当某一序列从数据库中无法找到同源序列，又 无法排除其是不是基因的可能性时，必须依靠 实验来进一步确认。

两点说明：

在DNA水平上区分同源基因的难度要大于氨 基酸水平。
原因：密码子的摇摆性，相似氨基酸的取代。

确定两个基因是否同源，氨基酸序列的比较 以及蛋白质高级结构的模拟给出的结果更为 可靠。
原因：同源基因功能相似，关键位置氨基酸相同。

蛋白质的域结构 （domain architecture）

又称为蛋白质指纹（protein fingerprint）：
用来特指蛋白质中结构域的组合形式及其排 列次序。

蛋白质的整体功能是通过各个结构域之间的 协同作用实现的，结构域的组成提供了蛋白 质功能解读的关键信息。
举例：细胞跨膜信号传导蛋白的结构域
物种之间存在着广泛的同源基因，包括编码和非编码序列。
生 物 基因组相似性% 99.9 100 98.4 98.7 98.38 98 85 95 孪生子 Americans for Medical Progress Celera Genomics Am J Hum Genet 2001, 682: 444 ~ 456. Americans for Medical Progress NHGRI Jon Entine, in the San Francisco Examiner 资料来源 Human Genome Project 人类 黑猩猩 大猩猩 小鼠 狗
外显子 2
（2）分枝点顺序：为 Py80NPy87Pu75APy95 ， 其中A为百分之百的保 守，且具有2’-OH。
（3）内含子5’端有一保 守序列可以和U1 snRNA 的5’ 端的保守顺序互补。
OH 外显子1 UG O
AG
P314 外显子 1 外显子 2
核 RNA 的剪接反应(仿 B.Lewin: 《GENES》Ⅵ,1997，Fig30.5)
有时2个无明显亲缘关系的蛋白质含有 个别相同的结构域： 分析：
②


可能具有相似的生物学功能，相似的结构域 是蛋白质功能的核心区域。 基因本身无共同的祖先，但其结构域却有共 同的起源。
举例：涉及mRNA加工的蛋白质
线虫
74
Jon Entine, in the San Francisco Examiner
注：以人类基因组DNA序列为基准，与其他生物基因组DNA序列对比。
Ⅰ 同源查询（homology search）

利用已存入数据库中的基因序列与待查
的基因组序列进行比较，从中查找可与
之匹配的碱基序列或蛋白质序列及其比
生物的基因组特有组成也可作为判别依据，如几乎 所有的管家基因（House-Keeping gene）及约占 40%的组织特异性基因的5’末端含有CpG岛。在大 规模DNA测序计划中，每发现一个CpG岛，则预示 可能在此存在基因。

Ⅴ 外显子与内含子边界

Chambon等发现内含子特点：
（1）内含子连接点具有很短的保守序列，称为边界顺序。其 规律称为GT-AG法则（GT-AG rule) 或Chambon法则。 。
①
② ③
接受外界信号的受体功 能域； 传达信号的胞内激酶域； 蛋白质定位在细胞膜上 的跨膜域。

蛋白质结构域在基因的功能预测中起着极其
重要的作用，是预测基因功能的主要依据之一。
①
同一物种或不同物种中具有相同结构域的蛋白 质可将其划归在同一蛋白质家族（protein family），当其他物种相关蛋白质家族成员的 功能已知时，根据同源性可以推知另一物种相 同结构域蛋白质的功能。

全长cDNA的编码蛋白序列应为4-029B，而非最 长的4-029A。
Ⅱ 起始密码子 ATG


第一个ATG的确定依据Kozak规则。 Kozak是一个女科学家，她研究过起始密码子ATG 周边碱基定点突变后对转录和翻译所造成的影响， 并总结出在真核生物中，起始密码子两端序列 为：——G/N-C/N-C/N-ANNATGG——，如 GCCACCATGG、GCCATGATGG时，转录和翻译效 率最高，特别是-3位的A对翻译效率非常重要。 该序列被后人称为Kozak序列，并被应用于表达载 体的构建中。
Ⅵ 3’端的确认

