基于参考的基因序列压缩算法综述

【背景】在过去的二十年里,DNA测序技术持续发展,海量生物序列数据的产生给数据存储、管理和传输带来了严峻的挑战。【目的】本文主要总结近十五年基于参考的基因序列压缩算法,以寻求加速生物数据共享和降低存储成本的方法。【方法】本文从算法的发展角度出发,按照不同算法所使用的关键技术和针对压缩优化的方案进行分类。通过实验验证当前主流算法的性能,揭示当前基于参考的压缩算法所存在的问题。提出一些值得探讨的研究方向,并对未来的研究方向进行了展望。【结果】本文分析了已有基于参考的基因序列压缩算法使用的技术,包括基于单核苷酸多态性、检测最大精确匹配、分段/分块处理和基于LZ77等技术。并对几种较著名的算法进行了复现,发现这些算法倾向于在基准数据集上表现出高压缩比,但在普通数据集上的压缩比普遍不高。【结论】目前已有的基于参考的基因序列压缩算法在理论上可以加速数据传输效率、节约存储成本,但是实用性存疑。须继续改进公共子序列匹配方式以提升对普通数据集的支持,增加预处理参考序列步骤以降低匹配时间开销。

大连地区无偿献血者隐匿性乙型肝炎病毒感染pre-S/S区基因分析

目的了解大连地区无偿献血者隐匿性肝炎乙型病毒感染(OBI)的情况和pre-S/S区基因的变异情况。方法对大连市血液中心2010年12月2日-2013年5月31日的无偿献血者血液标本进行常规ELISA(HBs Ag、抗-HCV、抗-HIV和抗-TP)和HIV/HBV/HCV联合NAT筛查,对于单独核酸检测反应性的献血者加以跟踪或回溯,结合乙型肝炎血清学标志物的试验、鉴别试验、病毒定量试验和半巢式PCR来确定OBI,同时对OBI的pre-S/S区基因序列与对照组(HBs Ag+序列,Genbank)做比对分析。结果共筛查158 232份血液标本,确定了其中的69份OBI,流行率为1∶2 293(69/158 232)。41例OBI获得pre-S/S区基因序列:B型6例、C型34例、D型1例;与对照组相比,OBI在S区的氨基酸序列的变异明显(PB=0.013;PC=0.003),主要变异位点为B型的V14G/A、Y161F/S、V168A、P217L和C型的E2G/A/V、T118R/K/A/M、P127T/L/H/S、E164D/G、L175S、S174N。结论大连地区献血者OBI在HBV基因组S区的氨基酸序列存在多个位点的变异,这些变异与OBI的产生存在某种关系,且这种关系受基因型的影响。

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 ,

用电子克隆新基因C17orf32和ZNF362对NCBI人类基因数据库模式参考序列5种错误类型的分析与纠正

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。该策略既有助于发现更多的人类新基因 ,又有助于纠正美国国家生物技术信息中心 (NCBI)基因组注释项目公布的参考序列 (REFSEQs)中所存在的错误。比如他们采用基因预测方法通过自动计算分析从NCBIcontigNT_0 10 80 8预测到两个模式参考序列LOC12 4 919和LOC14 70 0 7,本该都是C17orf32 ,但却都是C17orf32的不同错误形式 ,分别为第 1和 2类型错误 ;再如 ,他们采用基因预测方法通过自动计算分析从NCBIcontigNT_0 0 4 5 11预测到 3个模式参考序列LOC14 90 7、LOC2 0 0 0 84和LOC9112 6 ,实际上都是ZNF36 2一种基因 ,却提交了ZNF36 2的 3种不同错误形式 ,分别为第 4、5和 7类型错误。本研究利用计算机识别并结合实验验证能够纠正或避免现有的人类基因组编码序列错误。以前公开发表的文献没有明确指出NCBI人类基因模式参考序列存在错误 ,因此应当慎重看待计算机注释的可能存在各种类型错误的人类基因组编码序列。人类新基因的正确识别和注释仍是一项长期而繁重的任务。

