Sibelia: A scalable and comprehensive synteny block generation tool for closely related microbial genomes
比较相同微生物物种内的菌株已被证明在鉴定负责毒力的基因和基因组区域以及诊断和治疗传染病方面是有效的。在本文中,我们提出了Sibelia,使用迭代de Bruijn图在多个密切相关的微生物基因组中找到同线性块的工具。与大多数其他工具不同,Sibelia可以找到基因组内重复的同线性块以及多个基因组共享的块。它表示具有多个层的层次结构中的同线性块,每个层表示不同的粒度级别。Sibelia被设计成可以有效地与大量微生物基因组一起工作;它在31个S中发现了同线性块。金黄色葡萄球菌基因组在31分钟内和59大肠杆菌基因组在107分钟内在标准桌面上。Sibelia软件在GNU GPL v2许可证下发布,可从以下网址获得:https://github.com/bioinf/Sibelia Sibelia的Web服务器可从以下网址获得:http://etool.me/software/sibelia
2013-07-30 q-bio.GN q-bio.QM
High Performance Multiple Sequence Alignment Algorithms for Comparison of Microbial Genomes
针对微生物基因组多序列全局比对,本文提出按分区依赖并行切分动态规划超立方评分张量的索引方案,并在支原体 rpoB 基因序列上验证性能。
2023-11-29 cs.DC q-bio.GN
Distilled Single Cell Genome Sequencing and De Novo Assembly for Sparse Microbial Communities
鉴定微生物样品中存在的每一个基因组是一项重要且具有挑战性的任务,具有重要的应用。这是具有挑战性的,因为微生物样品中通常有数百万个细胞,其中绝大多数无法培养。迄今为止,最准确的方法是使用多重置换扩增的穷举单细胞测序,这对于大量细胞来说是难以处理的。然而,有希望打破这一障碍,因为具有不同基因组序列的不同细胞类型的数量通常比细胞的数量少得多。在这里,我们提出了一种新的分而治之的方法来测序和从头组装存在于微生物样品中的所有不同的基因组,测序成本和计算复杂度与基因组类型的数量成比例,而不是细胞的数量。该方法在一个名为Squeezambler的工具中实现。我们在模拟数据上评估了Squeezambler。所提出的分而治之的方法成功地降低了成本的排序相比,天真的穷举方法。可用性:Squeezambler和数据集可在http://compbio.cs.wayne.edu/software/squeezambler/上获得。
2013-05-22 cs.CE q-bio.GN
Evidence for growth of microbial genomes by short segmental duplications
我们表明,微生物基因组的文本分析揭示了基因组早期进化的足迹。随机DNA序列在其四个核苷酸中被视为文本,其单词出现的频率预期服从泊松分布。值得注意的是,对于小于9个字母的单词,完整微生物基因组的分布的平均宽度是泊松分布的许多倍。我们对这一现象的解释如下:基因组是一个大系统,它具有一个小得多的“随机”系统的统计特性,我们现在看到的基因组的某些文本统计特性是它们祖先基因组的残余,它们比现在的基因组短得多。这种解释为基因组的增长提供了一个简单的生物学上合理的模型:基因组首先随机增长到大约1000个核苷酸(1k nt)的初始长度,或其最终长度的千分之一,然后主要通过随机片段复制增长。我们表明,使用平均约25 nt的重复片段,生成的模型序列具有当今基因组的统计特性。初始长度和复制片段长度都支持复制开始时的RNA世界。随机片段复制将极大地增强基因组重复使用其难以获得的代码的能力,并且实践它的基因组将比那些没有的进化得快得多。
2003-02-11 physics.bio-ph q-bio.GN
A review of computational tools for generating metagenome-assembled genomes from metagenomic sequencing data
微生物本质上与地球上的人类生活有着千丝万缕的联系。它们严重干扰不同的生理过程,从而影响整体健康状况。研究微生物物种通常局限于那些可以在实验室培养的物种。但它排除了很大一部分在实验室条件下无法生存的微生物。在过去的几年里,不依赖培养的宏基因组测序使我们能够探索我们体内和体外共存的复杂微生物群落。宏基因组学为我们提供了研究微生物组的新途径,从研究单个物种到动态生态系统中的复杂群落。因此,鉴定所涉及的微生物及其基因组成为宏基因组测序的核心任务之一。宏基因组组装基因组是指由从头组装得到的具有相似序列特征的重叠群,可以代表宏基因组测序得到的微生物基因组。在本文中,我们回顾了一系列的工具,生产和注释宏基因组组装基因组的宏基因组测序数据,并讨论了他们的技术和生物学的观点。
2021-09-02 q-bio.GN
CONCOCT: Clustering cONtigs on COverage and ComposiTion
宏基因组学使得能够在不需要培养的情况下在复杂的微生物群落中重建微生物基因组。由于组装通常导致片段化的基因组,因此属于相同基因组的基因组片段(重叠群)的分组(称为分箱的过程)仍然是主要的信息学挑战。在这里,我们提出了CONCOCT,一个计算机程序,结合了三种类型的信息-序列组成,覆盖多个样本,读对连接-自动斌重叠群到基因组。我们在人工和真实人类肠道宏基因组数据集上展示了该程序的高召回率和准确率。
2013-12-14 q-bio.GN
A5-miseq: an updated pipeline to assemble microbial genomes from Illumina MiSeq data
动机:由于细菌基因组组装的复杂性,许多生物学家仍然无法获得它。很少有软件解决方案能够使来自Illumina数据的从头基因组组装过程中的所有步骤自动化。结果如下:A5-miseq可以在膝上型计算机上从低至20倍的序列数据覆盖产生高质量的微生物基因组组装,而无需任何参数调整。A5-miseq通过自动化适配器修剪、质量过滤、错误校正、重叠群和支架生成以及错误组装检测的过程来实现这一点。与原始A5流水线不同,A5-miseq可以使用来自Illumina MiSeq的长读段,在重叠群生成期间使用读段配对信息,并包括对读段修剪的几项改进。这些改变一起导致实质上改进的组装,其比先前的方法恢复更完整的参考基因组。可用性:A5-miseq是在GPL开源许可下许可的。Mac OS X 10.6+和Linux 2.6.15+的源代码和预编译二进制文件可从http://sourceforge.net/projects/ngopt获得
2014-06-04 q-bio.GN q-bio.QM
Graph Neural Networks for Microbial Genome Recovery
Aalborg University(奥尔堡大学)
