標的バクテリアあるいはファージを特定の属、種若しくは血清型として特定若しくは分類する方法
【課題】宿主−ファージ類似性を捕捉するゲノム指紋についての相対的エントロピーアルゴリズムの提供。
【解決手段】以下のステップにより標的バクテリアあるいはファージを分類する方法を開発した。（ａ）標的となるゲノム配列を特定するステップ、（ｂ）標的ゲノムから誘導されるランダム化された背景ゲノムを作成するステップ、（ｃ）反復アルゴリズムを実行し、背景ゲノムと標的ゲノム間の相違に影響するオリゴヌクレオチドを特定するステップ、（ｄ）ステップ（Ｃ）で選択されたオリゴヌクレオチド配列を知られたバクテリア若しくはファージ配列とを比較するステップ。
【解決手段】以下のステップにより標的バクテリアあるいはファージを分類する方法を開発した。（ａ）標的となるゲノム配列を特定するステップ、（ｂ）標的ゲノムから誘導されるランダム化された背景ゲノムを作成するステップ、（ｃ）反復アルゴリズムを実行し、背景ゲノムと標的ゲノム間の相違に影響するオリゴヌクレオチドを特定するステップ、（ｄ）ステップ（Ｃ）で選択されたオリゴヌクレオチド配列を知られたバクテリア若しくはファージ配列とを比較するステップ。
【発明の詳細な説明】
【技術分野】
【０００１】
ゲノム指紋についての相対的エントロピーアルゴリズムは、宿主−ファージ類似性を捕捉する。
【背景技術】
【０００２】
ゲノム分析は、生物の中で多くの配列差異を網羅していない。モノヌクレオチドおよびジヌクレオチド含有量の両方、並びにコドン用法は、ゲノムの中で広範に変化する（６）。均等に小型の細菌ゲノムのサイズは、各生物を説明する、実質的に豊富な集団の配列に基づいた特徴を決定するのに統計的に十分である。
【発明の開示】
【発明が解決しようとする課題】
【０００３】
しかし、これらの特徴の多くは、特に、複雑な制約により、コーディング領域で、分かりにくいままであった。各（タンパク質コーディング）遺伝子は、それの有望なヌクレオチド配列を制約する特定のタンパク質をコードする。遺伝子コードが変性しているので、この制約は、さらに、各遺伝子についての膨大な数の有望なＤＮＡ配列に対処する。さらに、各遺伝子における全体的なコドン用法は、おそらく、ｔＲＮＡ存在度を同等に許容することによって決定される強力な生物学上の成果を示すことが知られている（５）。コーディング領域内の新たな特徴を単離するために、これらの制約は、考慮から除外されなければならない。
【課題を解決するための手段】
【０００４】
この問題を解決するために、発明者らは、実際のゲノムと、上述制約を正確に共有するが、しかしそうでなければランダムであるバックグランド・ゲノムを作成する（４）。バックグランド・ゲノムは、同じタンパク質を全てコードし、そしてコドン用法を、各遺伝子について厳密に合致させる。我々が探している隠れた特徴は、バックグランド・ゲノムと実際のゲノムとの間の差異に含まれる。問題は、これらの差異を引き出すまで減少される。
【０００５】
発明者らは、情報理論を、バックグランドのものに比べて実際のゲノムで過剰および過少表示されたヌクレオチドの記号列（ワード）を組織的にコンピュータ処理するアルゴリズムに組込んだ(詳細について「材料および方法」を参照)。これらのワードを見出す上での主要な困難は、それらが独立でないことである。例えば、ワードＡＣＧＴが、過少表示される場合、それによりＡＣＧＴＡも、ＡＣＧなどと同様に、過少表示される。その仮定は、これらのワードの内のたった１つが、生物学上の有為性を示すことである一方で、他方は、「尻馬に乗る」である。
【０００６】
この問題は、全てのワードに及ぶ。所定の長さのワードの集合は、限界があり、そしてゲノムもそうであるので、いずれか１つのワードの頻度は、全てのほかのものの頻度に影響する。発明者らは、実際およびバックグランド・ゲノムの間の差に最も寄与するワードを選択する情報論理測定を使用する反復アルゴリズムを修正した。各段階で、リストにこのワードを加え、そしてその後、バックグランド・ゲノムを適正な規模にし直すことによってそれの効果を考慮から除外した。この点で、我々は、ワードのリストを得て、そしてその各々は、実際およびバックグランド・ゲノムの間の差に独立に寄与する生物学上の有為性を示しそうである。ゲノムのサイズは、解決する統計学上の力を有するワードの長さを決定する。エッシェリキア・コリ（Escherichia coli、大腸菌）のような典型的細菌については、７ヌクレオチドまでの長さを保存的に含みうる。遺伝子によるアミノ酸順序およびコドン用法を、固定しており、それにより、本発明のアルゴリズムが網羅しない特徴は、モノヌクレオチド含有量およびコドン用法に相補的である。典型的細菌については、アルゴリズムは、長さ２および７ヌクレオチドの間の１００から２００までの配列を見出す（表１）。これらの先に隠されたシグナルは、生物学上の情報の価値を含む。
