Genome assembly in the telomere-to-telomere era
本文综述长读长测序推动下的端粒到端粒基因组组装进展,梳理相关算法与协议,并展望未来方向。
2023-08-15 q-bio.GN
Organizing genome engineering for the gigabase scale
对生物体的整个基因组进行工程改造,可以在组织、功能和外部相互作用方面实现大规模的变化,对工业、医学和环境产生重大影响。DNA合成和生物工程的改进已经使具有巨噬细胞基因组的生物发生了重大变化,如大肠杆菌和酿酒酵母。同时,基因组规模建模的最新进展正在越来越多地为代谢网络的设计提供信息。然而,将这些和其他相关技术整合到可以扩展到千兆碱基基因组工程的工作流程中仍然存在重大挑战。特别是,我们发现,一个主要的未被认识到的挑战是协调模型,设计,构建和测量在大型团队和复杂的技术系统,这将可能需要千兆基因组工程的流动。我们建议社区通过以下方式来应对这些挑战:1)采用和扩展现有的标准和技术,以在千兆基因组规模上表示和交换信息,2)开发新技术,以解决围绕数据管理和质量控制的主要开放问题,3)在基因组规模上进行建模和设计集成的基础研究,以及4)发展新的法律和合同基础设施,以更好地促进多个机构之间的合作。
2019-09-03 q-bio.GN
RACS: Rapid Analysis of ChIP-Seq data for contig based genomes
背景资料:染色质免疫沉淀结合下一代测序(ChIP-Seq)是一种广泛使用的技术,用于以全基因组方式研究染色质相关蛋白的功能。ChIP-Seq生成大量数据,这些数据可能难以处理和分析,特别是对于具有基于重叠群的基因组的生物体。基于重叠群的基因组通常对顺式元件(例如增强子)具有较差的注释,所述顺式元件对于基因表达是重要的。注释不佳的基因组使得ChIP-Seq数据的综合分析变得困难,因此缺乏标准化的分析管道。研究方法:我们报告了一个计算管道,它利用传统的高性能计算技术和开源工具来处理和分析从ChIP-Seq获得的数据。我们将我们的计算管道“ChIP-Seq数据快速分析”(RACS)应用于在模式生物嗜热四膜虫中生成的ChIP-Seq数据,这是具有重叠群中可用的基因组的生物体的一个例子。结果如下:为了测试RAC的性能和效率,我们进行了对照ChIP-Seq实验,使我们能够在分析之前发表的数据集时快速消除假阳性。我们的流水线分离基因和基因间区域之间发现的读取积累,并且对于快速下游分析是高效的。结论:总而言之,本报告中提出的计算管道是一种高效且高度可靠的工具,可用于分析在具有基于重叠群的基因组的模式生物中生成的全基因组ChIP-Seq数据。RACS是一个开源计算管道,可从以下网站下载:https://bitbucket.org/mjponce/racs--或--https://gitrepos.s…
2019-05-07 q-bio.GN
EGC: a format for expressing prokaryotic genomes content expectations
本文提出EGC格式,一种扁平文本文件格式,用于表示原核生物基因组内容预期规则,并实现解析器及Python包,以支持质量控制与假设形成。
2023-05-10 q-bio.GN
3D genome reconstruction from partially phased Hi-C data
本文利用代数几何证明少量定相Hi-C数据足以实现有限可辨识性,并提出基于半定规划、数值代数几何和局部优化的三维基因组重建方法,在模拟和真实数据上验证了有效性。
2024-05-29 math.AG math.OC q-bio.GN
A New Approach to Understanding Ontogenesis and The Theory of Aging
本文提出了一个多细胞生物衰老的新理论。与单细胞生物体相反,多细胞生物体的细胞背负着两部分基因组:管家和特化(多细胞),负责个体发育和终末分化。基因组的两个部分竞争有限的适应性资源,从而干扰基因组的管家部分在有丝分裂后细胞中充分执行修复和适应性功能的能力。完成本体发生程序的必要性导致基因组的多细胞组分的活性增加。因此,细胞资源分配到专门的基因组不断增加与时间。这导致有丝分裂后细胞的修复和适应能力的缺陷。对未来研究的建议集中在鉴定负责调节特化基因组生长速率和抑制细胞分裂能力的基因组。更好地理解基因组两部分之间的关系不仅有助于我们操纵个体发育和衰老,而且还将提高我们对癌症发展和个体发育的理解。