微生物对我们的健康和环境有着深远的影响,但我们对微生物群落的多样性和功能的理解是非常有限的。通过微生物群落的DNA测序(宏基因组学),可以获得单个微生物的DNA片段(读段),其通过组装图可以组合成长的连续DNA序列(重叠群)。鉴于微生物群落的复杂性,很少获得单个重叠群微生物基因组。相反,重叠群最终聚集成箱,每个箱理想地构成完整的基因组。这个过程被称为宏基因组分箱。当前用于宏基因组分箱的最新技术仅依赖于单个重叠群的局部特征。因此,这些技术未能利用如由组装图编码的叠连群之间的相似性,其中叠连群被组织。在本文中,我们建议使用图神经网络(GNNs),以利用组装图时,学习重叠群表示宏基因组分箱。我们的方法VaeG-Bin结合了变分自编码器来学习单个重叠群的潜在表示,GNN通过考虑组装图中重叠群的邻域结构来改进这些表示。我们探索了几种类型的GNN,并证明了VaeG-Bin在模拟和真实数据集上比其他最先进的binner恢复了更多的高质量基因组。
2022-04-26 cs.LG q-bio.GN q-bio.QM
Dynamic Programming Algorithms for Discovery of Antibiotic Resistance in Microbial Genomes
本文提出新型多序列比对算法mmDst,通过张量索引划分动态规划超立方体空间实现并行处理,并利用同时比对评分递推改进分歧序列比对,在识别微生物基因组抗生素耐药性区域任务中优于现有方法。
2023-11-29 cs.DS q-bio.GN
Prospects for Multi-omics in the Microbial Ecology of Water Engineering
近三十年来,高通量测序技术和生物信息学方法的进步大大提高了我们探索微生物及其功能的能力,包括那些尚未完全分离培养的微生物。基因组解析宏基因组学方法已经能够将强大的功能预测与特定的分类组联系起来,并具有越来越高的保真度。此外,全群落基因表达调查和代谢物分析使得能够直接调查特定环境中的群落规模功能。这些进展使微生物组科学从描述性研究转向机械和预测性框架,以设计和利用微生物群落来实现所需的有益结果。在这里,我们回顾了现代基因组解析宏基因组方法已被应用于各种水工程应用,从实验室规模的生物反应器,以全面的系统。我们描述了跨工程水系统的综合组学分析以及将这些见解与建模方法配对的基础。最后,我们总结了新兴的omics为基础的技术,我们相信将是强大的工具,水工程应用。总的来说,我们为专门从事水工程的微生物生态学家提供了一个框架,将尖端的组学方法应用于他们的研究问题,以实现新的功能见解。在工程水系统中成功采用预测框架可以随着对水和能源资源的需求增加而实现更具经济和环境可持续性的生物过程。
2021-05-18 q-bio.GN
MicroFuse: Protein-to-Genome Expert Fusion for Microbial Operon Reasoning
Department of Physics and Astronomy, Rice University, Texas, USA(物理与天文学系,里士满大学,德克萨斯州,美国)
本文提出MicroFuse框架,通过融合蛋白质结构表示和基因组上下文表示,提升微生物启动子预测的准确性。在OG-Operon100K数据集上,MicroFuse在多个评估指标上表现最优,尤其在生物上模糊的情况中表现突出。
2026-05-09 cs.LG q-bio.BM q-bio.GN
Evidence for abundant transcription of non-coding regions in the Saccharomyces cerevisiae genome
背景资料:最近在越来越多的生物体中进行的研究已经产生了越来越多的证据,表明基因组中非编码区的很大一部分是转录的。我们解决这个问题,在酵母酿酒酵母。结果如下:考虑到没有一个显着大的酵母EST数据库,我们使用微阵列表达数据收集的基因组区域被错误地认为是编码研究非编码区的表达模式的酿酒酵母基因组。我们发现,在589个这样的区域中,至少有164个(28%)在特定的生物条件下表达。特别是,观察位于相同基因组位点上与其他已知基因相对的探针,我们发现这些基因中的341个中有88个(26%)支持反义转录。这些反义基因的表达模式呈正相关。我们使用RT-PCR对6个非编码转录本的样品验证这些结果。结论:1.酵母基因组转录的规模比以前假设的要大。2.酵母基因组中存在大量的反义基因的相关转录。3.酵母中的反义基因是非编码基因。
2005-06-16 q-bio.GN
Autoregressive Modeling of Coding Sequence Lengths in Bacterial Genome
以前的调查编码序列长度(CDS)在细菌的环状染色体揭示了短程相关的一系列这些数据。我们进一步分析了这些序列的平均周期图,我们发现CDS的组织可以很好地描述了一阶自回归过程。这涉及相邻项之间的相互作用。自回归分析可能在模拟各种物理和生物过程中具有巨大的潜力,如星系的光发射,蛋白质组织,细胞闪烁,认知过程等。
2009-07-07 q-bio.GN
Whole Genome Transformer for Gene Interaction Effects in Microbiome Habitat Specificity
Technical University of Munich(慕尼黑工业大学);Helmholtz Munich(亥姆霍兹慕尼黑中心);Technical University of Vienna(维也纳技术大学);Max Planck Institute for Biology(马克斯·普朗克生物研究所)
提出基于大模型基因向量化的全基因组Transformer框架,预测微生物生境特异性并利用归因技术揭示驱动环境适应的基因交互效应,成功恢复已知网络并提供新候选目标。
2025-03-03 cs.LG q-bio.GN
Non-extensive Trends in the Size Distribution of Coding and Non-coding DNA Sequences in the Human Genome
我们使用非广泛统计学研究了四条测序最完整的人类染色体(包括编码最密集的19号染色体)的一级DNA结构。我们发现,指数的编码大小分布的衰减$5.2 \le r \le 5.7$的短尺度和$1.45 \le q \le 1.50$的大尺度之间的变化。相反,控制这四条染色体中非编码大小分布的衰减的指数对于短尺度取$2.4 \le r \le 3.2$值,对于大尺度取$1.50 \le q \le 1.72$值。这种定量差异,特别是在尾部指数$q$中,表明非编码(编码)尺寸分布具有长(短)范围相关性。DNA统计中的这种非平凡差异归因于作用于非编码(编码)DNA序列的非保守(保守)进化动力学。
2005-10-11 q-bio.GN
Law of Genome Evolution Direction : Coding Information Quantity Grows
研究了基因组进化的方向性问题。通过对C值悖论和基因组大小进化的分析,提出基因组功能编码信息量在进化过程中通过序列复制、编码扩展和外源基因转移而不断增长。基因组的功能编码信息量由两部分组成,即编码功能蛋白质的p-编码信息量和编码除氨基酸序列以外的其它功能元件的n-编码信息量。列举了功能编码信息量演化规律的证据。功能需求是编码信息量扩张的动力,信息量扩张是物种功能创新和延伸的途径。因此,基因组编码信息量的增加是获得新功能的一个量度,它决定了基因组进化的方向性。
2008-08-25 q-bio.CB q-bio.GN
What can we learn from noncoding regions of similarity between genomes?