【発明を実施するための最良の形態】
【０００７】
材料及び方法
相対的エントロピーアルゴリズム。
【０００８】
ゲノムのコーディング領域で最も有為に過剰および過少表示されるワードを発見するために、我々は、最初に、我々が実際のゲノムとの比較に使用したランダム化バックグランド・ゲノムを創り出した。これは、すべての遺伝子内に各アミノ酸に対応するコドンをランダムに置換することによって達成される（４）。
【０００９】
実際のゲノムと遺伝子当たり同じアミノ酸含有量およびコドン用法を示すが、そうでなければランダムである新たなコーディング配列を作成した。その後、我々は、このランダム化ゲノム中の長さ２から７までの各ワード、ｗについての発生の数を計数した（最大長のワードとみなされる７の我々の選択は、目的のゲノム中のコーディング配列の総長さによって読み取られた。各ワードの発生の平均数は、我々のアルゴリズムが確固不動であるために、＞０であるべきである。）。 ランダムゲノムを発生する手段を、３０回反復し、そしてその時点で、発生の数における標準偏差は、そのワードに収束する。その後、我々は、各ワードｗの平均ＮB（ｗ）バックグランド総数をコンピュータ処理した。下に明らかにされる理由のため、我々は、長さ７のワードのみとみなし、部分列を計測することにより短い長さのワードについての価値を生じさせることによって、ＮB（ｗ）を決定することを選択した。我々は、Ｌ（ｗ）をワードｗの長さと等しくし、そしてＣ（Ｗi7，ｗ）を、記号列ｗが長さ７の記号列Ｗi7に含有される回数に等しくした。例として、ｗがＡＡＣであり、そしてＷ2577がＡＡＣＡＡＡＣである場合、それによりＬ（ｗ）は、３に等しく、そしてＣ（Ｗ2577，Ｗ）は２に等しい。
【００１０】
ＮB（Ｗi7）＝１／３０×（３０バックグランド・ゲノム全てにおけるＷi7の計測数の総計）
【００１１】
【数１】
【００１２】
【表１】
同様に、我々は、ＮR（ｗ）を、実際のゲノムでのｗの計数と等しくさせた。続くものの中で、我々は、計数よりむしろ頻度（または等価に確率）で作業し、それにより、我々は、式ＰB（ｗ）＝ＮB（ｗ）／ＬおよびＰR（ｗ）＝ＮR（ｗ）／Ｌ（式中、Ｌは、我々のコーディング配列の総長さである）を用いて各ワードについての頻度を形成した。
【００１３】
２つの頻度分布ＰBおよびＰRは、ワード検索アルゴリズムについての出発点であった。このアルゴリズムは、順に繰返された２つの段階より構成される。第一段階では、バックグランド分布から実際のものを最も明らかに分離するワードは、下に記述されるべき有為さの測定値に基づいて選択された。第二段階で、バックグランド確率分布を、段階１で見られるワードによる差を考慮から除外するように適正な規模に直した。これらの２段階を、固定した回数、またはバックグランド分布が実際のものに十分に近くなるまで繰返した。
【００１４】
実際およびバックグランド確率分布の間のＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離は、
【００１５】
【数２】
によって示される。
【００１６】
その後、我々は、２から７までの長さのいずれかのワードｗが、ＤKLに与える範囲を測定する実体の数字を得たかった。自然の測定値は、
【００１７】
【数３】
によって示される。
【００１８】
これも、２つの確率分布、特に、我々が、所定のワードがｗであるかないかどうかのみを知っている粗雑な実際およびバックグランド分布の間のＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離と考えられうる（１２）。反復の第一段階では、我々は、有為な測定値Ｓ（ｗ）を最大にする長さ２から７までのワードｗを選択した。
【００１９】
次の段階は、ｗの寄与が、実測およびバックグランド分布の両方で一致になるように、最小手段でバックグランド分布を適正な規模に直すことであった。最小に規模を直すことについては、同じ回数、ｗを含む長さ７のワードＷi7の頻度の比は、変更すべきでない。つまり、我々は、全てのワードＷi7を、等しい因子による同じものＣ（Ｗi7、ｗ）に規模を改めたかった。したがって、我々は、適切なきめの粗さの詳細な確率分布で作業する必要があった。バックグランドについての我々の分布は、確率ＰB（Ｗi7）で長さ７のワードＷi7の集合と定義された。我々は、この集合のＷi7を、所定の部分集合の各要素が、ワードｗを等しい回数含むばらばらの部分集合に分けた。これらの集合は、