参考序列数据库构建与数据管理探讨

从参考序列数据特点以及数据产生、获取与维护、应用几方面阐述参考序列数据库构建及管理情况,探讨我国大型参考序列数据库建设问题,包括构建精细化的参考序列,促进我国精准医学发展;规范数据处理流程,确保数据质量等。

鸭流感病毒4/2004-H6N2亚型毒株的血凝素基因全序列克隆与分析

2004初从正常鸭群中分离到一株鸭源禽流感病毒,命名为A/Duck/HN/4/2004(H6N2)。经对血凝素基因(HA)序列分析发现HA基因全长为1744bp,共编码566个氨基酸,在裂解位点仅含一个碱性氨基酸-精氨酸(R),符合LPAIV的标准。将所得基因序列与已发表的同一亚型参考序列分析表明,与H6亚型流感HA基因同源性为89.2%～97.1%,经分子遗传演化分析表明本次分离株与香港分离株A/Duck/HongKong/3600/99(H6N2)、A/Duck/HongKong/3600/99(H6N2)最近。

沈阳市1份人类免疫缺陷病毒的基因序列分析

目的 :对 2 0 0 4年我院门诊检出的 1例艾滋病感染者体内的HIV 1病毒进行基因序列分析和亚型鉴定。方法 :从HIV 1感染者的全血标本中提取脱氧核糖核酸 (DNA)作为PCR扩增的模板 ,套式引物扩增HIV 1前病毒DNA的p17与p2 4交界部分的基因片断并进行测序。所测定序列与各亚型国际参考株及亚洲流行参考序列进行比较 ,确定被检标本的亚型 ,并进行基因序列分析。结果 :该患HIV 1病毒属于B’亚型毒株 ,经输供血途径感染。该毒株与泰国B’亚型参考株B TH 92 92TH0 14的基因距离最为接近。结论

两株禽呼肠孤病毒S1基因的克隆及序列分析

鸡病毒性关节炎是由禽呼肠孤病毒（Avian reovirus,ARV）引起的幼龄肉鸡的一种重要传染病。临床上主要表现为跗关节双侧性肿大、跛行[1]。由于病鸡运动障碍,生长迟缓,从而导致淘汰率增加,使丧失经济价值的鸡高达30%~50%,给养鸡业造成严重的经济损失。

犬细小病毒VP2基因的比较及分型研究

为查明我国CPV的流行变异情况及为进一步的免疫研究奠定基础,对我国不同地区分离到的9株细小病毒毒株进行了VP2基因的扩增和序列分析,并与CPV的参考毒株进行了比较分型, 9 株CPV 中有6 株属CPV 2a,3株属CPV 2b,但未分离到CPV 2c变异株,结果表明我国目前仍以CPV 2a流行为主。

动物基因组研究计划及其对动物育种的影响

动物基因组研究计划及其对动物育种的影响李宁（中国农业大学农业生物技术国家重点实验室，北京１０００９４）动物基因组研究计划（Ａｎｉｍａｌｇｅｎｏｍｅｒｅｓｅａｒｃｈｐｒｏｇｒａｍ）是在人类基因组计划获得巨大成就鼓舞下，一些发达国家为了提高动物生物技术的...

