基因识别的识别方法

在基因的间接识别法（Extrinsic Approach）中，人们利用已知的mRNA或蛋白质序列为线索在DNA序列中搜寻所对应的片段。由给定的mRNA序列确定唯一的作为转录源的DNA序列；而由给定的蛋白质序列，也可以由密码子反转确定一族可能的DNA序列。因此，在线索的提示下搜寻工作相对较为容易，搜寻算法的关键在于提高效率，并能够容忍由于测序不完整或者不精确所带来的误差。BLAST是目前以此为目的最广泛使用的软件之一。

若DNA序列的某一片段与mRNA或蛋白质序列具有高度相似性，这说明该DNA片段极有可能是蛋白编码基因。但是，测定mRNA或蛋白质序列的成本高昂，而且在复杂的生物体中，任意确定的时刻往往只有一部分基因得到了表达。这意味着从任何单个细胞的mRNA和蛋白质上都只能获得一小部分基因的信息；要想得到更为完整的信息，不得不对成百上千个不同状态的细胞中的mRNA和蛋白质测序。这是相当困难的。比如，某些人类基因只在胚胎或胎儿时期才得到表达，对它们的研究就会受到道德因素的制约。

尽管有以上困难，对人类自身和一些常见的实验生物如老鼠和酵母菌，人们已经建立了大量转录和蛋白质序列的数据库。如RefSeq数据库，Ensembl数据库等等。但这些数据库既不完整，也含有相当数量的错误。 鉴于间接识别法的种种缺陷，仅仅由DNA序列信息预测蛋白质编码基因的从头计算法（Ab Initio Approach）就显得十分重要了。一般意义上基因具有两种类型的特征，一类特征是“信号”，由一些特殊的序列构成，通常预示着其周围存在着一个基因；另一类特征是“内容”，即蛋白质编码基因所具有的某些统计学特征。使用Ab Initio方法识别基因又称为基因预测。通常我们仍需借助实验证实预测的DNA片段是否具有生物学功能。

在原核生物中，基因往往具有特定且容易识别的启动子序列（信号），如Pribnow盒和转录因子。与此同时，构成蛋白质编码的序列构成一个连续的开放阅读框（内容），其长度约为数百个到数千个碱基对（依据该长度区间可以筛选合适的密码子）。除此之外，原核生物的蛋白质编码还具有其他一些容易判别的统计学的特征。这使得对原核生物的基因预测能达到相对较高的精度。

对真核生物（尤其是复杂的生物如人类）的基因预测则相当有挑战性。一方面，真核生物中的启动子和其他控制信号更为复杂，还未被很好的了解。两个被真核生物基因搜寻器识别到的讯号例子有CpG islands及poly(A) tail的结合点。

另一方面，由于真核生物所具有的splicing机制，基因中一个蛋白质编码序列被分为了若干段（外显子），中间由非编码序列连接（基因内区）。人类的一个普通蛋白质编码基因可能被分为了十几个外显子，其中每个外显子的长度少于200个碱基对，而某些外显子更可能只有二三十个碱基对长。因而蛋白质编码的一些统计学特征变得难于判别。

高级的基因识别算法常使用更加复杂的概率论模型，如隐马尔可夫模型。Glimmer是一个广泛应用的高级基因识别程序，它对原核生物基因的预测已非常精确，相比之下，对真核生物的预测则效果有限。GENSCAN计划是一个著名的例子。 由于多个物种的基因组序列已完全测出，使得比较基因组学得以发展，并产生了新的基因识别的方法。该方法基于如下原理：自然选择的力量使得基因和DNA序列上具有生物学功能的其他片段较其他部分有较慢的变异速率，在前者的变异更有可能对生物体的生存产生负面影响，因而难以得到保存。因此，通过比较相关的物种的DNA序列，我们能够取得预测基因的新线索。2003年，通过对若干种酵母基因组的比较，人类对原先的基因识别结果作了较大的修改；类似的方法也正在应用于人类的基因组研究，并可能在将来的若干年内取得成果。

真核生物与原核生物蛋白质都是在核糖体上合成.核糖体的功能就是将mrna上的遗传密码(核苷酸顺序)翻译成多肽链上的氨基酸顺序。因此,它是肽链的装配机,即细胞内蛋白质合成的场所,高尔基体负责对细胞合成的蛋白质进行加工

---