【００２０】
【数４】
である。
そしてＪ＝｛０、．．．、６｝および
【００２１】
【数５】
我々は、実際およびバックグランド分布で所定の部分集合中にある確率が等しいように、これらのばらばらの部分集合ＫJ（ｗ）を適切な規模に直したかった。
【数６】
【００２２】
【数７】
それらが、古い確率分布（およびそれらの確率を加えた）からグループ分けされる要素であるので、十分に定義された確率分布がある。確率を保存しつつ、ｗの寄与を除外する規模修正は、
【００２３】
【数８】
（式中、全てのｉに関して、Ｗi7 ∈ＫJ）
によって示される。この規模修正で、ｗの実体の数字は、ここでＳ規模修正（ｗ）＝０で、それによりＤKLに対するｗの寄与は、除かれたことをに特に言及する。その後、我々は、次のワードｗ’などを得る段階１を繰返した。
【００２４】
バックグランド分布ＰB（Ｗi7）が、実際の分布ＰR（Ｗi7）に収束するこの反復アルゴリズムで見出すことは困難でない。これは、ＤKLが、単調に減少しているからである（下記を参照）。ＤKLが負でない、そして２つの分布が一致する場合、またはただ一致するだけで、０であることは周知である。全てのｗについての方程式Ｓ（ｗ）＝０も、実際およびバックグランド分布が一致することを暗示するので、アルゴリズムは、収束が達成される前には、停止しない。最終的に、ＤKLは、その後、その値より下にそれを減少させるであろうワードを見出すことができるであろうから、正の値に収束できない。
【００２５】
アプリケーションについては、我々は、反復が、もはや、リストに統計的に有為なワードを与えないときに結論を下さなければならなかった。この中断は、可能性変動が、複数の仮説について適切に修正された最も有為な残りのワード［長さＬ（ｗ）の全てのワードの集合］を創造することになりそうな時点である。中断は、選択ワードｗが
【００２６】
【数９】
（式中、Δ（ｗ）は、ｗについてのバックグランド計数の標準偏差である）
を満足するときに起こる。本文献でのアプリケーションについては、我々は、１００回反復の後停止し、そしてそれは、実質的に中断より下である。
【００２７】
ＤKLが、規模修正で単調に減少することの証明。ｊ∈ＳおよびＳ有望な結果の集合と共に、２つの確率分布｛ｐj｝および｛ｑj｝を考慮すると、Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離は、
【００２８】
【数１０】
である。これは、負でなく、そして、分布が一致する場合のみゼロである。
【００２９】
Ｓのばらばらの区分を、ｒ集合に考慮すると、Ｓ1．．．Ｓr、すなわち、
ｋ≠ｌおよび∪iＳi＝Ｓである場合、Ｓk・Ｓi＝・
【００３０】
【数１１】
次に、きめが粗い確率を定義すると、
【００３１】
【数１２】
Ｑiは、全てのｉについて＞０であると推定して、我々は、ＰiおよびＱiの両方が、それら自体、確率分布であることに特に言及する。
【００３２】
規模を適正に直した分布を定義すると、
【００３３】
【数１３】
そして、新たなＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離は、Ｐiは、全てのｉについてＱiに等しい場合のみ対等である。
【００３４】
【数１４】
スコア・アルゴリズム。長さｇのゲノムＧに関して長さｓのコーディング配列を記録するために、我々は、最初に、以下の修飾を伴って、上に記述されるとおりＧについてのワードリストを作成した。それらが長さｓの配列に有為である場合のみに、ワードを、リストに加えた。この有為性は、各ワードについての総数および標準偏差を、規模ｓに直すことによって決定された。我々は、バックグランド・ゲノムおよび実際のゲノム中の各ワードの総数に、配列Ｓに関する予測される総数ＮbおよびＮrを示すｓ／ｇを掛けた。標準偏差は、√ｓ／ｇにより適正な規模に直し、そしてΔsを示す。ワードが、式｜Ｎr−Ｎb｜＞３×Δsを満足する場合、それにより、それは、リストに含まれた；そうでなければ、それは飛ばされる。ｓは、ｇよりかなり少ないので、この基準は、上に記述される複数の仮説で修正された中断より実質的にいっそう厳密であった。バックグランド分布の規模を改めることを含めた残りの反復手段は、上に記述されるものと同じであった。
