生物信息学导论-北大-变异的功能预测1

ref: https://www.coursera.org/learn/sheng-wu-xin-xi-xue/home

本文主要来自本课的讲义。

---

基因突变的来源

• Germline mutation（胚系突变）
  • 来自父母的遗传，是生殖细胞携带的突变，可以遗传
  • 在个体每个细胞中都存在
• De novo mutation（新发突变）
  • 父母本身没有突变，一般来自精卵结合或受精卵发育过程中的自发突变
  • 很常见，一般不会带来功能性的问题，但如果变异在重要基因，会有先天性疾病
• Somatic mutation（体细胞突变）
  • 最常见
  • 在个体生长发育中产生的突变，仅出现在身体的少数部位
  • 不遗传
  • 研究肿瘤时需要关注

人类基因突变的类型

• Chromosomal aneuploidy（染色体异倍体）
• Structural Variations（SVs）
  • 大于50bp的序列发生诸如删除、插入、重复、倒位、异位等改变的
• Copy Number Variations（CNVs）
  • 大于1kb的基因组大片段的拷贝数增加或减少
• Short insertion/deletions（indels）
  • 长度一般在50bp以下
• Single Nucleotide Variations（SNVs）
  • 在编码区的SNV可能造成以下结果：
    • nonsense mutation：突变位置的密码子变成了终止密码子
    • stop loss：原本的终止密码子因为突变丢失，可能产生新氨基酸
    • missense：错义突变，指直接变成另一个氨基酸
    • silent/synonymous：同义突变
    • affect splicing：影响剪切

数据库

• dbSNP：Home - SNP - NCBI (nih.gov)
• 1000Genomes：http://www.1000genomes.org
• OMIM Online Mendelian Inheritance in Man： Home - OMIM
• HGMD Human Gene Mutation Database
• LSDBs Locus Specific Databases：大多基于LOVD（Leiden Open Variation Database）构建

SVM：支持向量机

• 监督学习，可以做分类和回归
• 为每个类选取一些边界上的点称为支持向量（离maximum margin hyperplane最近的点，而那个hyperplane是将两个类分得最开的那个面），构造线性判别函数以分类
• SVM可以通过kernel处理非线性分类问题，做法是将输入映射到高维空间
• 算法不写了，直接上框架完事儿。。

生物学问题：如何区分致病变异和中性变异？如何预测一个变异是否致病？

nonsense mutations经常被看作是致病的，但实际并非如此；错义突变里有很多致病的突变，所以研究也比较多，但是其他类型的变异研究不足。

一种假设：基于BLOSUM替换矩阵，如果变异的残基和野生型残基之间的替换分数是正数，那么变异是中性的；如果是负数，那么变异是致病的。(1999)

其他方法：

• Conservation-based：SIFT
  • Sort Intolerant From Tolerant substitutions(2001)
  • 前提：
    • 重要的位置（如活性位点active sites）在不同物种的蛋白质家族中趋于保守，所以如果在很保守的位置突变了，就很有可能是有害的
    • 很多位置在不同物种中有较高的diversity，那么这些位置的突变更可能是中性的
  • 执行过程：
    • 给定一个蛋白序列，先搜索相似序列：在SWISS-PROT中使用PSI-blast搜索，跑4个迭代
    • 取上面结果中，比对区域一致性≥90%的序列
    • 将上述结果对齐
    • 对每个位置，计算所有替换出现的、归一化的概率
    • 如果概率<0.05，认为是有害的，否则就是中性的
• Rule-based：PolyPhen
  • 前提：
    • 氨基酸变异可以影响蛋白的折叠、相互作用微店、溶解性和稳定性
    • 蛋白质结构的变化会影响蛋白质功能，从而影响表现型
  • 执行：基于多序列比对和蛋白质三级结构，使用一些规则判定
    • 使用同源序列进行多序列比对
    • 对变异位置，考虑结构特征：如是否在跨膜区域、信号肽区域等
    • 获得3d结构或者用同源建模预测结构
    • 计算与3d结构相关的一些特性
    • 再运用规则进行判定
  • 优点：当有3d结构时，预测准确率提升
  • 缺点：如果没有3d结构，准确率差一点；规则是依赖于经验的
• Classifier-based：PolyPhen2, SAPRED
  • PolyPhen2是PolyPhen的升级版，使用更多特征，基于朴素贝叶斯
  • SAPRED支持两种预测：一是只基于序列信息的，二是基于序列和结构信息

蛋白质3D结构数据库：PDB

同源建模Homology Modeling

• SWISS-MODEL
• 执行：
  • 先在数据库中搜索（i.e. BLAST）
  • 找到至少一个有3d结构的蛋白质作为模板
  • 将查询序列与模板比对，构建模型
  • energy minimization
  • 评估模型，如果不好的花继续做，直到选出最好的