3’端的确认主要根据Poly(A)尾序列，若测试 序列不含Poly(A)，则根据加尾信号序列 “AATAAA”和BLAST同源性比较结果共同 判断。
转录起始
延伸
5 ’帽子
AAUAAA 剪切
Poly (A) 聚合酶
5’帽子
AAUAAA
An
mRNA 3 ’端加 Poly(A)尾巴
Ⅶ 编码区与非编码区
一致性和相似性可用百分比表示，相似性往往高于一致性。
同源基因有关概念：
A.
B.
直向同源基因（orthologous gene）：指分布在不 同物种之间的同源基因，它们来自物种分隔之前的 同一祖先。 共生同源基因（paralogous gene）：指同一物种因 基因倍增产生的同源基因。（旁系同源基因） 倍增基因（ohnologous gene）：因全基因组加倍 产生的同源基因称~。 异向同源基因（xenologous gene）：不同物种之 间因水平转移产生的同源基因称~。
例，这种识别基因的方法称为~。
同源查询相似性的表现：
A. B. C. D.
存在某些完全相同的序列； ORF的排列类似，如等长的外显子； ORF的氨基酸序列相同； 模拟的多肽高级结构相似。
以上标准可单独使用，亦可综合考察； 一般认为氨基酸的一致性或相似性在25%以 上可视为同源基因。


Ⅱ 区分概念： 同源性、一致性和相似性

最长ORF法
①
在细菌基因组中，蛋白质编码基因从起始密
码子ATG到终止密码子平均有100 bp，而
300 bp长度以上的ORF平均每36 Kb才出现
一次，所以只要找出序列中最长的ORF（＞
300 bp）就能相当准确地预测出基因。
②
在真核生物中，存在大量非编码序列和内含 子，ORF阅读比较复杂。
全长cDNA的编码区一般也可以用最长ORF 法，如水稻的3万多条的全长cDNA的编码 区预测，有时例外。
Kozak规则的内容：
若将第一个ATG中的碱基A、T、G分别标为1、2、 3位，则Kozak规则可描述如下： (1) 第4位的偏好碱基为G； (2) ATG的5’端约15bp范围的侧翼序列内不含碱基T； (3) 在-3，-6和-9位置，G是偏好碱基； (4) 除-3，-6和-9位，在整个侧翼序列区，C是偏好碱 基。 Kozak规则是基于已知数据的统计结果，不见得必须 全部满足，一般来说，满足前两项即可。
（Dunham I 等，2001）
5.1.3 实验确认基因
①
依据：任何基因都可转录为RNA拷贝。
分子杂交可确定DNA片段是否含表达序列— —Northern印迹（Northern boltting）。 由EST和cDNA指认基因——搜集尽可能多的 EST和cDNA成员是基因组注释最简单最可靠 的方法。
C.
D.
globin 基因的直系同源、旁系同源关系图
物种种化（speciation event）而产生了直系同源（orthology）的基因序列，基因重复 （duplication event）而产生了旁系同源（paralogy） 的基因序列。

在基因分类时，缺少同源序列的ORF被称为孤 独基因（orphan gene）。

任意一段DNA序列都有6种可能的读码框。
ORF的长度：

终止密码子: TAA, TAG, TGA
GC% = 50%，终止密码子每 64 bp出现一 次； GC% > 50%，终止密码子每100~200 bp 出现一次； 由于多数基因 ORF 均多于50个密码子，因 此最可能的选择应该是 ORF 不少于100 个 密码子。
②
5.2 基因功能预测

根据基因结构、功能与进化的内在联系， 采用生物信息学方法进行基因功能的预 测已成为基因功能前期研究的主流内容。
5.2.1 计算机预测基因功能

采用软件分析方法，根据已有的基因功能推测 基因组中具有相似结构的基因的功能。

依据：同源性比较
直向同源基因，共生同源基因
蛋 白 质 结 构 预 测
A.
同源性（homology）：起源于同一祖先但序列已 经发生变异的序列之间的关联性。
同源性只有“是”和“非”的区别，无所谓百分比。
B.
C.
一致性（identity）：同源DNA序列的同一碱基位 置上相同的碱基成员，或者蛋白质中同一氨基酸 位置上相同的氨基酸成员的比例。 相似性（similarity）：同源蛋白质的氨基酸序列中 一致性氨基酸和可取代氨基酸所占的比例。
左(5')位点 外显子 A64G73 G100 T100A62AG8G84T63… 内含子 右(3')位点 12PyNC 65A100G100 N 外显子
GT-AG 法则 内含子和外显子的交界顺序 ( 仿 B.Lewin: 《GENES》Ⅵ ,1997 ，Fig30.3)
OH G A G
外显子 1
是否为基因的结论。
② 人工注释：人为检测评价自动注释的结果并
根据其他数据进行分析与校正。
③ 实验注释：根据实验结果进行检测，如EST
或全长cDNA。
自动注释的内容：
①
②
依据基因结构的特点采用软件预 测，不依赖已有的表达序列； 同源性比较，在同一物种或不同 物种中查找已有的基因序列； 功能域（domain）或基序 （motif）分析。

Ⅲ 密码子偏爱性（codon bias）