【００３５】
この新たなリストＬは、ワードＸの数を用いたスコア付けテンプレートを形成した。スコアを得るために、我々は、上で記述されたものと同じモンテ・カルロシャッフル手段によって配列ＳのバックグランドＢを形成した。その後、我々は、以下の反復アルゴリズムを履行した。各段階で、我々は、指示されたリストＬからワードＷを引き出した。その後、我々は、配列ＳとバックグランドＢでのそのワードの総数を比較し、そしてＳとＢとの間のＷについての偏りの方向が、ゲノムＧとそれのバックグランドとの間のＷついてのものと同じである場合のみに、すなわち、Ｗが、それらの個々のバックグランドに比べてＧおよびＳの両方で過剰表示されるか、または両方で過少表示される場合のみに、我々のスコアに１を加えた。その後、我々は、Ｗの効果を除外する、上に記述される手段でＢの規模を改め、そして次の段階に進んだ。全リストＬを見返して、我々は、ゲノムと配列の間に一致がある有望なワードＸの内の数Ｙを得た。最終スコアは、Ｃ×（Ｘ−Ｙ／２）／√Ｙであり、そしてＣは一定であった。各短配列については、スコア付けは、ＮＣＢＩデータベース（ｈｔｔｐ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ．ｎｉｈ．ｇｏｖ／ｅｎｔｒｅｚ／ｑｕｅｒｙ．ｆｃｇｉ？ｄｂ＝Ｇｅｎｏｍｅ）中の１６４の細菌種全てについて行われ、そしてそれは、２５３クロモソームを含んだ。
【００３６】
系統発生学の樹についての測定基準。測定基準は、５０ｋｂスライス及び上に記述されるスコア付け方法を利用した。２つのゲノムＡおよびＢの距離を、三段階で計算した。第一に、ゲノムＡの５０ｋｂスライスの全てを、全ゲノムＢに対してスコア付けし、そしてその後、そのスコアを平均した。同じ工程を、ゲノムＡに対してスコア付けされたゲノムＢの５０ｋｂスライスについて繰返した。第二に、２つの平均を、対称的にした。最後に、対称的スコアを、最大の有望なスコアから減じた。三角不等式に従わないが、この距離は、ＡがＢに等しい場合にのみ、測定基準−対称的な正の明確なゼロの特性のほとんどを示す。我々は、最も近隣のクラスター群を使用し、そしてその樹を出力するＰＨＹＬＩＰソフトウエア・パッケージを使用した（３）。
【００３７】
結果
ワードリストは、全細菌ゲノムから生じるが、それらは、ゲノムを通して均質であるＤＮＡ配列の特徴に対応する。我々は、２つの別個の方法でこれを確認した。第一に、例としてイー．コリ（Ｅ．ｃｏｌｉ）を使用して、我々は、ゲノムを半分に分け、そしてその２つの半分に、独立にアルゴリズムを作動させた。生じたリストは、統計的変動まで同じであった。１００ワードのリストについては、上位８０ワードが、両方のリストにあった。その工程を、様々な分配で複数回繰返し、そして結果は類似であった。
【００３８】
ワードの過少および過剰表示が、ゲノムの局所特徴であることの我々の二次調査のために、我々は、各ゲノムから得られるワードリストに基づいたコーディングＤＮＡの配列を記録する基本的アルゴリズムを創り出した。このアルゴリズムは、それの入力として、コーディングＤＮＡ配列、およびワードのリストを利用し、そしてその配列に、配列中のワードの過少および過剰表示に基づいてスコアを割り当てる（材料および方法を参照）。ＮＣＢＩデータベース中で長さ１００ｋｂより大きな２５３細菌染色体を、５０ｋｂおよび１００ｋｂスライスに分けた。これらの配列を、１６４種全てに対して別個にスコア付けした。１００ｋｂスライスの９２パーセントは、それら自身の種で最高にスコア付けされた。５０ｋｂ配列を使用して、８６％は、それら自身の種で最高にスコア付けされた。これは、ワードが、各細菌ゲノムを通して均質である特徴に対応することを確認する。ＧＣ含有量もコドン用法のいずれも、等質性のこの特性を示さない；両方が、単独ゲノム内で実質的に変化する。さらに、この成果は、これらの隠れワードに基づいたスコア付け手段が、配列の有用な選別器であることを示唆する。例えば、Ｖｅｎｔｅｒら（９）によって記述されるサルガッソー海にいる微生物から獲得される配列を、同類の遺伝子を必要とすることなく、既知細菌と比較しうる。（最も知られている細菌ゲノム選別器は、ＫａｒｌｉｎおよびＣａｒｄｏｎ［６］により開発されたオリゴヌクレオチド・アプローチである。スコア付けアルゴリズムの我々の無垢な第一版を用いてさえ、５０ｋｂと１００ｋｂについての結果は、４までの長さを示すオリゴヌクレオチドの頻度を比較することに関与する最も包括的なオリゴヌクレオチド・アプローチを用いたものよりわずかに優れている。我々のスコア付けは、Ｖｅｎｔｅｒら［９］により使用されるジヌクレオチド・アプローチのものより実質的に優れていた。）