2012-08-15 q-bio.CB q-bio.GN
A quick guide for student-driven community genome annotation
高质量的基因模型是必要的,以扩大分子和遗传工具可用于目标生物体,但这些都是只有少数模式生物,已经经历了广泛的策展和实验验证多年的过程中。目前存在于生物数据库中的大多数基因模型已经使用自动注释管道在草案基因组组装中鉴定,所述自动注释管道通常基于来自远亲模型生物体的直系同源物。人工策展是耗时的,往往需要大量的专业知识,但有助于改善基因模型的结构和识别。手动注释对于小型研究社区来说似乎是一项艰巨且成本高昂的任务,但让大学生参与社区基因组注释联盟对于教育和改善基因组资源都是互利的。我们概述了一个工作流程,高效的手动注释驱动的团队,主要是本科生注释。该模型可以扩展到大型团队,并通过增量评估包括质量控制流程。此外,它为学生提供了一个机会,以提高他们对基因组生物学的理解,并与同行和多个机构的高级研究人员合作参与科学研究。
2018-10-16 q-bio.GN
GDC 2: Compression of large collections of genomes
高通量基因组测序价格的下降改变了现代基因组学的格局。一些旨在对许多人类基因组进行测序的大规模项目正在进行中。基因组测序也成为个性化医疗的重要辅助手段。这种变化的一个重要副作用是需要存储和传输大量的基因组数据。在本文中,我们处理的问题,压缩大量的完整的基因组序列。我们提出了一种算法,能够压缩1092人类二倍体基因组的集合约9,500倍。这个结果比其他现有压缩机提供的效果好大约4倍。此外,我们的算法是非常快的,因为它处理数据的速度200 MB/s的现代工作站上。因此,所提出的算法允许以低成本存储完整的基因组集合,例如,1092个人类基因组的检查集合在压缩时仅需要约700 MB,这可以与约6.7TB的未压缩FASTA文件相比较。源代码可在http://sun.aei.polsl.pl/REFRESH/index.php?上获得page=projects&project=gdc&subpage=about.
2015-03-05 cs.CE cs.DS q-bio.GN
Homogeneity and heterogeneity of functional element composition of genome units across human and seven model organisms
Centre for Neural Circuits & Behaviour, University of Oxford(牛津大学神经环路与行为中心)
该研究分析人类与七种模式生物的基因组单元功能元件组成,发现多数基因组存在同质性,同时存在三类结构化异质性,且均匀性与重复序列位置相关,植物和果蝇的组成比脊椎动物更均匀。
2026-10-14 q-bio.GN q-bio.QM
Deciphering the regulatory genome of $\textit{Escherichia coli}$, one hundred promoters at a time
DNA测序的进步彻底改变了我们阅读基因组的能力。然而,即使在研究最充分的生物体,细菌${\it Escherichia coli}$中,对于启动子的$\approx$ 65 $\%$,我们仍然完全不知道它们的调节。除非我们破解了这个监管的罗塞塔石碑,否则读写基因组的努力将仍然是偶然的。我们介绍了一种新的方法(Reg-Seq)连接一个平行的报告分析和质谱法产生一个碱基对分辨率解剖超过100个启动子在${\it E. coli}$在12个不同的生长条件。首先,我们表明,我们的方法概括了已知序列的监管信息。然后,我们研究了${\it E. coli}$基因组中80多个启动子的调控结构,这些启动子以前没有已知的调控。在许多情况下,我们还确定哪些转录因子介导其调节。本文介绍的方法为充分表征模式生物的调控基因组扫清了道路,并有可能转移到一系列具有生态和医学相关性的其他微生物上。
