比,共享nad6基因的易位。同时,基于线粒体基因组13个蛋白质编码基因构建的系统演化树,强烈支持这16个物种聚为一支(BPP=100)。然而,由此而带来的海鳗科Muraenesocidae、拟鯙科Chlopsidae和糯鳗科Congridae是否为单系群的问题,值得今后深入探究。

瑟伯氏棉TIR-NBS-LRR类蛋白质编码基因的克隆与分析

以对抗黄萎病种质瑟伯氏棉接菌前后高调表达的3个TIR-NBS-LRR类蛋白质点为出发点,根据其对应同源蛋白质B3V7R2(烟草)、B9INW6(棉白杨)和Q19EF1(拟南芥),利用BLAST在线搜索棉花中对应的表达序列标签(EST),分别设计引物,对接菌后的瑟伯氏棉进行RT-PCR扩增,进而以获得的EST序列为母序列,通过电子克隆及RACE技术,克隆了3个编码TIR-NBS-LRR类蛋白质的候选基因。生物信息学分析结果表明,3个候选TIR-NBS-LRR类蛋白质编码基因均具有典型的TIR、NBS及LRR功能域;系统进化分析结果显示,3个候选基因在瑟伯氏棉抗黄萎病机制中可能起重要作用。

基于支持向量机的蛋白质编码区辨识

提出一种新的真核蛋白质编码区位置预测算法。首先,用支持向量机辨识编码区密码子第一位碱基;然后用短时傅里叶变换分析支持向量机输出值序列的时频特性,进而精确定位编码区。仿真结果表明,该算法具有较高的编码区辨识精度。

基于SPA的蛋白质编码基因的比对

给出了二重比对 SPA 算法的一个扩展,把 SPA 算法推广到蛋白质编码基因的比对中.首先利用经典的密码子进化模型,得到了密码子两两的得分矩阵,并用该矩阵对 SPA 算法进行了修改,使其更加合理有效地应用于蛋白质编码基因的比对.

人类基因组中蛋白质编码序列数目随其长度的分布研究

分析了人类24条染色体基因组中蛋白质编码序列的数目随长度的分布,发现分布规律有明显的相似性;用Г(α,β)分布对实际分布进行拟合,其特征参数α均小于1,即蛋白质编码序列是呈随长度减少而其数目一直增加的分布.而研究的其它生物(15种真细菌,10种古核菌和5种真核生物)均是α>1的Г(α,β)分布.经过分析比较,推测人类蛋白质编码序列的分布也应该是α>1的Г(α,β)分布.在对短序列补充了推测数据后,重新对数据拟合,效果很好,α值在1.19～1.85之间.生物基因所遵从的Г(α,β)分布规律对研究基因组进化及评估理论预测的基因准确性具有积极意义.

水稻线粒体基因组水平上的蛋白质编码基因克隆方法研究

为探索适用于水稻线粒体基因的克隆方法,以水稻线粒体基因ccmB、nad9为例,分别选用3种不同的方法进行克隆。在对水稻线粒体基因组蛋白质编码基因进行比对分析的基础上,探讨了各种克隆方法的优劣及适用范围。结果表明:常规方法适用于Ⅰ类水稻线粒体基因的克隆,RT-PCR法适用于Ⅱ类水稻线粒体基因的克隆,简易方法只适用于Ⅲ类水稻线粒体基因的克隆。

蛋白质编码区碱基分布与终止密码子的关系

对11种具有不同G+C含量的微生物基因组蛋白质编码区进行统计分析,结果显示蛋白质编码区3个密码子位碱基分布具有明显的不对称性,与终止密码子对应的一些单、双核苷酸出现的频率很低,由此得出结论:终止密码子对编码区碱基的使用起重要限制作用.

