[论文解读] Seven clusters in genomic triplet distributions

Alexander N. Gorban, Andreï Zinovyev+1 more|PubMed|May 29, 2003

Genomics and Phylogenetic Studies参考文献 14被引用 18

一句话总结

该论文通过基因组序列的滑动窗口分析，在多个基因组的三联体频率分布中识别出一种一致的七聚类结构。这些聚类对应于正向和反向链上的三个阅读框（蛋白质编码区）以及非编码区，实现了无需预先基因注释或开放阅读框提取的无监督基因检测，即使在未组装的基因组中也能达到超过90%的核苷酸水平准确率。

ABSTRACT

In several recent papers new gene-detection algorithms were proposed for detecting protein-coding regions without requiring a learning dataset of already known genes. The fact that unsupervised gene-detection is possible is closely connected to the existence of a cluster structure in oligomer frequency distributions. In this paper we study the cluster structure of several genomes in the space of their triplet frequencies, using a pure data exploration strategy. Several complete genomic sequences were analyzed, using the visualization of tables of triplet frequencies in a sliding window. The distribution of 64-dimensional vectors of triplet frequencies displays a well-detectable cluster structure. The structure was found to consist of seven clusters, corresponding to protein-coding information in three possible phases in one of the two complementary strands and in the non-coding regions with high accuracy (higher than 90% on nucleotide level). Visualizing and understanding the structure allows to analyze effectively the performance of different gene-prediction tools. Since the method does not require extraction of ORFs, it can be applied even for unassembled genomes.

研究动机与目标

• 研究多个完整基因组中基因组三联体频率分布的内在聚类结构。
• 确定此类聚类结构是否可用于在不依赖已知基因信息的情况下，无监督检测蛋白质编码区。
• 评估利用三联体频率模式作为独立方法在组装和未组装基因组序列中进行基因预测的可行性。
• 分析平均场模型在解释观察到的聚类结构方面的信息含量和有效性。

提出的方法

• 应用滑动窗口方法，计算完整基因组序列中所有可能三联体（三联体）的64维频率向量。
• 使用纯粹的数据探索和可视化技术，映射高维空间中的三联体频率分布。
• 识别并验证了三联体频率空间中一个稳定的七聚类结构，对应于三个正向阅读框、三个反向阅读框和非编码区。
• 评估了在核苷酸水平上的聚类分配准确性，正确率超过90%。
• 评估了三联体分布的信息含量，并测试了平均场模型在描述观察到的模式上的一致性。
• 为可复现性和进一步分析，公开提供软件和数据集。

实验结果

研究问题

• RQ1 在不同基因组的三联体频率空间中，是否存在一个一致的聚类结构？
• RQ2 该聚类结构是否可用于在不依赖已知基因训练的情况下检测蛋白质编码区？
• RQ3 将核苷酸分配到聚类的准确性如何，特别是在区分编码区与非编码区方面？
• RQ4 三个阅读框中，正向链与反向链的三联体频率模式有何差异？
• RQ5 平均场模型在多大程度上能够解释三联体频率中观察到的分布模式？

主要发现

• 在多个分析的基因组中，三联体频率空间中始终观察到一个稳健的七聚类结构。
• 这七个聚类精确对应于三个正向阅读框、三个反向阅读框和非编码区，核苷酸水平准确率超过90%。
• 该聚类结构使得无需提取开放阅读框（ORFs）或事先了解已知基因即可实现无监督基因检测。
• 该方法适用于未组装基因组，因此适用于草案或片段化序列数据。
• 三联体分布的信息含量支持基因组序列中存在非随机且具有生物学意义的模式。
• 平均场模型被证实能够有效描述观察到的分布模式，表明其背后存在潜在的统计规律性。