2020-01-21 q-bio.GN
Information Theory of Genomes
基因组大小与生物体复杂性的关系仍然被描述得相当含糊。基因的数量(G值)和DNA的总量(C值)都与表型复杂性无关。使用信息论的考虑,我们开发了一个模型,允许一个定量估计的基因组序列中的功能信息的量。这个模型很容易回答长期存在的问题,为什么GC含量在功能区域增加。该模型允许一致的估计基因组的复杂性,解决G-和C-值的主要差异。对于具有类似复杂表型的相关生物,这种估计提供了对它们的生态位复杂性的生物学见解。这一理论框架表明,生物信息可以根据环境的需求快速进化,主要是在非编码基因组序列中,并解释了复制在生物信息进化中的作用。了解基因组序列中功能性的近似量对于许多应用是有用的,例如基因组遗传学分析、计算机模拟功能元件发现或对基因分型和测序的靶进行优先排序。
2007-01-12 q-bio.GN q-bio.PE
Gene finding revisited: improved robustness through structured decoding from learned embeddings
本文提出将DNA序列学习嵌入与潜在条件随机场精确解码相结合的新基因发现方法,在匹配现有最优性能的同时提升训练鲁棒性,并免去人工拟合长度分布,为跨物种基因发现奠定基础。
2025-05-06 q-bio.GN
CO-phylum: An Assembly-Free Phylogenomic Approach for Close Related Organisms
迄今为止开发的系统基因组学方法要么太耗时,要么缺乏坚实的进化基础。此外,没有一种基因组学方法能够直接从未组装的原始测序数据构建树。一种新的基因组学方法,CO-phylum,被开发来减轻这些缺陷。CO-phylum可以利用近缘生物的全基因组或未组装的测序数据生成高分辨率和高准确度的树,并且CO-phylum距离与p-距离几乎呈线性关系。
2011-04-06 q-bio.GN q-bio.QM
CRISPR SWAPnDROP -- A multifunctional system for genome editing and large-scale interspecies gene transfer
在生物技术、合成生物学和基础研究中对多种染色体修饰的需求要求开发新技术。通过CRISPR SWAPnDROP,我们将基因组编辑的限制扩展到细菌物种之间的大规模体内DNA转移。其模块化平台方法有助于物种特异性适应,以在各种物种中进行基因组编辑。在这项研究中,我们展示了CRISPR SWAPnDROP概念在模式生物大肠杆菌和目前增长最快且与生物技术相关的生物体产钠弧菌中的实施。我们证明了151kb的染色体DNA在E. coli菌株和E.大肠杆菌转化为产钠弧菌,而不需要大小限制性的中间DNA提取。随着E. coli MG 1655野生型乳糖操纵子的基础上,建立了产钠弧菌乳糖和半乳糖降解途径,以拓展产钠弧菌的生物技术谱。我们还转移了E。coli DH5 α lac操纵子,使产钠弧菌能够进行α-互补-这是朝着超快速克隆菌株迈出的一步。此外,CRISPR SWAPnDROP被设计成基因组工程的瑞士军刀。其应用范围包括无瘢痕、无标记、迭代和平行插入和缺失、基因组重排以及菌株间和物种间的基因转移。模块化的特点有利于DNA文库的应用和标准化部分的回收。其新颖的多色无疤痕共同选择系统显著提高了编辑效率,单次编辑效率达到92%,四次编辑效率达到83%,并在整个组装和编辑过程中提供视觉质量控制。
2021-11-23 q-bio.GN
Hot RAD: A Tool for Analysis of Next-Gen RAD Tag Data
限制性位点相关DNA(RAD)标记(也称为RAD-seq等)这可以应用于没有参考基因组的非模型生物,尽管这产生了如何开始对未映射和未注释的读段进行数据分析的问题。我们的程序Hot RAD提供了一种简单且易于使用的方法,可以获取已RAD标记的Illumina原始数据,并使用分布式框架产生共识重叠群或序列堆栈,为开始分析生物体的DNA奠定基础。我们的工具的GUI(图形用户界面)元素使那些不熟悉命令行的人可以轻松地获取原始序列文件并及时生成可用的数据。
