基因功能注释方法

基因组注释(Genome annotation) 是利用生物信息学方法和工具，对基因组所有基因的生物学功能进行高通量注释，是当前功能基因组学研究的一个热点。de novo组装得到的基因组进行的下一步分析就是基因组注释，通常注释内容主要包括以下四个方面：基因结构注释、基因功能注释、重复序列分析、非编码RNA注释。本文主要介绍真核生物中的基因组注释方法。

（1）基因结构注释

基因结构预测包括预测基因组中的基因位点、开放性阅读框架（ORF）、翻译起始位点和终止位点、内含子和外显子区域、启动子和终止子、可变剪切位点以及蛋白编码序列（CDS）等。需要指出，真核生物基因结构注释难度较大，主要因为真核生物中的启动子和终止子等信号位点较为复杂，且存在广泛的可变剪切现象，预测真核生物的基因结构常用隐马科夫模型。

基因结构注释采用从头测序，同源预测和基于RNA-Seq的证据支持预测相结合的方法。利用物种已发表的基因序列，蛋白序列，mRNA/ESTs序列集构建物种的基因结构模型；同时采用从头测序方法对初始预测模型进行自我训练，通过多轮训练和优化，获得从头预测的基因结构模型；利用RNA-Seq数据通过Tophat比对得到基因组的内含子结构模型及基因侧翼序列信息；最后对上述不同方法预测的结构模型进行整合和优化获得最终的基因结构模型。

其中，从头预测主要应用软件有Augustus、Genscan、Glimmer等；同源预测代表软件包括Genewise（动物）；而基于转录组数据预测则是由常见的Tophat+cufflinks软件完成。

真核基因结构.jpg

图1. 真核基因结构示意图

（2）基因功能注释

全基因组测序将产生大量数据，此前普遍采用比对方法对对预测出来的编码基因进行功能注释，通过与各种功能数据库（NR、Swiss-Prot 、GO、KOG、KEGG）进行蛋白质比对，获取该基因的功能信息。其中GO和KEGG数据库分别在基因功能和代谢通路研究中占据重要地位。

image

图2. 基因功能注释

（3）重复序列分析

重复序列广泛存在于真核生物基因组中，这些重复序列或集中成簇，或分散在基因之间，根据分布把重复序列分为分散重复序列（Interpersed repeat）和串联重复序列（Tendam repeat）。重复序列的注释主要通过同源注释和从头注释两种方式进行预测。同源注释采用RepeatMasker通过与Repbase数据库进行比对寻找基因组中的重复区域，并对其进行分类；从头注释采用RepeatModler鉴定重复元件，最后通过整合获得全基因组的重复序列注释，从头注释能够发现未知的新的转座子元件。

image

图3.重复序列种类

（4）非编码RNA注释

非编码RNA，指不翻译成蛋白质的RNA，如tRNA，rRNA等。利用tRNAscan-SE对全基因组进行tRNA预测；利用RNAmmer预测全基因的核糖体RNA；利用Rfam数据库通过cmscan鉴定全基因组non-coding RNA（ncRNA）。

通过基因组注释获得的信息可进一步用于后续比较基因组分析，例如系统发育分析、基因家族分析、历史群体结构分析等，重复序列的注释则通常可用于全基因组加倍事件分析。但我们目前的大部分注释工作主要建立在与已有数据库的比对基础上，因此，对某些研究较少的物种限制很大。另一方面，序列相似并不表示实际生物学功能相似，这对于基因功能注释时会造成较大影响，仍需要进一步完善基因功能注释工作。