[論文レビュー] Four basic symmetry types in the universal 7-cluster structure of 143 complete bacterial genomic sequences

Alexander N. Gorban, Tatyana G. Popova+1 more|arXiv (Cornell University)|Oct 27, 2004

Genomics and Phylogenetic Studies参考文献 21被引用数 8

ひとこと要約

本稿では、143個の完全な細菌ゲノムの位相一致トリプレット周波数分布に普遍的な7クラスタ構造が存在することを特定し、ゲノムのG+C含有量に基づいて4つの異なる対称性タイプ—「平行三角形」、「直交三角形」、変形、および「花びら状」—を同定した。この構造はコドン使用パターンに起因し、G+C含有量の多次元線形関数としてよく近似可能であり、遺伝子予測、配列アラインメント、ゲノム分類の向上に寄与する。

ABSTRACT

Coding information is the main source of heterogeneity (non-randomness) in the sequences of bacterial genomes. This information can be naturally modeled by analysing cluster structures in the "in-phase" triplet distributions of relatively short genomic fragments (200-400bp). We found a universal 7-cluster structure in bacterial genomic sequences and explained its properties. We show that codon usage of bacterial genomes is a multi-linear function of their genomic G+C-content with high accuracy. Based on the analysis of 143 completely sequenced bacterial genomes available in Genbank in August 2004, we show that there are four "pure" types of the 7-cluster structure observed. All 143 cluster animated 3D-scatters are collected in a database and is made available on our web-site: http://www.ihes.fr/~zinovyev/7clusters The finding can be readily introduced into any software for gene prediction, sequence alignment or bacterial genomes classification.

研究の動機と目的

• 位相一致トリプレット分布に基づき、細菌ゲノム配列に普遍的な7クラスタ構造を同定・特徴付けること。
• 多様な細菌ゲノムにおけるこの7クラスタ構造の対称性および幾何的性質を理解すること。
• この構造がゲノムのG+C含有量およびコドン使用パターンとどのように相関するかを調査すること。
• 幾何的および統計的性質に基づき、観察された7クラスタ構造を4つの明確に区別できる対称性タイプに分類すること。
• 遺伝子予測、配列アラインメント、ゲノム分類のためのバイオインフォマティクスツールへの7クラスタ構造の統合フレームワークを提供すること。

提案手法

• GenBank（2004年8月時点）の143個の完全な細菌ゲノムを、64次元空間における重複のないトリプレット周波数分布を用いて分析。
• 次元削減および2次元または3次元での7クラスタ構造の可視化のため、主成分分析（PCA）および多次元スケーリング（MDS）を適用。
• K平均法およびファジィK平均法を用いて、ゲノム全体にわたる7クラスタ構造の同定および妥当性を検証。
• 重心間ベクトルおよび符号付き射影に基づく等高線可視化法を用い、クラスタ境界および対称性を定義。
• コドン使用をG+C含有量の多次元線形関数としてモデル化し、真菌と古細菌の間で2つの明確に分かれたが収束する曲線が得られた。
• 極座標スムージングを用いて、各クラスタの周囲に連続的かつ対称的な等高線を生成し、視覚的および分析的解釈を可能にした。

実験結果

リサーチクエスチョン

• RQ1 細菌ゲノム配列における非ランダム性の背後にある普遍的な幾何的構造は何か？
• RQ2 G+C含有量が異なる細菌ゲノムにおいて、7クラスタ構造はどのように変化するか？
• RQ3 7クラスタ構造に現れる対称性タイプは何か？また、ゲノム構成とどのように関連しているか？
• RQ4 細菌ゲノム全体におけるコドン使用は、G+C含有量の多次元線形関数として正確にモデル化可能か？
• RQ5 7クラスタ構造は、遺伝子予測およびゲノム分類の向上にどの程度活用可能か？

主な発見

• 解析された143個のすべての細菌ゲノムにおいて、普遍的な7クラスタ構造が一貫して観察され、コドンのフレームに特化したトリプレット周波数を用いて、コード領域および非コード領域を表現している。
• 7クラスタ構造は4つの明確な対称性タイプを示す：「平行三角形」（G+C ≈ 25%）、「直交三角形」（G+C ≈ 35%）、変形（G+C ≈ 50%）、および「花びら状」（G+C ≥ 60%）。
• 細菌ゲノム全体におけるコドン使用は、G+C含有量の多次元線形関数として正確にモデル化可能であり、真菌と古細菌のゲノムは2つの明確に分かれたが収束する曲線に従う。
• PCAおよびMDSを用いた3次元または2次元での可視化により、7クラスタ構造が最も明確に表現され、GC豊富ゲノムではクラスタがよく分離され、対称的かつ花びら状のパターンを示す。
• この構造は、配列アセンブリや遺伝子アノテーションに依存せず、短いゲノム断片（200–400 bp）からの位相一致トリプレット周波数にのみ依存して成立する。
• 7クラスタモデルは、既存の遺伝子予測、配列アラインメント、ゲノム分類ソフトウェアへの直接統合が可能であり、精度および効率の向上に寄与する。