2015-11-20 q-bio.GN q-bio.QM
Rubbish DNA: The functionless fraction of the human genome
因为基因组是自然过程的产物,而不是智能设计的产物,所有基因组都包含功能和非功能部分。基因组中没有生物学功能的部分被称为垃圾DNA。垃圾DNA由垃圾DNA组成,即,基因组中选择不起作用的部分,以及垃圾DNA,即,这些序列降低了生物体的适应性,但存在于基因组中,因为净化选择既不是万能的,也不是瞬间的。在本章中,我(1)从进化的角度回顾了基因组功能和无功能的概念,(2)提出了基因组功能的精确命名法,(3)讨论了人类基因组中存在大量垃圾DNA的证据,(4)讨论了产生垃圾DNA的突变机制,(5)阐明维持垃圾DNA的必要进化条件,(6)概述估计基因组内功能部分的各种方法,(7)提出对我们基因组功能部分的最新估计。
2016-01-22 q-bio.GN
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
MetaCompass: Reference-guided Assembly of Metagenomes
本文提出MetaCompass这一首个有效的参考引导宏基因组组装方法,可针对特定生物体补充并改进传统从头组装,并随参考基因组增多而更具价值。
2024-03-03 q-bio.GN q-bio.QM
Investigating DNA words and their distributions across the tree of life
Division of Pharmacology and Toxicology, College of Pharmacy, The University of Texas at Austin, Dell Paediatric Research Institute(德克萨斯大学奥斯汀分校药学院药理与毒理学系,戴尔儿科研究所)
该研究通过分析超22.5万个跨类群基因组的k-mer分布,发现Zipf定律拟合效果不佳,提出截断幂律和Zipf-Mandelbrot分布优化拟合,并结合Heaps定律分析词汇量变化,为人工基因组生物学合理性评估提供新基准。
2025-09-05 q-bio.GN
Applied Category Theory for Genomics -- An Initiative
地球上所有生命的终极秘密都隐藏在它们的基因组中--DNA序列的总和。我们目前知道许多生物体的整个基因组序列,而我们对系统水平上的基因组结构的理解仍然是初步的。应用范畴理论为整合基因组学中大量的异质信息,推进我们对基因组组织的认识,并为我们提供对自身基因组的深入和全面的看法开辟了一条有前途的道路。在这项工作中,我们解释了为什么应用范畴理论带来了这样的希望,我们继续展示它实际上是如何做到这一点的,尽管是在婴儿阶段。手稿的目的是可读的数学家和生物学家,因此没有事先的知识是需要从任何一方。
2020-09-06 math.CT q-bio.GN
Protein and DNA sequence determinants of thermophilic adaptation
生活在极端环境温度下的原核生物在其蛋白质的氨基酸组成和其基因组的核苷酸组成中表现出明显的特征,反映了其对热环境的适应。然而,尽管做出了重大努力,但原核生物最佳生长温度的基因组和蛋白质组组成决定因素的确切答案仍然难以捉摸。在这里,作者通过详尽地评估所有氨基酸和核苷酸的组合作为具有全序列基因组的所有原核生物的最佳生长温度的可能决定因素,对嗜热适应的氨基酸和核苷酸组成特征进行了全面分析。作者发现,蛋白质组中7种氨基酸的总浓度IVYWREL可作为原核生物最佳生长温度的通用蛋白质组预测因子。解决了长期存在的争议,作者确定核苷酸组成的变化(嘌呤负荷或A+G含量随温度的增加)在很大程度上是蛋白质热适应的结果。然而,A和G核苷酸在基因组序列中作为最近邻出现的频率与最佳生长温度强烈且独立地相关。这是相应基因组中密码子偏好的结果。总之,这些结果提供了一个完整的图片蛋白质组和基因组的嗜热适应的决定因素。
2006-11-23 q-bio.BM q-bio.GN