我々のアプローチは、ウイルスとそれらの宿主との間の関係を研究するのに十分に適してもいる。ウイルスＤＮＡをコピーし、そして宿主の内側で発現させるので、ウイルスおよびそれらの宿主が、ある程度の進化圧力を共有することが予想されるかもしれない。しかし、モノヌクレオチド含有量およびコドン用法は、宿主とファージとの間で劇的に異なる。ある種の情報は、オリゴヌクレオチド比較から得られたが、しかし「材料および方法」で記述される我々スコア・システムは、６０％より多く優れている。ＮＣＢＩウエブサイトでの配列決定されたＤＮＡファージの集合の内、１８５ファージが、既知一次宿主を有する。そのファージの多くは、知られているか、または同じ属内の複数の宿主種を有することが推測される。この理由に関して、我々は、属レベルで宿主標的を考慮した。１６４種は、１０８の異なる属に分かれる。我々のアルゴリズムについては、正しい宿主属は、１８５ファージの内９３について最高のスコアを付け、そして１３１ファージは、上位３つのスコアで正しい宿主を有した（表２）。比較に関しては、最高のオリゴヌクレオチド・スコアシステムは、１８５の正しい宿主属の内５８を示した。コドン用法とモノヌクレオチド含有量の両方が、ファージ宿主のわずかな予測変数である。
【００３９】
我々の解析を、既知ファージの大部分を包含する二本鎖ＤＮＡ（ｄｓＤＮＡ）ファージに限定することによって、我々の宿主予測は、明らかに改善した。３５の一本鎖ＤＮＡファージを取り除くことが、スコア付けを、上位スコアについて８７／１５０すなわち５８％まで、そして上位３つのスコアについて１２３／１５０すなわち８２％まで改善した。ファージは、さらに、温度と溶解素に階層化されうる（１）。なお配列決定されたファージの大半を構成する温度ｄｓＤＮＡファージに関しては、宿主についての我々の予測は、きわめて良好であった（上位３点で９３％、そして上位のスコアで７０％）。溶解素ファージは、なお、上位３つで５０％より優れているが、同様の得点は得られず、そしてそれらのＤＮＡが、宿主のものと同じ進化圧力がかかっていないことを示している。
【００４０】
【表２】
我々は、我々のスコア・アルゴリズムを、ゲノム間の距離を形成するのに適合させた（「材料および方法」を参照）。階層クラスター群を、１６４の細菌種の集合の距離の行列に使用して、我々は、系統樹を作成した（図１ａ）。この樹は、標準細菌分類学の大半を捕捉する。例えば、図１ｂを参照すると、エンテロバクテリア（Enterobacteria）を、同じ分岐群にグループ分けされることを示している。これは、ワードリストによりコーディングされた特性が、進化的に保存されることを示唆する。距離は、全ゲノム特性に基づいているので、我々は、遺伝子水平移入のような系統樹木を作成する上で共通の落とし穴のいくつかを避けた。さらに、この方法は、均質な遺伝子または多量の配列決定されたゲノムを必要せずに、この樹での新たな種の追加が出来た。
【００４１】
検討
我々は、各細菌ゲノムのコーディング領域中に１００を超える新たなシグナルを見出すアルゴリズムを導入した。表されるアプリケーションの集合は、選別器としてこれらのシグナル（ワード）の使用、およびファージとそれらの宿主の間のゲノム結合、並びに統計学上の樹の作成を含む。これらは、アルゴリズム潜在用途の部分集合にすぎない。真核生物のためのある種の有望な用法は、スライス部位検出、ｍＲＮＡ分解または安定化シグナル、組織特異性、および宿主−ウイルス関係が挙げられる。実際のエキソンは、エキソン分断エンハンサーのような過剰表示シグナルを有する（２）。我々のアルゴリズムは、実際のエキソン中の過剰および過少表示された配列の集約的リストを測定でき、そしてそれは、イントロン性配列を混同することから、実際のエキソンを切り離すために使用することが可能である。ｍＲＮＡ安定性については、２，３のグループが、ヒトを含めた多様な生物における多数のｍＲＮＡについての崩壊定数を測定した（８、１１）。半減期の範囲は、2桁単位となるが、しかし安定性におけるこの差を決定するシグナルまたは構造は、知られていない。我々のアルゴリズムを、１，０００の最も迅速に崩壊するｍＲＮＡと、１，０００の最も安定なｍＲＮＡの集合に使用する場合、２つのリストでの差は、重要なシグナルの集合を提供するにちがいない。組織特異性については、様々の組織で最初に発現される遺伝子が、固有の特性を示すことが最近２，３年で示されてきた；それらのコドン用法およびＧＣ含有量は、異なる（７、１０）。我々は、組織を区分する別のシグナルを見出すことができるはずである。これらのシグナルは、ウイルスに関する宿主組織についての情報を提供する可能性を示す。ファージおよび細菌宿主によって（またはヒト・ウイルスおよびそれらの宿主組織によって）共有されないコドン用法およびモノヌクレオチド含有量と異なり、我々のアルゴリズムは、ウイルス性宿主のきわめて良好な予測変数である。
