想必大家都知道，基因識別，是生物信息學(xué)的一個重要分支，使用生物學(xué)實驗或計算機(jī)等手段識別DNA序列上的具有生物學(xué)特征的片段。那么，你知道基因識別的主要對象是誰嗎?

據(jù)了解，基因識別的主要手段是基于活的細(xì)胞或生物的實驗。通過對若干種不同基因的同源重組的速率的統(tǒng)計分析，我們能夠獲知它們在染色體上的順序。若進(jìn)行大量類似的分析，我們可以確定各個基因的大致位置。現(xiàn)在，由于人類已經(jīng)獲得了巨大數(shù)量的基因組信息，依靠較慢的實驗分析已不能滿足基因識別的需要，而基于計算機(jī)算法的基因識別得到了長足的發(fā)展，成為了基因識別的主要手段。

識別具有生物學(xué)功能的片段與判定該片段(或其對應(yīng)的產(chǎn)品)的功能是兩個不同的概念，后者通常需要通過基因敲除等的實驗手段來決定。不過，生物信息學(xué)的前沿研究正在使得由基因序列預(yù)測基因功能變得愈發(fā)可能。

識別方法

間接識別法

在基因的間接識別法(Extrinsic Approach)中，人們利用已知的mRNA或蛋白質(zhì)序列為線索在DNA序列中搜尋所對應(yīng)的片段。由給定的mRNA序列確定唯一的作為轉(zhuǎn)錄源的DNA序列;而由給定的蛋白質(zhì)序列，也可以由密碼子反轉(zhuǎn)確定一族可能的DNA序列。因此，在線索的提示下搜尋工作相對較為容易，搜尋算法的關(guān)鍵在于提高效率，并能夠容忍由于測序不完整或者不精確所帶來的誤差。BLAST是目前以此為目的最廣泛使用的軟件之一。

若DNA序列的某一片段與mRNA或蛋白質(zhì)序列具有高度相似性，這說明該DNA片段極有可能是蛋白編碼基因。但是，測定mRNA或蛋白質(zhì)序列的成本高昂，而且在復(fù)雜的生物體中，任意確定的時刻往往只有一部分基因得到了表達(dá)。這意味著從任何單個細(xì)胞的mRNA和蛋白質(zhì)上都只能獲得一小部分基因的信息;要想得到更為完整的信息，不得不對成百上千個不同狀態(tài)的細(xì)胞中的mRNA和蛋白質(zhì)測序。這是相當(dāng)困難的。比如，某些人類基因只在胚胎或胎兒時期才得到表達(dá)，對它們的研究就會受到道德因素的制約。

盡管有以上困難，對人類自身和一些常見的實驗生物如老鼠和酵母菌，人們已經(jīng)建立了大量轉(zhuǎn)錄和蛋白質(zhì)序列的數(shù)據(jù)庫。如RefSeq數(shù)據(jù)庫，Ensembl數(shù)據(jù)庫等等。但這些數(shù)據(jù)庫既不完整，也含有相當(dāng)數(shù)量的錯誤。

從頭計算法

鑒于間接識別法的種種缺陷，僅僅由DNA序列信息預(yù)測蛋白質(zhì)編碼基因的從頭計算法(Ab Initio Approach)就顯得十分重要了。一般意義上基因具有兩種類型的特征，一類特征是“信號”，由一些特殊的序列構(gòu)成，通常預(yù)示著其周圍存在著一個基因;另一類特征是“內(nèi)容”，即蛋白質(zhì)編碼基因所具有的某些統(tǒng)計學(xué)特征。使用Ab Initio方法識別基因又稱為基因預(yù)測。通常我們?nèi)孕杞柚鷮嶒炞C實預(yù)測的DNA片段是否具有生物學(xué)功能。

在原核生物中，基因往往具有特定且容易識別的啟動子序列(信號)，如Pribnow盒和轉(zhuǎn)錄因子。與此同時，構(gòu)成蛋白質(zhì)編碼的序列構(gòu)成一個連續(xù)的開放閱讀框(內(nèi)容)，其長度約為數(shù)百個到數(shù)千個堿基對(依據(jù)該長度區(qū)間可以篩選合適的密碼子)。除此之外，原核生物的蛋白質(zhì)編碼還具有其他一些容易判別的統(tǒng)計學(xué)的特征。這使得對原核生物的基因預(yù)測能達(dá)到相對較高的精度。

對真核生物(尤其是復(fù)雜的生物如人類)的基因預(yù)測則相當(dāng)有挑戰(zhàn)性。一方面，真核生物中的啟動子和其他控制信號更為復(fù)雜，還未被很好的了解。兩個被真核生物基因搜尋器識別到的訊號例子有CpG islands及poly(A) tail的結(jié)合點。

另一方面，由于真核生物所具有的splicing機(jī)制，基因中一個蛋白質(zhì)編碼序列被分為了若干段(外顯子)，中間由非編碼序列連接(基因內(nèi)區(qū))。人類的一個普通蛋白質(zhì)編碼基因可能被分為了十幾個外顯子，其中每個外顯子的長度少于200個堿基對，而某些外顯子更可能只有二三十個堿基對長。因而蛋白質(zhì)編碼的一些統(tǒng)計學(xué)特征變得難于判別。

高級的基因識別算法常使用更加復(fù)雜的概率論模型，如隱馬爾可夫模型。Glimmer是一個廣泛應(yīng)用的高級基因識別程序，它對原核生物基因的預(yù)測已非常精確，相比之下，對真核生物的預(yù)測則效果有限。GENSCAN計劃是一個著名的例子。

比較基因組學(xué)的方法

由于多個物種的基因組序列已完全測出，使得比較基因組學(xué)得以發(fā)展，并產(chǎn)生了新的基因識別的方法。該方法基于如下原理：自然選擇的力量使得基因和DNA序列上具有生物學(xué)功能的其他片段較其他部分有較慢的變異速率，在前者的變異更有可能對生物體的生存產(chǎn)生負(fù)面影響，因而難以得到保存。因此，通過比較相關(guān)的物種的DNA序列，我們能夠取得預(yù)測基因的新線索。2003年，通過對若干種酵母基因組的比較，人類對原先的基因識別結(jié)果作了較大的修改;類似的方法也正在應(yīng)用于人類的基因組研究，并可能在將來的若干年內(nèi)取得成果。

總結(jié)：基因識別的對象主要是蛋白質(zhì)編碼基因，也包括其他具有一定生物學(xué)功能的因子，如RNA基因和調(diào)控因子。基因識別是基因組研究的基礎(chǔ)。