蝎蝽次目线粒体蛋白质编码基因的比较研究

[目的]本研究旨在对蝎蝽次目11科线粒体基因组中13个蛋白质编码基因(PCG)的密码子使用情况、A+T含量、氨基酸序列和核苷酸序列信息位点以及核苷酸进化速率进行比较研究,同时基于13个PCG序列构建蝎蝽次目系统发育树。[方法]通过GenBank获得蝎蝽次目所有14个代表种的PCG序列,统计蝎蝽次目起始密码子和终止密码子的使用频率。在BioEdit 7.1中计算核苷酸串联序列第一位、第二位、第三位和一二三位密码子A+T含量。在MEGA 6.0中计算核苷酸串联序列和氨基酸串联序列的保守位点、信息简约位点和自裔位点。用软件DnaSP 6.0计算蛋白质编码基因每个位点的非同义替代率(Ka)和同义替代率(Ks),由此分析每个基因的核苷酸进化速率Ka/Ks。在RAxML 8.2.8和MrBayes 3.2.5中分别基于最大似然法和贝叶斯法构建系统发育树。[结果]蝎蝽次目昆虫起始密码子使用中,ATN的使用频率明显高于GTG和TTG。蝎蝽次目使用的4种终止密码子中,TAA和T的使用频率最高。蝎蝽次目每一位密码子的碱基组成含量表明第三位密码子的AT含量最高,远远高于第一位与第二位密码子。在氨基酸和核苷酸序列中,COI的保守位点数最多,ATP8和ND4L的保守位点数最少;ND5的简约信息位点数最多,其次为ND2和ND4。核苷酸进化速率的分析中,ATP8基因的进化速率最快,COI基因进化速率最慢。ML和BI的系统发育结果基本一致,分支关系如下:(划蝽总科+((蟾蝽总科+蝎蝽总科)+(潜蝽总科+(仰泳蝽总科+固蝽总科))))。[结论]本研究补充了蛋白质编码基因在蝎蝽次目比较线粒体基因组学研究中的不足,揭示了蛋白质编码基因在比较线粒体基因组学研究中的重要性。

蜡状芽孢杆菌ATCC 10987基因组蛋白质编码基因的重新注释与分析

蜡状芽胞杆菌ATCC 10987对于细菌比较基因组学的研究有重要意义.但其染色体中基因的数目被RefSeq注释为5 603个,这个注释是有疑问的.本文采用Zcurve和Glimmer程序联合打分的方法来识别其蛋白质编码基因.为保证预测结果的可靠性,对联合判别附加预测的基因使用了BLAST方法进行数据库同源性搜索.结果,蜡状芽胞杆菌ATCC 10987基因组中的蛋白质编码基因的数目被重新确定为5 180个.这个数目明显低于原始注释的数目,并且一些指标表明新的注释更为可信.这些相对正确的基因集合为该细菌亲缘物种的深入研究提供了基础.

蛋白质亚细胞定位预测中的序列编码技术

蛋白质序列的编码是亚细胞定位预测问题中的关键技术之一。该文较为详细地介绍了目前已有的蛋白质序列编码算法;并指出了序列编码中存在的一些问题及可能的发展方向。

基于机器学习方法的非编码RNA-蛋白质相互作用的预测

目的非编码RNA-蛋白质的相互作用(noncoding RNA-protein interactions,ncRPI)具有重要的生物学意义,目前预测其相互作用已成为当下研究非编码RNA (noncoding RNA,ncRNA)和蛋白质功能的重要途径之一。方法本研究基于ncRNA和蛋白质的序列信息提取特征,运用卷积自编码器预处理原始数据,训练三个机器学习模型:LightGBM(LBM)、随机森林(random forest,RF)和极端梯度增强算法(extreme gradient boosting,XGB),预测ncRNA与蛋白质的相互作用。结果在RPI369和RPI488两个数据集做5倍交叉验证,LBM、RF与XGB三个模型在两个数据集均达到较高的预测准确率,在RPI369数据集三个模型的预测准确率分别为0.757(LBM)、0.791(RF)、0.791(XGB),在RPI488数据集三个模型的预测准确率分别为0.918(LBM)、0.908(RF)、0.918(XGB);三个模型在RPI1807、RPI2241、RPI13254大数据集也取得较高的AUC(area under curve)值,在RPI1807三个模型的AUC值均为0.99,在RPI2241三个模型最低AUC值为0.87,在RPI13254三个模型最低AUC值为0.81,都表现出较好的预测准确性。结论机器学习方法能够预测ncRNA与蛋白质是否存在相互作用。

