基因组三联体分布中的七个聚类

在最近的几篇论文中，提出了新的基因检测算法，用于检测蛋白质编码区，而无需已知基因的学习数据集。无监督基因检测的可能性与寡聚体频率分布中聚类结构的存在密切相关。本文采用纯数据探索策略，研究了几种基因组在其三联体频率空间中的聚类结构。通过滑动窗口中的三联体频率表可视化，分析了几个完整的基因组序列。64维三联体频率向量的分布显示出可清晰检测的聚类结构。该结构被发现由七个聚类组成，分别对应于两条互补链中三个可能相位中的蛋白质编码信息以及非编码区，准确率很高（在核苷酸水平上高于90%）。可视化和理解该结构有助于有效分析不同基因预测工具的性能。由于该方法不需要提取开放阅读框（ORF），因此甚至可以应用于未组装的基因组。文中还分析了三联体分布的信息含量以及平均场模型的有效性。