低水平HBsAg表达的慢性无症状HBV携带者Pre-S基因序列分析

目的探讨低水平HBsAg表达的慢性无症状HBV携带者(Asymptomatic chronic HBV carriers,ASCs)Pre-S基因序列特征及持续表达的分子机制。方法收集2015年2月至2016年12月浙江大学医学院附属第一医院、杭州市第六人民医院、解放军第九〇三医院的654份ASCs血清标本和临床资料,根据HBsAg水平分为低水平HBsAg组(≤10 IU/mL)和高水平HBsAg组(>10 IU/mL),并且在与低水平HBsAg组年龄匹配的基础上,从高水平组血清标本中随机抽样100份,对138例低水平HBsAg患者和100例高水平HBsAg患者进行Pre-S/S基因组扩增与测序,构建系统进化树确定基因亚型,以高水平HBsAg组的HBV Pre-S基因成功测序结果为基础建立中国东部地区ASCs主要基因型的Pre-S基因参考序列,并对低水平HBsAg组的ASCs Pre-S基因序列进行对比分析。采用SPSS 12.01统计软件对数据进行分析。结果138例低水平HBsAg组Pre-S/S成功测序63例,其中B基因型52例,C基因型11例;100例高水平HBsAg组标本中Pre-S/S成功测序94例,其中B基因型48例,C基因型46例。通过序列比较分析发现,B基因型中,低水平HBsAg组Pre-S蛋白共发现81个氨基酸突变位点,其中有意义突变4个,分别为Pre-S1区F56I/V、T76A/N/P,Pre-S2区P15L/S/T、Y21T/F/H/N;高水平HBsAg组Pre-S蛋白发现47个氨基酸突变位点,其中有意义突变3个,为Pre-S1区L34F、V49A和P59S/L;B基因型中低水平HBsAg组的Pre-S蛋白氨基酸突变位点总数高于高水平HBsAg组,差异具有统计学意义(χ2=14.008,P<0.05)。C基因型中,低水平HBsAg组Pre-S蛋白发现19个氨基酸突变位点,其中有意义突变3个,分别为Pre-S1区W66V/G和A79V,Pre-S2区V32A;高水平HBsAg组Pre-S蛋白发现39个氨基酸突变位点,其中有意义突变2个,为Pre-S1区A79V和Pre-S2区T49I;C基因型中Pre-S蛋白氨基酸突变位点总数在两组间差异有统计学意义(χ2=7.571,P<0.05)。结论ASCs Pre-S基因存在有意义的突变,这些突变可能与低水平HBsAg持续表达相关。

竹子基因调查分析报告

竹子作为一种重要经济植物,具有经济、生态和文化价值。随着生物技术的快速发展,越来越多的以竹类植物为对象的基因序列得到克隆与验证,基于BPG(2012)更新系统,截至2014年底,已经有3 913个竹子基因得到确证,这些基因覆盖了竹亚科的3个族,隶属19个属30个种。文章统计分析了已确认的基因描述、基因类型和参考序列情况,展望了竹子基因发展态势。

猪圆环病毒3型的鉴定和遗传演化分析

为了解宜宾市养殖场猪圆环病毒(PCV)3型的基因组特征和遗传变异规律。本试验利用PCR方法从流产母猪血液中鉴定出1株PCV3,命名为SC-YB2203。经过PCR方法扩增部分基因组序列,对测序结果拼接并进行系统进化树分析。结果显示:遗传进化树分析发现SCYB2203与广州株MK142771和美国株MK496279属于同一分支3f,与西班牙株MH579746和美国株MK496280亲缘关系较近,与四川株MZ449244和重庆株KY075990亲缘关系较远。序列分析发现SC-YB2203与参考序列之间的同源性最高的为重庆株KY075990(98.5%),与湖南株MG372488的同源性为87.7%,与其他国内株同源性较高(97.6%-98.5%)。

马铃薯品种和组织对基因组测序深度分布模式的影响

【目的】探讨品种和组织对马铃薯基因组测序深度分布的影响.【方法】对‘布尔班克’和‘云薯107’2个品种的薯块芽端和茎端进行了深测序,建立了在参照基因组上的测序深度分布图.【结果】发现这些分布在品种间有明显差别(例如在三号染色体中部和尾部),在同一品种的DNA样本间很类似,但芽端和茎端在二号染色体有明显差别.这些结果说明测序深度的分布主要受品种基因组本身所影响,也受薯块上部位影响,而且在很大程度上可以重复.【结论】这些结果能帮助设计试验和合适利用测序深度.

