通过新基因计算机识别与实验确认对NCBI人类基因数据库一些模式参考序列错误的分析与纠正

采用生物信息学分析与实验确认相结合的技术路线 ,通过所识别的基因在非冗余数据库比对发现了网上公布的计算机注释人类基因组编码序列存在各种类型的多处错误 ,包括cDNA水平的一个或一段碱基插入、缺失或突变 ,或是这些错误的不同排列组合 ,其中以错误插入为多 ,往往导致编码氨基酸的移码突变。最先举证了NCBIGENOMEAnnotationProject预测人类新基因的下列错误类型 :(1)开放读码框架 (ORF)中错误插入一个碱基造成编码氨基酸移码 ;(2 )错误拼接 ;(3)开放读框中错误插入一个或一段碱基造成该读框提前终止。只编码N 端氨基酸的cDNA序列而不完整 ;(4 )只有编码C 端氨基酸序列的cDNA而不完整 ;(5 )只是正确基因ORF中间的一段编码蛋白cDNA序列而不完整 ,缺N 端与C 端氨基酸序列 ,并且将不完整蛋白氨基酸序列的第一个非起始码氨基酸错误地预测为起始码氨基酸 ,如将L错误地预测为M ;(6 )开放读框中错误插入一个或一段碱基造成前面出现不该有的终止码 ,因而编码蛋白缺开头部分氨基酸 ;(7)可能将污染基因组序列当作完整基因cDNA序列对待而预测出所谓单一外显子基因。即便真是基因 ,也只是较长单一外显子mRNA中有一小ORF ,而ORF起始码上游同一相位确实存在终止码 ,无其他特点符合基因条件 ;(8)所预测基因只有ORF ,