真核生物基因组注释的主要步骤及方法

孙千代 徐杰英

(北京市第九中学 100041)

随着基因组测序技术的不断发展以及测序成本的不断降低，越来越多的真核生物基因组被测序。然而，基因组序列本身只是一串串由A、T、C、G四个字母所组成的、枯燥难懂的字符，只有当这些字符串的生物学意义被解读了，即基因组序列被注释了，人们才能够有效地使用基因组序列。由此，在基因组测序完成之后，要做的第一件事就是进行基因组注释(genome annotation)。

1 基因组组装质量的评估

由于基因组组装得好坏直接决定了基因组注释的质量，所以在进行基因组注释之前，先要评估一下基因组组装的质量。目前有许多评价指标可以用来描述基因组组装的完整性以及连续性，其中应用得最为广泛的就是N50数值(整个基因组序列长度的50%是由长度大于或者等于某个长度的序列所构成的，这个长度即为N50)。一般来说，N50越长，表示组装的结果越好。当一个基因组组装的N50长度大于或等于这一物种基因的平均长度，那么表示基因组组装的质量不错，可以进行后续的注释工作。此外，有一些软件(如BUSCO)采用与N50指标互补的方法来评价基因组组装的质量。它把基因组组装后的序列与谱系特异性的一套单拷贝基因进行对比，来确定这些单拷贝基因完整地出现在一条序列上的百分比，借此来评价基因组组装的完整性以及连续性。如果一个基因组组装得不太完整或者N50太短，则需要额外加测一些序列来提高基因组组装的结果，以便于对基因组进行注释[1]。……