基因组时代线粒体基因组拼装策略及软件应用现状

随着测序技术的不断发展,越来越多物种的全基因组数据被测定和广泛应用。在二代基因组数据爆发式增长的同时,除了核基因组数据,线粒体基因组数据也非常重要。高通量测序的全基因组序列中除了核基因组序列也包括线粒体基因组序列,如何从海量的全基因组数据中提取和拼装线粒体基因组序列并加以应用成为线粒体基因组在分子生物学、遗传学和医学等方面的研究方向之一。基于此,从全基因组数据中提取线粒体基因组序列的策略及相关的软件不断发展。根据从全基因组数据中锚定线粒体reads的方式和后续拼装策略的不同,可以分为有参考序列拼装方法和从头拼装方法,不同拼装策略及软件也表现出各自的优势和局限性。本文总结并比较了当前从全基因组数据中获得线粒体基因组数据的策略和软件应用,并对使用者在使用不同策略和相关软件方面给予建议,以期为线粒体基因组在生命科学的相关研究中提供方法上的参考。

海南岛淡水鱼类环境DNA宏条形码参考数据库的初步构建及比较分析

为确定海南岛淡水鱼类环境DNA研究的最优参考数据库及最优目标基因,比较了自建数据库与公共数据库在COI、12S、16S 3个条形码片段上的物种覆盖度、注释准确率及种间差异阈值。结果表明:1)实地采集鱼类72种,其中有16(COI)、20(12S)和22(16S)种鱼类的参考序列为该研究首次提供;2)仅有68.06%(COI)、66.67%(12S)和69.44%(16S)的鱼类在公共数据库比对到高相似度序列;3)自建数据库对两个数据库共有鱼类的物种注释准确率显著高于公共数据库(COI:100%vs 69.64%;12S:96.15%vs 67.30%;16S:96%vs 70%);4)COI基因是判别海南岛淡水鱼类的最优目标基因,16S次之;5)基于K2P遗传距离确定的种间差异阈值分别为0.0069(COI)、0.0056(12S)和0.0075(16S),其物种判别准确率为94.96%(COI)、89.05%(12S)和92.70%(16S)。结果表明自建数据库优于公共数据库,建议使用COI、16S作为海南岛淡水鱼类环境DNA宏条形码基因。

利用de novo组装策略解析猪的基因组变异

猪（Sus scrofa）是人类最早驯化的动物之一,在农业生产和生物医学研究中具有重要价值。据统计,目前全球约有730多个品种,其中约2/3分布在中国和欧洲。国际家猪基因组测序协作组于2012年完成了欧洲家猪——杜洛克猪（Duroc）的全基因组序列,为后续的遗传变异检测、种群进化与选择性分析等相关研究提供了宝贵的基础资源。

小麦基因组图谱绘制完成

经过13年努力,来自20个国家73个研究机构的200多名科学家终于绘制完成完整的小麦基因组图谱。这项里程碑式的工作为培育产量更高、营养更丰富、气候适应性更强的小麦品种奠定了基础。国际小麦基因组测序协会8月16日在美国《科学》杂志上发表论文称,他们以一种叫作“中国春”的小麦遗传研究模式品种为材料,研究整合了21条小麦染色体参考序列,获得107 891个基因的精确位置、超过400万个分子标记以及影响基因表达的序列信息。

历经13年小麦基因组图谱绘制完成

经过13年努力,来自20个国家73个研究机构的200多名科学家终于绘制完成完整的小麦基因组图谱。这项“里程碑”工作为培育产量更高、营养更丰富、气候适应性更强的小麦品种奠定基础。国际小麦基因组测序协会16日在美国《科学》杂志上发表论文说,他们以一种叫做“中国春”的小麦遗传研究模式品种为材料,研究整合了21条小麦染色体参考序列.

玉米基因组所有染色体端粒到端粒完整无间隙组装

基因组测序在基础生物学研究以及医学和农业应用的许多方面都发挥着重要的作用.1996年,第一个真核生物基因组序列破译在酵母中完成[1].随后,包括拟南芥[2]、人类[3,4]、小鼠[5]、水稻[6]、玉米[7]等数百个物种的参考基因组相继公布.然而,由于基因组序列组成的复杂性.