背景资料:除了已知的蛋白质编码基因外,人类和小鼠基因组之间还存在大量明显的非编码序列。这似乎是合理的假设,这些保守的区域更可能包含功能元件比基因组的保守性较低的部分。在这里,我们使用了一种面向基序的机器学习方法,从一组非编码保守序列中提取最强的信号。结果如下:我们成功地拟合了反映非编码序列的模型,并表明重复训练运行的结果非常一致。使用学习的模型扫描基因组序列,我们发现它经常在注释基因的开始附近做出预测。我们比较了这种方法与其他已发表的启动子预测系统,并表明,这是由这种方法检测到的启动子的集合似乎是基本上类似于由现有的方法检测到的。结论:这里呈现的结果表明,启动子信号是基因组的非编码功能部分中最强的基于单个基序的信号。它们也支持这样的信念,即存在大量的启动子区域子集,它们具有共同的特征,并且可以通过各种计算方法检测到。
2003-12-04 q-bio.GN
Chloroplast Genome Yields Unusual Seven-Cluster Structure C
我们研究了西伯利亚落叶松叶绿体基因组的结构性。在63维空间中利用弹性映射技术识别聚类,聚类对象为基因组的不同片段。与以往的研究结果不同,我们发现从基因组的编码区和非编码区提取的片段组成的簇的组成完全不同。
2016-04-15 q-bio.GN
Annotation of protein-coding genes in 49 diatom genomes from the Bacillariophyta clade
本研究对49种硅藻物种的基因组组装进行蛋白质编码基因注释,使用BRAKER2/3、BUSCO和EnTAP等工具确保高质量,丰富了硅藻基因组工具包,促进未来生物学、生态学和进化研究。
2024-10-11 q-bio.GN
Identification and characterization of unique to human regulatory sequences in embryonic stem cells reveal associations with transposable elements, distal enhancers, non-coding RNA, and DNA methylation-driven mechanisms of genome editing
The Stanford University School of Medicine(斯坦福大学医学院);Sanford-Burnham Medical Research Institute(桑福德-伯纳姆医学研究所);Genlight Technology Corporation(Genlight科技有限公司)
研究发现人类胚胎干细胞中独特的调控序列与转座子、增强子、非编码RNA及DNA甲基化机制相关,提出NANOG和POU5F1蛋白质在远端调控元件中的功能模型。
2014-04-03 q-bio.GN
High rate of SARS-CoV2 nonsense spike genomes coding for prematurely truncated proteins
SARS-CoV 2病毒体的复制是一个容易出错的过程,最终可能会产生一定比例的受损蛋白质拷贝,完全缺乏功能。例如,在RNA错误复制后,可能会出现编码过早截短(无义突变)刺突蛋白的非常过早的终止密码子(UAG、UAA、UGA)。在通过细胞感染的自然病毒复制过程中,无义基因组被病毒的校对酶纠正,受到自然选择的强烈惩罚,并被宿主细胞的mRNA监视机制判处非常短的寿命。然而,对于1273个密码子的非常长的刺突基因组,截短的非功能性刺突蛋白可能仍然以高频率存在,即使在每个单个核苷酸的低突变率存在下。本文提供了一种高保真的SARS-CoV 2刺突序列后处理方法:在患者的离体样本中,由于插入/缺失而导致的刺突基因组提前终止(无义突变)的比例高达26%,而从体外细胞培养中获得的比例为9.7%。对于SARS-CoV 2刺突基因组的“人工”从头DNA合成过程,没有相关的自然校正/选择,可能包括疫苗制备,也提出了关于过早停止刺突蛋白质序列的可能高比率的一般性警告。最后,一个度量的基础上提前停止和“正常”的基因组之间的比例提出了作为一个潜在的主机独立的变异观察工具,能够分类新的穗突变的感染性。
2021-06-07 q-bio.GN
Statistical analysis of the distribution of amino acids in Borrelia burgdorferi genome under different genetic codes
遗传密码被认为是通用的。为了检验编码细菌基因组的某些统计特性是否是遗传密码的固有特性所致,我们比较了在不同遗传密码下,从伯氏疏螺旋体基因组翻译蛋白质编码区获得的序列中氨基酸距离分布的自相关函数、标度特性和最大熵。总的来说,我们的研究结果表明,这些属性是非常稳定的扰动所作出的改变遗传密码。我们还讨论了目前的研究结果的进化可能的影响。
2004-03-22 q-bio.GN
CLMB: deep contrastive learning for robust metagenomic binning
CUHK(香港中文大学);University of Science and Technology of China(中国科学技术大学);HIT(哈尔滨工业大学);The CUHK Shenzhen Research Institute(香港中文大学深圳研究院)
