[论文解读] The Mystery of Two Straight Lines in Bacterial Genome Statistics

Alexander N. Gorban, Andreï Zinovyev|arXiv (Cornell University)|Dec 9, 2004

Genomics and Phylogenetic Studies被引用 1

一句话总结

该论文揭示，细菌和古菌基因组在9维密码子位置特异性核苷酸频率空间中表现出两条截然不同的直线，其中真细菌和古菌分别形成独立的直线。通过主成分分析和平均场近似模型，研究发现基因组G+C含量和最适生长温度解释了前两个主成分，而平均场近似的曲率则解释了第三个主成分的变异，前三个主成分共同解释了71.6%的密码子使用变异。

ABSTRACT

In special coordinates (codon position-specific nucleotide frequencies), bacterial genomes form two straight lines in 9-dimensional space: one line for eubacterial genomes, another for archaeal genomes. All the 348 distinct bacterial genomes available in Genbank in April 2007, belong to these lines with high accuracy. The main challenge now is to explain the observed high accuracy. The new phenomenon of complementary symmetry for codon position-specific nucleotide frequencies is observed. The results of analysis of several codon usage models are presented. We demonstrate that the mean-field approximation, which is also known as context-free, or complete independence model, or Segre variety, can serve as a reasonable approximation to the real codon usage. The first two principal components of codon usage correlate strongly with genomic G+C content and the optimal growth temperature, respectively. The variation of codon usage along the third component is related to the curvature of the mean-field approximation. First three eigenvalues in codon usage PCA explain 59.1%, 7.8 % and 4.7 % of variation. The eubacterial and archaeal genomes codon usage is clearly distributed along two third order curves with genomic G+C content as a parameter.

研究动机与目标

• 利用密码子位置特异性核苷酸频率，研究细菌和古菌基因组密码子使用模式的潜在结构。
• 解释为何GenBank（2007年4月）中348个细菌基因组在9维空间中能以高精度沿两条不同直线排列。
• 评估平均场近似（无上下文模型）是否能合理表示真实的密码子使用模式。
• 识别驱动密码子使用变异主要因素的生物学因素，特别是G+C含量和最适生长温度。

提出的方法

• 使用密码子位置特异性核苷酸频率，将GenBank（2007年4月）中的全部348个细菌基因组映射到9维空间。
• 应用主成分分析（PCA）以识别密码子使用变异的主要方向。
• 使用平均场近似（塞雷 variety 模型）评估独立密码子位置频率对实际模式的预测能力。
• 分析平均场近似的曲率，以解释第三主成分上的变异。
• 将前两个主成分与基因组G+C含量和最适生长温度进行相关性分析。
• 检验假设：真细菌和古菌基因组遵循由G+C含量参数化的两条不同三阶曲线。

实验结果

研究问题

• RQ1 为何真细菌和古菌基因组在9维密码子位置特异性核苷酸频率空间中能以高精度形成两条截然不同的直线？
• RQ2 平均场近似模型在多大程度上能解释细菌基因组中真实的密码子使用模式？
• RQ3 哪些生物学因素——特别是G+C含量和最适生长温度——主要驱动密码子使用变异的前两个主成分？
• RQ4 第三主成分上的变异如何与平均场近似的曲率相关联？
• RQ5 真细菌和古菌的密码子使用模式是否最好由由基因组G+C含量参数化的两条不同三阶曲线来描述？

主要发现

• GenBank（2007年4月）中全部348个细菌基因组在9维密码子位置特异性核苷酸频率空间中，以高精度沿两条不同直线排列，分别对应真细菌和古菌。
• 密码子使用的前两个主成分分别解释了总变异的59.1%和7.8%，并与基因组G+C含量和最适生长温度显著相关。
• 第三主成分解释了4.7%的变异，与平均场近似的曲率相关。
• 平均场近似（无上下文模型）对真实密码子使用提供了合理近似，表明密码子位置的独立性捕捉了基因组组织的关键特征。
• 真细菌和古菌的密码子使用模式分布在两条不同的三阶曲线上，基因组G+C含量作为参数。
• 前三个主成分共同解释了所分析基因组中密码子使用总变异的71.6%。