基于异质网络的长非编码RNA和蛋白质相互作用的预测算法研究

长非编码RNA在生物过程中扮演着非常重要的角色,长非编码RNA可以与多种蛋白质结合发挥其生物功能,预测长非编码RNA和蛋白质的相互作用也成为了研究长非编码RNA功能的途径之一。由于长非编码RNA的低保守性,通过提取特征和用机器学习算法预测它和蛋白质之间的相互作用将会不太合适。LPHeteSim算法是一种基于对称路径随机游走的方法,它可以衡量异质长非编码RNA和蛋白质相互作用网络中两者的相关性。在导质网络中,LPHeteSim算法可以有效地预测两者的相互作用,实验结果验证了算法的有效性。

美国科学家创建线粒体蛋白质数据库

据东方网2008年7月29日援引《科技日报》消息，由美国麻省理工学院和哈佛大学科学家组成的联合研究小组对老鼠不同组织的线粒体进行了研究，创建了一个包含近1100种蛋白质的线粒体蛋白质数据库，并对几种线粒体的关键蛋白质的生物学功能和进化历史有了更深入的认识，还证实了一种新的蛋白质编码基因突变，该突变会导致致命性线粒体病。科学家的有关研究结果发表在《细胞》杂志上。

蛋白质组学在糖尿病研究中的应用

蛋白质组学是对基因编码蛋白质进行大规模分析的一门新兴学科。通过蛋白质组学方法可以发现脂肪细胞中与胰岛素抵抗相关的蛋白质;研究1型糖尿病中白细胞介素(IL)-1的致病过程;寻找血浆、尿液中的糖尿病标志蛋白;根据肾脏、心脏的蛋白质变化分析糖尿病肾病发病的关键酶如弹性蛋白酶等,及糖尿病心肌病的主要靶点如线粒体等;研究噻唑烷二酮类药物的降脂、降压、降糖的综合作用等。蛋白组学的进一步完善与发展,必将为糖尿病的治疗开辟新的方向。

墨西哥利什曼原虫环形DNA1含有编码核苷酸结合蛋白基因(英文)

目的 对扩增的墨西哥利什曼原虫环形 DNA1(CD1)部分片段进行测序 ,确定具有蛋白编码功能的开放阅读框。 方法 通过脉冲电泳方法分离并使用琼脂糖酶方法回收 CD1,酶切的 CD1片段克隆于 p Zero载体 ,用 M13通用引物自动测序决定核苷酸序列 ,用 GCG- PCGENE程序分析序列。 结果 测出 4385个核苷酸序列 ,通过分析发现两个开放阅读框具有蛋白质编码功能 (编码核苷酸结合蛋白 )。 结论 墨西哥利什曼原虫

汉族儿童TPMT基因全蛋白编码区SNP检测与分析

目的分析汉族儿童巯嘌呤甲基转移酶(TPMT)基因的蛋白质编码区(CDS)突变,探讨其在急性白血病(AL)患儿中的单核苷酸多态性(SNP)。方法变性梯度凝胶电泳结合DNA测序检测103例AL患儿及111例对照组儿童的TPMT基因CDS碱基位点突变情况。结果汉族儿童TPMT基因筛查出2个蛋白编码区单核苷酸多态性(cSNPs),分别为TPMT*3C(A719G)和*1S(C474T)。TPMT*3C AA、AG、GG基因型频率在AL患儿组中分别为95.1%、3.9%和1.0%,在对照组中分别为97.3%、2.7%和0,其G等位基因频率分别为2.9%和1.4%;TPMT*1S CC、CT、TT基因型频率在AL患儿组分别为5.8%、24.3%和69.9%,在对照组中分别为8.1%、28.8%和63.1%,其C等位基因频率分别为18.0%和22.5%。2个cSNPs基因型及等位基因频率在两组中分布差异无统计学意义(P>0.05)。对照组筛查出C210T和TPMT*26(T622C)基因突变。结论汉族儿童存在TPMT*26突变基因型,且TPMT*3C、TPMT*1S可能均与儿童AL易感性无关。