从大型宏基因组数据集重建微生物基因组是发现未培养微生物种群并确定其微生物功能作用的关键步骤。为了实现这一点,我们需要执行宏基因组分箱,将组装的重叠群聚类到基因组草案中。尽管现有的计算工具,大多数都忽略了宏基因组数据的一个重要属性,即噪声。为了进一步改进宏基因组分箱步骤,重构出更好的宏基因组,本文提出了一种用于宏基因组分箱的深度对比学习框架(CLMB),该框架可以有效地消除噪声的干扰,产生更稳定和鲁棒的结果。从本质上讲,我们不是显式地对数据进行去噪,而是将模拟噪声添加到训练数据中,并迫使深度学习模型为无噪声数据和失真数据生成相似且稳定的表示。因此,经过训练的模型将对噪声具有鲁棒性,并在使用过程中隐式地处理它。CLMB显著优于之前最先进的分箱方法,在几乎所有基准数据集上恢复最接近完整的基因组(与第二好的方法相比,重建的基因组多17%)。它还提高了bin细化的性能,比第二好的结果多重建8 - 22个高质量基因组和15 - 32个中等质量基因组。令人印象深刻的是,除了与分级细化器兼容之外,单个CLMB甚至比VAMB和Maxbin的细化器在基准数据集上平均多恢复15个HQ基因组。CLMB是开源的,可在www.example.com上获得。
2021-11-18 cs.AI cs.LG q-bio.GN
Minimal model for genome evolution and growth
对典型微生物基因组的文本分析表明,它们具有长度短得多的DNA序列的统计特征。这种特殊的性质支持了一种进化模型,即基因组通过随机突变进化,但主要是通过随机片段自我复制生长。基因组主要通过自我复制增长,这与所有基因组中的重复序列普遍存在,基因组内和基因组间同源基因在所有生命形式中占优势的观察结果一致。该模型预言了两种相互竞争的进化模式的共存:经典达尔文主义的渐进变化和“间断平衡”中设想的随机爆发。
2002-06-11 physics.bio-ph q-bio.GN
How much non-coding DNA do eukaryotes require?
尽管基因组学领域取得了巨大的进步,但对高等生物基因组中大量非编码部分的数量和功能仍然知之甚少。在这里,我们报告了一个观察,37个完全测序的真核生物基因组,这表明真核生物需要一定的最低量的非编码DNA(ncDNA)。这个最小值与位于外显子中的DNA的量成二次方地增加。基于一个简单的模型的增长的调控网络,我们推导出一个理论预测所需的数量的ncDNA,并发现它是在极好的协议与数据。真核生物需要的额外ncDNA的量(以碱基对计)遵循Ndef = 1/2(Nc / Np)(Nc-Np),其中Nc是外显子DNA的量,并且Np是约10 Mb的常数。这个值Ndef对应于智人和其他哺乳动物基因组的百分之几,以及更简单的真核生物基因组的一半。因此,我们的研究结果证实,真核生物的生命依赖于ncDNA的相当大的一部分,并作出预测,这一部分的大小,这与数据密切匹配。
2008-02-05 q-bio.GN
Rare coding SNP in DZIP1 gene associated with late-onset sporadic Parkinson's disease
我们提出了第一个应用的假设丰富的数学理论,全基因组关联数据。对Hamza等人的迟发性散发性帕金森病全基因组关联研究数据集进行了分析。我们在DZIP1基因中发现了一种罕见的、编码的、非同义的SNP变体,这种变体增加了帕金森病的易感性。DZIP1与帕金森病的关联与帕金森病干细胞衰老理论一致。
2011-09-11 q-bio.GN
DrosOCB: a high resolution map of conserved non coding sequences in Drosophila
比较基因组学方法被广泛用于辅助非编码DNA区域的功能注释。然而,比对非编码序列需要新的算法和策略,以考虑进化过程中广泛的重排和周转。在这里,我们提出了一种新的大规模比对策略,其目的是绘制基因组之间的保守的非编码区的精确地图,即使这些区域已经经历了小规模的重组事件和一定程度的序列变异。我们应用我们的比对方法,以获得一个全基因组范围内的保守的非编码区(CNBs)之间的果蝇和其他11种果蝇物种的目录。有趣的是,我们观察到许多小规模的重排事件,如局部倒位,重复和易位,这是目前可用的全基因组比对中无法观察到的。观察到的低规模改组的高比率表明,CNBs的数据库可以构成几个调查的起点,涉及果蝇中的调控DNA的进化和未注释的功能元件的计算机识别。
2007-10-08 q-bio.GN
On the Law of Directionality of Genome Evolution
从信息论的角度研究了基因组进化的方向性问题。我们认为,在进化过程中,基因组的功能编码信息量总是通过序列复制、编码扩展和基因组间的基因转移而增长的。基因组的功能编码信息量由两部分组成,即编码功能蛋白质的p-编码信息量和编码除氨基酸序列以外的其它功能元件的n-编码信息量。建议的法律的热力学定律的关系表示。研究了生物信息学揭示的DNA序列的进化趋势,为进化规律提供了进一步的证据。认为基因组进化的方向性来自于物种对环境的适应性竞争。提出了一个基因组进化速率的表达式,该速率是达尔文温度(描述物种竞争)和适应度斜率(描述适应性景观)的函数。最后简要讨论了演化方向性的直接实验检验问题。
2011-08-04 q-bio.CB q-bio.GN
Statistical properties of thermodynamically predicted RNA secondary structures in viral genomes
通过对1212个完整的病毒基因组中的1832个片段进行全面的研究,我们发现在病毒基因组中,在简单的随机零假设下,预测RNA二级结构的发夹结构比预期的更丰富。检测到的RNA二级结构的发夹结构存在于四组病毒的编码区和非编码区中,这四组病毒被分类为dsDNA、dsRNA、ssDNA和ssRNA。对于所有组的RNA二级结构的发夹结构检测更频繁地比预期的随机零假设在非编码区,而不是在编码区。然而,潜在的RNA二级结构也存在于dsDNA组的编码区中。事实上,我们检测到进化保守的RNA二级结构中的保守的编码和非编码区的一大套完整的基因组的双链DNA疱疹病毒。
2008-03-18 q-bio.GN q-bio.QM
Conservation and losses of avian non-coding RNA loci