Parameters of proteome evolution from histograms of amino-acid sequence identities of paralogous proteins
在给定基因组中编码的蛋白质的完整库的进化主要由现有蛋白质的基因复制、缺失和序列修饰驱动。这三个基本过程的相对速率和其他内在参数的间接信息包含在旁系同源蛋白质对的序列同一性的蛋白质组范围分布中。我们介绍了一个简单的数学框架的基础上的随机出生和死亡模型,允许一个提取的一些信息,并将其应用到所有对的旁系同源蛋白在七个模式生物。发现通过基因组中编码的所有蛋白质序列的全对全比对产生的序列同一性p的直方图与幂律形式~p^(-γ)很好地拟合,对于本研究中使用的大多数生物体,指数γ的值约为4。这意味着置换率的蛋白质内变异性最好用指数α ~ 0.33的γ分布来描述。我们分别测量短期(“原始”)复制和缺失率r*_dup,r*_del,其中包括在复制事件后不久将被移除的基因拷贝和它们显著减少的长期对应物r_dup,r_del。分析了四种重复/缺失率中的每一种与基因组中基因总数的系统趋势。除了最近重复的r*_del的缺失率外,所有的缺失率都显示出随N_基因的增加而系统地增加。在酵母和人类中观察到的序列同一性直方图的异常平坦形状与导致这些生物体经历一个或多个全基因组复制的谱系一致。
2007-11-05 cond-mat.soft q-bio.GN
De novo genomic analyses for non-model organisms: an evaluation of methods across a multi-species data set
高通量测序(HTS)通过使科学家能够在基因组规模上快速且廉价地查询变异,正在彻底改变生物学研究。尽管获得这些数据越来越容易,但有效地使用这些数据仍然带来了显著的挑战,特别是对于那些使用没有高质量参考基因组的生物体的人来说。对于分析的每一个阶段--从组装到注释再到变异发现--研究人员必须在做出推断之前将技术伪像与数据的生物现实区分开来。在这项工作中,我通过为蜥蜴的一个分支生成一个大型从头比较转录组数据集数据并构建一个管道来分析这些数据来探索这些挑战。然后,使用新的指标和外部验证的变量数据集的组合,我测试我的方法的有效性,确定改进的领域,并提出方法,以尽量减少这些错误。我发现,通过仔细的数据管理,HTS可以成为为非模型生物生成基因组数据的强大工具。
2012-11-08 q-bio.GN
Gene & Genome Duplication in Acanthamoeba Polyphaga Mimivirus
基因复制是生命所有三个领域的分子进化的关键,也可能是新基因功能出现的第一步。这是大型DNA病毒的一个公认特征,但迄今为止尚未在最大的已知病毒中进行广泛研究,最近发现的阿米巴多食虫拟态病毒。在这里,我们提出了一个系统的分析,在Mimivirus基因组中的基因和基因组复制事件。我们发现,三分之一的拟病毒基因与拟病毒基因组中至少一个其他基因相关,要么是通过发生在更遥远的过去的大片段基因组复制事件,要么是通过最近的基因复制事件,这通常是串联发生的。这表明基因和基因组复制在形成Mimivirus基因组中发挥了重要作用。使用多重比对结合基于隐马尔可夫模型比较的远程同源性检测方法,我们将推定的功能分配给一些旁系同源基因家族。我们认为,复制的Mimivirus基因家族的很大一部分可能会干扰重要的宿主细胞过程,如转录控制,蛋白质降解和细胞调控过程。我们的研究结果支持这样一种观点,即大型DNA病毒是复杂的进化生物,可能深深扎根于生命之树,并反对病毒进化由横向基因获取主导的范式,至少在大型DNA病毒方面。
2005-07-19 q-bio.GN
Revolutionising Bacterial Genomics: Graph-Based Strategies for Improved Variant Identification
本文提出基于 PGGB 与 vg giraffe 的泛基因组图流程,用于细菌全基因组测序数据比对、图形参考变异调用和泛基因组构建,显著提升模拟及真实病原体数据的映射率与变异识别准确性。
2025-05-12 q-bio.GN