【００４２】
このアルゴリズムは、転写因子結合部位を見出す助けにも使用しうる。ＤＰＩインタラクト・データベース（ｈｔｔｐ：／／ａｒｅｐ．ｍｅｄ．ｈａｒｖａｒｄ．ｅｄｕ／ｄｐｉｎｔｅｒａｃｔ／）から、我々は、イー．コリ（大腸菌）について列挙された１５またはそれより多くの結合部位を有する１３の転写因子についての既知結合部位の集合を抽出した。結合部位は、結合モチーフをスコア付けする重量マトリックスの集合を測定した。実際のイー．コリゲノム上を重量マトリックスに展開させ、そしてそれらを、バックグランド・イー．コリゲノムと比較することによって、我々は、１３のモチーフの内１２が、コーディング領域で明らかに（４標準偏差）過少表示されることが分かった。この手段は、一般に使用されるモチーフファインダーが、実際の転写因子結合モチーフでない過剰シグナルをはじき出すときに、即時利用性のものであるモチーフが現実であるかどうかを決定するフィルターとして使用されうる。
【００４３】
図１（ａ）ＮＣＢＩデータベースで見られる１６４の細菌種についての系統学上の樹。三角形は、エンテロバクテリアの分岐群を含む。（ｂ）その樹のエンテロバクテリアの分岐群の引き伸ばし。アシネトバクター株ＡＤＰ１、ニトロソモナス・ヨーロピアエ、エルビニア・カロトボラ、エッシェリキア・コリ、サルモネラ・エンテリカ、サルモネラ・エンテリカ・セロバル・ティフィ、シゲラ・フレクスネリ、ホトロアブダス・ルミネッセンス、エルシニア・ペスチス、エルシニア・シュードツバキュロシス、イジオマリナ・ロイヒエンシス、シゲラ・オネイデンシス、ビブリオ・コレラエ、ビブリオ・パラハエモリチクス、およびビブリオ・ブルニフィカスについての結果が示される。この群から消えている唯一のエンテロバクテリアは、ブキネラ・アフィジコラである。
【００４４】
これらのシグナルの広範な使用については、我々は、真のコーディング領域を明白に表すバックグランド・モデルの開発を期待している。多くの生物情報学上の問題は、それを任意の基準と比較することによって、長いモチーフまたは配列を探すことを必要とする。これらの問題は、実際のゲノムでの基本原則の全てを含むバックグランド・モデルを発生する方法がないという、困難さを示している。我々のアルゴリズムは、短い包括的原則の全てを決定する。これらの原則を予想する基準・モデルを作成することで、多様な困難な生物情報学上の問題を追跡可能にさせる。
【技術分野】
【０００１】
ゲノム指紋についての相対的エントロピーアルゴリズムは、宿主−ファージ類似性を捕捉する。
【背景技術】
【０００２】
ゲノム分析は、生物の中で多くの配列差異を網羅していない。モノヌクレオチドおよびジヌクレオチド含有量の両方、並びにコドン用法は、ゲノムの中で広範に変化する（６）。均等に小型の細菌ゲノムのサイズは、各生物を説明する、実質的に豊富な集団の配列に基づいた特徴を決定するのに統計的に十分である。
【発明の開示】
【発明が解決しようとする課題】
【０００３】
しかし、これらの特徴の多くは、特に、複雑な制約により、コーディング領域で、分かりにくいままであった。各（タンパク質コーディング）遺伝子は、それの有望なヌクレオチド配列を制約する特定のタンパク質をコードする。遺伝子コードが変性しているので、この制約は、さらに、各遺伝子についての膨大な数の有望なＤＮＡ配列に対処する。さらに、各遺伝子における全体的なコドン用法は、おそらく、ｔＲＮＡ存在度を同等に許容することによって決定される強力な生物学上の成果を示すことが知られている（５）。コーディング領域内の新たな特徴を単離するために、これらの制約は、考慮から除外されなければならない。
【課題を解決するための手段】
【０００４】
この問題を解決するために、発明者らは、実際のゲノムと、上述制約を正確に共有するが、しかしそうでなければランダムであるバックグランド・ゲノムを作成する（４）。バックグランド・ゲノムは、同じタンパク質を全てコードし、そしてコドン用法を、各遺伝子について厳密に合致させる。我々が探している隠れた特徴は、バックグランド・ゲノムと実際のゲノムとの間の差異に含まれる。問題は、これらの差異を引き出すまで減少される。