在这里,我们提出了一个大规模的非编码RNA基因座的生物信息学注释的结果在48个鸟类基因组。我们的方法使用概率模型的手工策划的家庭从Rfam数据库推断保守的RNA家族内的每个鸟类基因组。我们用来自tRNA注释工具tRNAscan-SE和来自miRBase的microRNA的预测来补充这些注释。我们发现,一些lncRNA相关的位点是保守的鸟类和哺乳动物之间,包括一些有趣的情况下,报告的哺乳动物lncRNA的功能是不保守的鸟类。我们还证明了经典ncRNA的广泛保守性(例如,tRNA)和最近发现的ncRNA(例如,snoRNA和miRNAs)。此外,我们描述了许多“损失”的几个RNA家族,并将这些真正的损失,分歧或丢失的数据。特别是,我们表明,许多这些损失是由于组装鸟类微染色体的挑战。这些综合结果说明了应用同源性为基础的方法注释新的脊椎动物基因组的效用。
2014-06-27 q-bio.GN
Modern tools for annotation of small genomes of non-model eukaryotes
如今,由于测序获得的实验数据越来越多,最感兴趣的是确定其基因组的各个部分的功能和特征,而不是确定基因组的核苷酸序列。基因组注释包括识别编码和非编码序列,确定基因的结构和确定这些序列的功能。尽管在使用测序数据的计算技术方面取得了重大成就,但由于一些基因组部分的功能的大量未解决的分子确定,因此没有通用的方法来进行基因组的功能注释。科学界正在努力解决这个问题。本文综述了现有的真核生物基因组注释方法。本文包括绪论、正文和讨论三个主要部分。介绍了真核生物基因组注释的独立工具和自动流水线的发展,并结合原核生物基因组注释的现有成果。主体由两个不同的部分组成,第一个是专门用于注释非模型真核生物基因组的说明,第二个块是关于需要最少用户的策展的自动管道的最新版本。简要说明了评估注释基因组的质量和完整性的问题,并讨论了进行这种分析的工具。目前,还没有一个通用的自动软件用于真核基因组注释,涵盖了整个任务列表,无需人工管理或使用额外的外部工具和资源。因此,它导致的任务,开发一个更广泛的功能和通用的协议,自动注释的小真核生物基因组。
2021-02-08 q-bio.GN
Evolution of default genetic control mechanisms
我们提出了一个模型的控制系统在环境约束下的基因组的进化。该模型在概念上遵循Jacob和Monod的基因控制模型。基因含有控制元件,其响应于细胞的内部状态以及环境以控制编码区的表达。控制和编码区进化以最大化表达的编码序列和环境之间的适应度函数。该模型运行了118次,平均运行了1.4 x 10^6个“世代”,每个世代都有一系列起始参数,这些参数探索了基因组进化出“默认风格”控制的条件。出乎意料的是,进化出的控制逻辑与环境的复杂性并没有显著的相关性。遗传逻辑与基因组的复杂性以及在任何一个时刻细胞中活跃的基因的比例密切相关。更复杂的基因组与基因控制的进化相关,其中基因是活跃的(“默认开启”),而低比例的基因表达与基因逻辑相关,其中基因偏向于不活跃,除非被积极激活(“默认关闭”逻辑)。我们将讨论这可能与复杂的真核基因组的进化有关,该基因组以“默认关闭”模式运行。
2021-01-08 q-bio.GN
Insular microbiogeography
微生物学中大规模基因组学所揭示的多样性正在质疑长期以来对基因组稳定性,进化速率,甚至物种定义的信念。麦克阿瑟和威尔逊的岛屿地理学理论为宏观动物和植物物种的多样性提供了一种解释,这是物种相互依赖的相关等级网络的结果。我们报告了一项大规模的微生物多样性研究,揭示了发现的基因的累积数量随着研究的基因组数量的增加而增加,这是一个简单的幂律。这一结果在三个不同属的15,000多个分离株中得到了证实。我们发现,这种幂律形式上与MacArthur Wilson指数相关,这表明微生物基因型的新兴多样性的出现是因为MacArthur和Wilson首次报道的尺度独立行为延伸到微生物及其基因的尺度。评估可用的全基因组序列的深度意味着一个动态变化的核心基因组,这表明传统的分类学分类应取代准种模型,捕捉多样性和动态交换的基因。我们报告了一个定义的微生物组中的物种种群“云”,其尺度不变性延伸到单核苷酸多态性(SNP)水平。
2017-03-21 q-bio.GN q-bio.PE
Ensemble Analysis of Adaptive Compressed Genome Sequencing Strategies
以单细胞分辨率获取基因组具有许多应用,例如在微生物群的研究中。然而,对样品中所有数百万个细胞进行深度测序和组装的成本过高。一个可以拯救的特性是,对每个细胞进行深度测序不需要捕获所有不同的基因组,因为大多数细胞都是生物复制品。从这个意义上说,生物学上重要的样本往往是稀疏的。在本文中,我们提出了一种自适应压缩方法,也称为蒸馏传感,以捕获稀疏的微生物群落中的所有不同的基因组,减少测序工作。与组测试中不同事件的数量通常是恒定的,稀疏性相当于事件的稀有性相反,稀疏性在我们的情况下意味着与数据大小相比不同事件的稀缺性。在此之前,我们介绍了这个问题,并提出了一个基于广度优先搜索策略的提取传感解决方案。我们模拟了整个过程,由于其计算强度,限制了我们研究整个系综算法行为的能力。在本文中,我们修改我们以前的广度优先搜索策略,并引入深度优先搜索策略。而不是模拟整个过程,这是棘手的大量的实验,我们提供了一个动态规划算法来分析整个合奏的方法的行为。系综分析算法递归地计算捕获每个不同基因组的概率以及给定群体概况的预期总测序核苷酸。我们的结果表明,预期的总测序核苷酸的增长与细胞数量的$\log$成正比,与不同基因组的数量成线性比例。
2014-04-25 q-bio.GN
Ultraconserved Sequences in the Honeybee Genome - Are GC-rich Regions Preferred?