Graph Based Analysis for Gene Segment Organization In a Scrambled Genome
DNA重排过程以多种方式重组染色体上的基因片段。段可以重叠、交错或一个可以是另一个的子段。我们使用有向图来表示给定位点上的片段组织,其中包含重排片段的重叠群表示顶点,边缘对应于片段关系。使用图形的属性,我们在一个更高的维欧几里德空间中的一个点相关联的每个图,使集群的形成和分析,可以与拓扑数据分析的方法进行。该方法适用于最近测序的模式生物\textit{Oxytricha trifallax},一种纤毛虫高度混乱的基因组,经历大规模的重排过程后接合。分析显示了一些新兴的星形图结构,表明单个基因的片段可以交织,甚至在其片段之间包含来自15个或更多其他基因的所有片段。我们还观察到,多达六个基因的片段可以相互交错或重叠。
2018-01-28 q-bio.GN stat.ML
The complex hybrid origins of the root knot nematodes revealed through comparative genomics
根结线虫(Meloidogyne root knot nematodes,RKN)可以感染世界上大多数农作物物种,并且是所有植物病原体中最重要的。然而到目前为止,我们对它们的起源或它们极端多食性的基因组基础知之甚少。最具破坏性的病原体通过有丝分裂孤雌生殖繁殖,并被认为是由未知亲本类群之间的种间杂交产生的。我们对二倍体减数分裂孤雌生殖体Meloidogyne floravensis的基因组进行了测序,并使用比较基因组学方法来检验它参与热带有丝分裂孤雌生殖体M的杂交起源的假设。无名氏系统基因组学分析M. florescence sis,M. incognita和外群种M. hapla的基因组序列来追溯这些物种基因组的进化历史,证明M. floraclonsis是M.无名氏对M. florescence sis基因组中的许多基因位点与M.这表明它也有一个混合的起源。三倍体M. incognita是一个复杂的双杂交体。还有一个身份不明的父母农业上重要的RKN有非常复杂的起源,涉及几个亲本基因组的混合杂交和他们的极端多食性和农业上的成功可能与这种杂交,产生超亲变异的自然选择的行为。通过单个标记位点研究RKN变异可能会失败,因为物种的复杂起源,多物种群体基因组学对于了解这一重要物种复合体的杂交多样性和适应性变异至关重要。这种比较基因组分析提供了一个令人信服的例子,说明杂交在更普遍地产生动物物种…
2013-06-26 q-bio.GN q-bio.PE
De novo reconstruction of satellite repeat units from sequence data
提出SRF算法,无需先验知识即可从准确读段或组装中重建卫星重复单元及高阶重复,并揭示卫星重复在多种物种中广泛存在但常被组装低估。
2023-04-19 q-bio.GN
DNA methylation variation in Arabidopsis has a genetic basis and shows evidence of local adaptation
表观基因组对环境的调节可能为生物体提供了一种适应机制,包括代内和代间。然而,这种情况发生的程度和所涉及的分子机制都不清楚。在这里,我们调查DNA甲基化的变化在瑞典拟南芥加入生长在两个不同的温度。环境对DNA甲基化的影响仅限于转座子,其中发现CHH甲基化随温度增加而增加。全基因组关联图谱显示,广泛的CHH甲基化变异与顺式和反式的遗传变异密切相关,包括与DNA甲基转移酶CMT2接近的主要反式关联。与CHH甲基化不同,基因编码区的CpG基因体甲基化(GBM)不受生长温度的影响,而是与原产地的纬度密切相关。来自较冷地区的基因组的显著部分具有较高水平的GBM,这与受影响基因的转录水平升高相关。全基因组关联图谱显示,这种影响主要是由于反式作用位点,其中一个显着的分数显示出局部适应的证据。这些发现构成了DNA甲基化与环境适应之间的第一个直接联系,并为进一步剖析环境驱动和遗传决定的表观遗传变异如何相互作用和影响生物体适应性提供了基础。
2014-10-21 q-bio.GN