【０００５】
発明者らは、情報理論を、バックグランドのものに比べて実際のゲノムで過剰および過少表示されたヌクレオチドの記号列（ワード）を組織的にコンピュータ処理するアルゴリズムに組込んだ(詳細について「材料および方法」を参照)。これらのワードを見出す上での主要な困難は、それらが独立でないことである。例えば、ワードＡＣＧＴが、過少表示される場合、それによりＡＣＧＴＡも、ＡＣＧなどと同様に、過少表示される。その仮定は、これらのワードの内のたった１つが、生物学上の有為性を示すことである一方で、他方は、「尻馬に乗る」である。
【０００６】
この問題は、全てのワードに及ぶ。所定の長さのワードの集合は、限界があり、そしてゲノムもそうであるので、いずれか１つのワードの頻度は、全てのほかのものの頻度に影響する。発明者らは、実際およびバックグランド・ゲノムの間の差に最も寄与するワードを選択する情報論理測定を使用する反復アルゴリズムを修正した。各段階で、リストにこのワードを加え、そしてその後、バックグランド・ゲノムを適正な規模にし直すことによってそれの効果を考慮から除外した。この点で、我々は、ワードのリストを得て、そしてその各々は、実際およびバックグランド・ゲノムの間の差に独立に寄与する生物学上の有為性を示しそうである。ゲノムのサイズは、解決する統計学上の力を有するワードの長さを決定する。エッシェリキア・コリ（Escherichia coli、大腸菌）のような典型的細菌については、７ヌクレオチドまでの長さを保存的に含みうる。遺伝子によるアミノ酸順序およびコドン用法を、固定しており、それにより、本発明のアルゴリズムが網羅しない特徴は、モノヌクレオチド含有量およびコドン用法に相補的である。典型的細菌については、アルゴリズムは、長さ２および７ヌクレオチドの間の１００から２００までの配列を見出す（表１）。これらの先に隠されたシグナルは、生物学上の情報の価値を含む。
【発明を実施するための最良の形態】
【０００７】
材料及び方法
相対的エントロピーアルゴリズム。
【０００８】
ゲノムのコーディング領域で最も有為に過剰および過少表示されるワードを発見するために、我々は、最初に、我々が実際のゲノムとの比較に使用したランダム化バックグランド・ゲノムを創り出した。これは、すべての遺伝子内に各アミノ酸に対応するコドンをランダムに置換することによって達成される（４）。
【０００９】
実際のゲノムと遺伝子当たり同じアミノ酸含有量およびコドン用法を示すが、そうでなければランダムである新たなコーディング配列を作成した。その後、我々は、このランダム化ゲノム中の長さ２から７までの各ワード、ｗについての発生の数を計数した（最大長のワードとみなされる７の我々の選択は、目的のゲノム中のコーディング配列の総長さによって読み取られた。各ワードの発生の平均数は、我々のアルゴリズムが確固不動であるために、＞０であるべきである。）。 ランダムゲノムを発生する手段を、３０回反復し、そしてその時点で、発生の数における標準偏差は、そのワードに収束する。その後、我々は、各ワードｗの平均ＮB（ｗ）バックグランド総数をコンピュータ処理した。下に明らかにされる理由のため、我々は、長さ７のワードのみとみなし、部分列を計測することにより短い長さのワードについての価値を生じさせることによって、ＮB（ｗ）を決定することを選択した。我々は、Ｌ（ｗ）をワードｗの長さと等しくし、そしてＣ（Ｗi7，ｗ）を、記号列ｗが長さ７の記号列Ｗi7に含有される回数に等しくした。例として、ｗがＡＡＣであり、そしてＷ2577がＡＡＣＡＡＡＣである場合、それによりＬ（ｗ）は、３に等しく、そしてＣ（Ｗ2577，Ｗ）は２に等しい。
【００１０】
ＮB（Ｗi7）＝１／３０×（３０バックグランド・ゲノム全てにおけるＷi7の計測数の総計）
【００１１】
【数１】
【００１２】
【表１】
同様に、我々は、ＮR（ｗ）を、実際のゲノムでのｗの計数と等しくさせた。続くものの中で、我々は、計数よりむしろ頻度（または等価に確率）で作業し、それにより、我々は、式ＰB（ｗ）＝ＮB（ｗ）／ＬおよびＰR（ｗ）＝ＮR（ｗ）／Ｌ（式中、Ｌは、我々のコーディング配列の総長さである）を用いて各ワードについての頻度を形成した。
【００１３】
２つの頻度分布ＰBおよびＰRは、ワード検索アルゴリズムについての出発点であった。このアルゴリズムは、順に繰返された２つの段階より構成される。第一段階では、バックグランド分布から実際のものを最も明らかに分離するワードは、下に記述されるべき有為さの測定値に基づいて選択された。第二段階で、バックグランド確率分布を、段階１で見られるワードによる差を考慮から除外するように適正な規模に直した。これらの２段階を、固定した回数、またはバックグランド分布が実際のものに十分に近くなるまで繰返した。