在所有昆虫基因组中,蜜蜂显示出最不寻常的模式之一,散布着长AT和GC丰富的片段。近75%的蛋白质编码基因位于基因组中富含AT的区段,但富含GC的区域的生物学意义尚不清楚。基于蜜蜂miRNAs、肌动蛋白和微管蛋白位于富含GC的片段的观察,这项工作调查了其他高度保守的基因组区域是否显示出类似的偏好。测定了蜜蜂与另一种蜂翅目昆虫Nasonia基因组之间的超保守序列。它们对定位在蜜蜂基因组中富含GC的区域表现出强烈的偏好。
2007-02-18 q-bio.GN
MetaScope - Fast and accurate identification of microbes in metagenomic sequencing data
MetaScope是一种快速准确的分析(宿主相关)宏基因组数据集的工具。使用称为SASS的新DNA比对仪,针对宿主基因组(如有要求)和微生物Genbank进行读数的序列比对。SASS的输出被处理,以便使用LCA算法的新加权版本将所有微生物读数分配给分类群和基因。MetaScope是2013年DTRA软件挑战赛“从DNA序列流中识别生物体”的获胜者。
2015-11-25 q-bio.GN q-bio.QM
PlantBGC: Transformer for Plant BGC Discovery via Label-Free Domain Adaptation and Weak Supervision
North Carolina State University(北卡罗来纳州立大学)
该研究针对植物BGC标签稀缺问题,提出PlantBGC模型,通过无标签领域自适应与弱监督实现植物BGC的精准发现,提升了已知BGC的恢复率并缩短了基因座长度。
2026-07-31 cs.LG q-bio.GN
Self-organizing Approach for Automated Gene Identification in Whole Genomes
提出了一种基于显式区分编码相位思想的全基因组蛋白质编码区(外显子)识别方法。对于几个基因组,找到了平均GC含量函数和计算密码子频率的最佳窗口长度,提出了基于三联体频率多维空间聚类的自训练方法。为了在三元组必要性空间中实现数据的可视化,应用了弹性映射方法。
2001-08-10 physics.bio-ph q-bio.GN
Determining whether the non-protein-coding DNA sequences are in a complex interactive relationship by using an artificial intelligence method
人类基因组的非蛋白质编码区包含许多复杂的调控细胞活性的模式。研究人类基因组是有限的,缺乏了解其特点和复杂的相互作用。然而,人工智能研究的最新进展已经能够使用深度神经网络自动学习高维复杂数据的表示,而无需特征工程。因此,在本文中,我们证明了卷积神经网络可以在不指定任何基序或模式的情况下学习DNA序列的表示,从而能够预测DNA序列是天然的还是人工的。训练后的模型可以区分加扰长度为2 bp,10 bp,50 bp甚至100 bp的加扰与真实DNA序列,其准确率显著高于线性支持向量机。通过这项研究,我们发现非蛋白质编码DNA的区域可能在甚至超过100 bp的距离上具有有意义的相互作用,即使它们不编码蛋白质。
2017-08-14 q-bio.GN
Screening Genome Sequences for Known RNA Genes and Motifs
本文介绍了非编码RNA基因或RNA基序内的基因组序列的识别计算协议。提出了细菌小RNA的应用。
2015-12-22 q-bio.GN q-bio.QM
Increasing biological complexity is positively correlated with the relative genome-wide expansion of non-protein-coding DNA sequences
背景资料:在当前的基因组时代之前,有人认为生物体所使用的蛋白质编码基因的数量是衡量其复杂性的有效指标。然而,现在很清楚的是,主要的不一致性存在,生物复杂性和蛋白质编码基因的数量之间只有微弱的关系。例如,使用蛋白质编码基因数量作为评估生物复杂性的基础,将使尾索动物和昆虫的复杂性低于线虫,而人类的复杂性低于水稻。结果如下:我们分析了85个测序物种的非编码基因组DNA与总基因组DNA的比率(ncDNA/tgDNA),发现这个比率与生物学复杂性的增加密切相关。对于原核生物,ncDNA/tgDNA比率通常包含在0.05-0.24的带宽内,但在单细胞真核生物中上升到0.26-0.52,并且对于发育复杂的多细胞生物体上升到0.62-0.985。值得注意的是,原核生物物种的物种分布不均匀,接近平均值0.1177 ncDNA/tgDNA(p=1.58 x 10^-13),ncDNA/tgDNA与基因组大小呈非线性关系(r=0.15)。重要的是,ncDNA/tgDNA比率校正倍性,并且基本上不受重复序列的可变负荷的影响。结论:我们认为,所观察到的非编码DNA的增加和组成模式主要是增加的信息含量的函数。因此,内含子、基因间序列、重复元件和基因组DNA可能对复杂生物的进化和功能库比以前认识到的要重要得多。
2004-01-15 q-bio.GN q-bio.PE
The challenges of statistical patterns of language: the case of Menzerath's law in genomes
语言统计模式的重要性已经争论了几十年。虽然齐普夫定律可能是最受欢迎的案例,但最近,门泽拉特定律也开始参与进来。孟泽拉特定律在语言、音乐和基因组中表现为在许多情况下,随着部分数量的增加,部分的平均大小会减少。这种统计规律也出现在基因组的背景下,例如,具有更多染色体的物种具有较小的平均染色体大小的趋势。有人认为,这一定律在基因组中的实例并不表明语言和基因组之间存在任何平行关系,因为(a)这一定律是不可避免的,(b)非编码DNA支配着基因组。在这里,这些批评的数学,统计和概念上的挑战进行了讨论。得出两个主要结论:规律并非必然,语言也有非编码DNA的关联。然而,这一规律在基因组内外的广泛表现表明,非编码DNA和某些语言单位之间惊人的相似性可能是理解这一统计规律反复出现的轶事。
2012-09-29 cs.CE physics.data-an q-bio.GN
PhageBench: Can LLMs Understand Raw Bacteriophage Genomes?