Low-bandwidth and non-compute intensive remote identification of microbes from raw sequencing reads
廉价的高通量DNA测序可能很快就会成为常规,不仅适用于人类基因组,而且适用于几乎任何需要从DNA中识别活生物体的工作:追踪传染性病原体、控制食品、生物反应器或环境样本。我们提出了一种新的通用方法来分析测序数据,其中参考基因组不必指定。使用分布式架构,我们能够向远程服务器查询关于引用可能是什么的提示,传输相对少量的数据,并且提示可以用于计算要求更高的工作。我们的系统包括一个服务器与已知的参考DNA索引,和一个客户端与原始测序读取。客户端发送一个未识别读取的样本,并作为回报接收服务器已知的匹配引用列表。可以检索参考的序列,并将其用于读取的穷举计算,例如比对。为了证明这种方法,我们已经实现了一个网络服务器,索引数以万计的公开可用的基因组和基因组区域从各种生物体和查询测序读取匹配命中返回列表。我们还实现了两个客户端,其中一个在Web浏览器中运行,以证明可以在不需要传输非常大量的数据的情况下,并且在适度供电的计算设备上识别未知来源的千兆字节的原始测序读数。可通过http://tapir.cbs.dtu.dk访问网站。python命令行客户端、服务器和补充数据的源代码可以在http://bit.ly/1aURxkc上获得。
2013-06-21 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
Comparative genomic analysis of the human gut microbiome reveals a broad distribution of metabolic pathways for the degradation of host-synthetized mucin glycans
结肠粘液层是由分泌型和跨膜型粘蛋白组成的动态复杂结构,粘蛋白是高分子量和高度糖基化的蛋白质。结肠粘液由疏松的外层和致密的上皮附着层组成。外层由人类肠道微生物群(HGM)的各种代表居住。当膳食纤维不充足时,结肠粘液的聚糖可以被HGM用作碳和能量的来源。在这里,我们分析了397个单独的HGM基因组,以确定宿主合成的粘蛋白聚糖裂解为单糖的途径,以及衍生单糖的催化剂。我们的主要结果如下:(i)在86%的分析基因组中发现了粘蛋白聚糖切割基因,而在89%的分析基因组中发现了衍生单糖的催化基因。(ii)比较基因组分析确定了四种替代形式的单糖分解代谢酶和四种替代形式的单糖转运蛋白。(iii)百分之八十五的分析基因组可能涉及交换途径的单糖来自切割粘蛋白聚糖。(iv)所分析的基因组显示出降解已知粘蛋白聚糖的不同能力。通常,预测81%的分析基因组具有降解至少一种粘蛋白聚糖的能力。(v)82%的分析基因组可以形成互惠配对,能够降解粘蛋白聚糖,并且不能被任何配对生物单独降解。总之,这些发现提供了对HGM的微生物间通信以及宿主-HGM相互作用的进一步了解。
2017-03-30 q-bio.GN
The Bulk and The Tail of Minimal Absent Words in Genome Sequences
基因组序列的最小缺失字(MAW)是指其本身缺失但其子字全部存在于序列中的序列。已观察到基因组MAW作为其长度的函数的特征分布对于所有活生物体而言在性质上是相似的,大部分相当短,并且只有相对较少的是长的。这一现象背后的原因是统计学上的还是反映了生物学机制,以及在缺失的单词中包含了什么生物学信息,一直是一个悬而未决的问题。在这项工作中,我们表明,散装可以描述的概率模型的抽样字从随机序列,而长MAWs的尾巴是生物起源。我们引入了一个新的概念,一个最小的缺席字,这是序列存在于基因组中,最接近一个给定的MAW的核心。我们发现,在细菌和酵母中,存在于两个或更多个拷贝中的最长MAW的核心位于高度保守的区域,最突出的例子是核糖体RNA(rRNA)。我们还表明,虽然长MAW的核心分布在粗粒度水平上在这些基因组上大致均匀,但在更详细的水平上,它在3'非翻译区(UTR)中强烈增强,并且在较小程度上,也在5' UTR中。这表明MAW和相关的MAW核心对应于微调的进化关系,并表明它们可以更广泛地用作基因组复杂性的标记。
2015-09-17 physics.bio-ph q-bio.GN