[论文解读] 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 8

一句话总结

该论文在143个完整细菌基因组的同相三联体频率分布中识别出一种普遍存在的7簇结构，基于基因组G+C含量揭示了四种不同的对称类型——'平行三角形'、'垂直三角形'、退化型和'花状'。该结构源于密码子使用模式，并可通过G+C含量的多线性函数良好近似，从而提升基因预测、序列比对和基因组分类的性能。

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.

研究动机与目标

• 基于同相三联体分布，识别并表征细菌基因组序列中的普遍7簇结构。
• 理解该7簇结构在不同细菌基因组中的对称性与几何特性。
• 研究该结构与基因组G+C含量及密码子使用模式的相关性。
• 基于其几何与统计特性，将观察到的7簇结构划分为四种不同的对称类型。
• 为将7簇结构整合到生物信息学工具中以实现基因预测、序列比对和基因组分类提供框架。

提出的方法

• 使用GenBank（截至2004年8月）中143个完整细菌基因组，在64维空间中分析非重叠三联体频率分布。
• 应用主成分分析（PCA）与多维尺度分析（MDS）以降低维度，并在2D或3D中可视化7簇结构。
• 采用K均值与模糊C均值聚类方法，在基因组间识别并验证7簇结构。
• 基于质心间向量与带符号投影的轮廓可视化方法，定义簇边界与对称性。
• 将密码子使用建模为G+C含量的多线性函数，揭示真细菌与古菌分别遵循两条不同但趋同的曲线。
• 使用极坐标平滑方法，为每个簇生成连续且对称的轮廓，以利于可视化与分析解释。

实验结果

研究问题

• RQ1 细菌基因组序列中非随机性的普遍几何结构是什么？
• RQ2 不同G+C含量水平的细菌基因组中，7簇结构如何变化？
• RQ3 7簇结构中浮现了哪些对称类型，它们与基因组组成有何关联？
• RQ4 能否将细菌基因组中的密码子使用准确建模为G+C含量的多线性函数？
• RQ5 在多大程度上可利用7簇结构提升基因预测与基因组分类的性能？

主要发现

• 在所有143个分析的细菌基因组中均一致观察到普遍的7簇结构，该结构以框特异性三联体频率表示编码与非编码区域。
• 7簇结构表现出四种不同的对称类型：'平行三角形'（G+C ≈ 25%）、'垂直三角形'（G+C ≈ 35%）、退化型（G+C ≈ 50%）和'花状'（G+C ≥ 60%）。
• 细菌基因组中的密码子使用可被准确建模为G+C含量的多线性函数，真细菌与古菌基因组分别遵循两条不同但趋同的曲线。
• 通过PCA与MDS在3D或2D中可最清晰地可视化该7簇结构，簇间分离良好，并在GC丰富基因组中呈现对称的花状模式。
• 该结构具有鲁棒性，且不依赖于序列拼接或基因注释，仅依赖于短基因组片段（200–400 bp）的同相三联体频率。
• 7簇模型可直接集成到现有基因预测、序列比对与基因组分类软件中，以提升准确率与效率。