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
PhageBench通过模拟生物信息学专家流程,评估LLM对噬菌体基因组的理解能力,发现通用模型在噬菌体contig识别和宿主预测上表现优异,但在复杂推理任务中存在明显局限。
2026-04-07 cs.CL q-bio.GN
Multifractal information production of the human genome
我们确定了人类染色体产生的符号序列的Renyi熵K_q。这些表现出非平凡的行为作为扫描参数q的函数。在热力学形式体系中,在q=1区域附近存在类似相变的现象。我们为此开发了一个理论模型的基础上叠加的两个多重分形集,这可以与不同的统计特性的编码和非编码DNA序列。该模型与人类染色体数据吻合较好。
2010-11-15 cond-mat.stat-mech nlin.CD physics.bio-ph
CompostBin: A DNA composition-based algorithm for binning environmental shotgun reads
微生物多样性研究的一个主要障碍是,绝大多数微生物不能在实验室中培养,因此不适合传统的表征方法。环境鸟枪测序(ESS)通过对微生物群落中存在的生物体的DNA进行测序来克服这一障碍。通过将每个序列读数与其来源生物体相关联,可以极大地促进对该宏基因组数据的解释。我们报告了CompostBin的发展,这是一种基于DNA组成的算法,用于分析宏基因组序列读数并将其分配到特定分类单元中。与先前试图分箱组装的重叠群并且通常需要在已知参考基因组上进行训练的方法不同,CompostBin具有准确分箱原始序列读数而无需组装或训练的能力。它应用主成分分析将数据投影到一个信息丰富的低维空间中,然后在这个过滤后的数据集上使用归一化切割聚类算法将序列分类到特定分类单元中。我们证明了算法的准确性,在各种模拟数据集和一个宏基因组数据集与已知的物种分配。CompostBin是一项正在进行的工作,计划在未来对算法进行几次改进。
2007-08-22 q-bio.GN
Genome Sizes and the Benford Distribution
从生命的3个领域的基因组编码的开放阅读框(ORF)的数量的数据显示了一些显着的一般特征,包括原核生物和真核生物之间的本质差异,与ORF的数量线性增长的总基因组大小为前者,但后者仅为几何学。假设基因组的(蛋白质)编码部分和非编码部分必须具有不同的动力学,并且非编码部分必须由各种(未指定的)概率分布函数控制,我们能够预测真核生物的ORF数量遵循Benford分布并具有特定的对数形式。使用2010年初提供给我们的1000多个基因组的数据,我们发现这些数据在几个数量级上非常适合,在原核生物数据的线性范围内,以及真核生物数据的完全非线性形式。在它们的重叠区域,显着特征在统计上是一致的,这使我们能够:将原核生物和真核生物之间的差异解释为较大真核生物所需生物功能需求增加的表现,估计一些最小的基因组大小,并预测原核生物的最大基因组大小为8-12兆碱基对。这些结果自然允许最大熵的数学解释,因此,最有效的信息传输。
2012-05-29 physics.bio-ph physics.data-an q-bio.GN
Intraspecific Comparative Genomics of Candida albicans Mitochondria Reveals Non-Coding Regions Under Neutral Evolution
白色念珠菌是一种严重的血源性医院获得性念珠菌病,对世界范围内的公共卫生产生影响。由于其作为医院病原体的重要性,C。白念珠菌基因组已经被大量研究以鉴定种内变异,并且已经开发了几种分型方法以区分密切相关的菌株。线粒体DNA可用于此目的,因为与核DNA相比,其更高的突变负荷和进化速率容易揭示微变体。因此,我们以8倍覆盖率对两个C.白色念珠菌临床分离株(L296和L757)的基因组序列,并将这些序列与参考菌株SC 5314的基因组序列进行比较。对33,928个位点的基因组比对结果显示,共发现372个多态位点,其中编码区230个,非编码区142个。从拉丁美洲18株临床分离株和2株ATCC标准株中扩增并测序了位于tRNAGly/COX 1、NAD 3/COB和ssurRNA/NAD 4L基因之间的3个中性替换位点,分别命名为IG 1、IG 2和IG 3。白色念珠菌菌株。观察到高度的序列和大小变异性,范围高达56 bp的大小差异,并且基于IG 1、IG 2和IG 3的同源性揭示了三个组。插入高达49 bp的观察完全在阿根廷菌株相对于其他序列,这可能表明聚类的地理多态性。由于这些线粒体基因间区具有中性进化、高度变异性、易于PCR分离和测序等特点,为C.白色念珠菌分离株,完善建立多位点序列分型方法。
2012-11-26 q-bio.GN q-bio.PE
COCACOLA: binning metagenomic contigs using sequence COmposition, read CoverAge, CO-alignment, and paired-end read LinkAge
下一代测序(NGS)技术的出现使研究人员能够直接从环境中对复杂的微生物群落进行测序。由于组装通常只产生基因组片段,也称为重叠群,而不是整个基因组,因此将它们分组为操作分类单元(OTU)以进行进一步的分类学分析和下游功能分析至关重要。OTU聚类也被称为分箱。我们提出了COCACOLA,一个通用的框架,基于多个样品的序列组成和覆盖率自动将重叠群分到OTU中。COCACOLA的有效性在模拟和真实数据集中都得到了证明,与CONCOCT,GroopM,MaxBin和MetaBAT等最先进的分箱方法相比。COCACOLA的卓越性能依赖于两个方面。一种是在初始化过程中采用$L_{1}$距离代替欧氏距离来更好地进行分类识别。更重要的是,COCACOLA利用稀疏正则化的硬聚类和软聚类。此外,COCACOLA框架无缝地包含定制的知识,以提高装箱的准确性。在我们的研究中,我们研究了两种类型的额外知识,与参考基因组的共比对和由双端读段提供的重叠群的连锁,以及两者的集合。我们发现,在大多数情况下,共同对齐和链接信息进一步提高装箱。COCACOLA是可扩展的,比CONCOCT,GroopM,MaxBin和MetaBAT更快。该软件可在https://github.com/younglululu/COCACOLA上获得
2016-04-09 q-bio.GN
Leveraging genomic deep learning models for the prediction of non-coding variant effects
University of California Berkeley(加州大学伯克利分校);Chan Zuckerberg Biohub(陈·扎克伯格生物枢纽)
本文探讨了利用基因组深度学习模型预测非编码变异效应的方法,分析了模型的应用场景及改进方向。
2025-11-22 q-bio.GN
A Pipeline for Insertion Sequence Detection and Study for Bacterial Genome
插入序列(Insertion Sequences,IS)是能够将自身移动到基因组中的小的DNA片段。这些类型的移动遗传元件(MGE)似乎在基因组重排和原核基因组进化中发挥着重要作用,但以有效和准确的方式发现IS的工具仍然太少,而且不完全精确。基因注释和功能预测是影响IS发现的两个主要因素。事实上,一些被称为“转座酶”的特定基因是负责这种转座的产生和催化的酶,但目前还没有完全准确的方法可以确定给定的预测基因是否是真正的转座酶。这就是为什么本文的作者旨在设计一种用于IS检测和分类的新管道,该管道嵌入了该研究领域中最新开发的工具,即OASIS(插入序列优化注释系统)和ISORM数据库(已知插入序列的最新准确库)。由于后者依赖于预测的编码序列,因此所提出的管道将包括各种细菌基因注释工具(即Prokka,BASys和Prodigal)。然后提出了一个完整的IS检测和分类管道,并在一组23个完整的铜绿假单胞菌基因组上进行了测试。该管道也可以用作注释工具性能的调查员,这使我们得出结论,Prodigal是IS预测的最佳软件。对铜绿假单胞菌的IS元件进行了深入研究,得出结论:铜绿假单胞菌内部的基因组中也存在数量相近的IS家族和组。
2017-06-26 q-bio.GN
The status of the human gene catalogue
自2001年人类基因组草图发表以来,科学家们一直试图识别人类基因组中的所有基因。在此期间的几年里,在识别蛋白质编码基因方面取得了很大进展,估计数量已经减少到不到20,000个,尽管不同的蛋白质编码异构体的数量急剧增加。高通量RNA测序的发明和其他技术的突破导致了已报道的非编码RNA基因数量的爆炸式增长,尽管它们中的大多数还没有任何已知的功能。最新进展的结合为确定这些功能并最终完成人类基因目录提供了一条道路。然而,在我们有一个通用的注释标准之前,还有很多工作要做,该标准包括所有具有医学意义的基因,保持它们与不同参考基因组的关系,并描述临床相关的遗传变异。
2023-03-24 q-bio.GN q-bio.QM
GenomeFingerprinter and universal genome fingerprint analysis for systematic comparative genomics
State Key Laboratory for Biocontrol, School of Life Sciences, Sun Yat-sen University(中山大学生命科学学院,生物控制国家重点实验室)
提出 GenomeFingerprinter 方法,通过从序列生成三维坐标并绘制指纹图谱,结合通用基因组指纹分析(UGFM)和系统比较基因组学(SCG),实现跨遗传类别(染色体、质粒、噬菌体)和大尺寸范围(Kbp 到 Mbp)的基因组快速比较。
2013-03-10 cs.CE cs.NA math.NA
Relationships among the nucleotide content of human genome sequence, gene structure, and gene expression features (PhD synopsis)
本学位论文主要研究人类基因组功能元件与其核苷酸结构之间的关联。选择核苷酸含量的不对称性(偏斜、偏差)作为核苷酸结构的主要特征。一个显着的差异,核苷酸含量的不对称性被发现人类外显子与内含子。具体地,外显子序列显示对嘌呤的偏好(即,A和G超过C和T),而内含子表现出酮-氨基偏斜(即G和T超过A和C)。这些偏差的程度取决于基因表达模式。最高的内含子酮-氨基偏斜被发现在管家基因的内含子中。在内含子的情况下,其序列处于弱修复系统下,AT->GC和CG->TA置换优先累积。比较分析了智人和代表性哺乳动物细胞色素P450 2 E1的基因序列。根据Cyp 2 e1基因编码序列的相似性,构建了Cyp 2 e1基因的分支树。开发了一种新的NCBI数据库序列挖掘和分析的编程工具,从而建立了自己的数据库。
2010-12-30 q-bio.GN
The shrinking human protein coding complement: are there now fewer than 20,000 genes?
确定蛋白质编码基因的完整互补是基因组注释的关键目标。确认蛋白质编码潜力的最有效方法是通过肽质谱实验检测细胞蛋白质表达。在这里,我们将在7个大规模蛋白质组学研究中检测到的肽映射到人类基因组中GENCODE注释的近60%的蛋白质编码基因。我们发现,脊椎动物物种的保守性和基因家族的年龄是蛋白质组学实验中是否检测到肽的关键指标。我们发现大多数高度保守的基因和几乎所有的基因,进化前bilateria肽。与此同时,几乎没有证据表明自灵长类动物以来出现的基因或不具有任何蛋白质样特征或跨物种保守性的基因的蛋白质表达。我们在主要数据库中确定了19个非蛋白质样特征,如弱保守性,无蛋白质特征或模糊注释,这些特征是低肽检测率的指标。我们使用这些特征来描述一组2,001个潜在的非编码基因,并表明这些基因中的许多基因的行为更像非编码基因而不是蛋白质编码基因。我们只检测到这些基因中3%的肽。我们认为,这2,001个基因中的许多基因在正常情况下不编码蛋白质,它们不应该被列入人类蛋白质编码基因目录。这些潜在的非编码基因将作为正在进行的人类基因组注释工作的一部分进行修订。
2014-02-11 q-bio.GN q-bio.MN q-bio.PE