【００１４】
実際およびバックグランド確率分布の間のＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離は、
【００１５】
【数２】
によって示される。
【００１６】
その後、我々は、２から７までの長さのいずれかのワードｗが、ＤKLに与える範囲を測定する実体の数字を得たかった。自然の測定値は、
【００１７】
【数３】
によって示される。
【００１８】
これも、２つの確率分布、特に、我々が、所定のワードがｗであるかないかどうかのみを知っている粗雑な実際およびバックグランド分布の間のＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離と考えられうる（１２）。反復の第一段階では、我々は、有為な測定値Ｓ（ｗ）を最大にする長さ２から７までのワードｗを選択した。
【００１９】
次の段階は、ｗの寄与が、実測およびバックグランド分布の両方で一致になるように、最小手段でバックグランド分布を適正な規模に直すことであった。最小に規模を直すことについては、同じ回数、ｗを含む長さ７のワードＷi7の頻度の比は、変更すべきでない。つまり、我々は、全てのワードＷi7を、等しい因子による同じものＣ（Ｗi7、ｗ）に規模を改めたかった。したがって、我々は、適切なきめの粗さの詳細な確率分布で作業する必要があった。バックグランドについての我々の分布は、確率ＰB（Ｗi7）で長さ７のワードＷi7の集合と定義された。我々は、この集合のＷi7を、所定の部分集合の各要素が、ワードｗを等しい回数含むばらばらの部分集合に分けた。これらの集合は、
【００２０】
【数４】
である。
そしてＪ＝｛０、．．．、６｝および
【００２１】
【数５】
我々は、実際およびバックグランド分布で所定の部分集合中にある確率が等しいように、これらのばらばらの部分集合ＫJ（ｗ）を適切な規模に直したかった。
【数６】
【００２２】
【数７】
それらが、古い確率分布（およびそれらの確率を加えた）からグループ分けされる要素であるので、十分に定義された確率分布がある。確率を保存しつつ、ｗの寄与を除外する規模修正は、
【００２３】
【数８】
（式中、全てのｉに関して、Ｗi7 ∈ＫJ）
によって示される。この規模修正で、ｗの実体の数字は、ここでＳ規模修正（ｗ）＝０で、それによりＤKLに対するｗの寄与は、除かれたことをに特に言及する。その後、我々は、次のワードｗ’などを得る段階１を繰返した。
【００２４】
バックグランド分布ＰB（Ｗi7）が、実際の分布ＰR（Ｗi7）に収束するこの反復アルゴリズムで見出すことは困難でない。これは、ＤKLが、単調に減少しているからである（下記を参照）。ＤKLが負でない、そして２つの分布が一致する場合、またはただ一致するだけで、０であることは周知である。全てのｗについての方程式Ｓ（ｗ）＝０も、実際およびバックグランド分布が一致することを暗示するので、アルゴリズムは、収束が達成される前には、停止しない。最終的に、ＤKLは、その後、その値より下にそれを減少させるであろうワードを見出すことができるであろうから、正の値に収束できない。
【００２５】
アプリケーションについては、我々は、反復が、もはや、リストに統計的に有為なワードを与えないときに結論を下さなければならなかった。この中断は、可能性変動が、複数の仮説について適切に修正された最も有為な残りのワード［長さＬ（ｗ）の全てのワードの集合］を創造することになりそうな時点である。中断は、選択ワードｗが
【００２６】
【数９】
（式中、Δ（ｗ）は、ｗについてのバックグランド計数の標準偏差である）
を満足するときに起こる。本文献でのアプリケーションについては、我々は、１００回反復の後停止し、そしてそれは、実質的に中断より下である。
【００２７】
ＤKLが、規模修正で単調に減少することの証明。ｊ∈ＳおよびＳ有望な結果の集合と共に、２つの確率分布｛ｐj｝および｛ｑj｝を考慮すると、Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離は、
【００２８】
【数１０】
である。これは、負でなく、そして、分布が一致する場合のみゼロである。
【００２９】
Ｓのばらばらの区分を、ｒ集合に考慮すると、Ｓ1．．．Ｓr、すなわち、
ｋ≠ｌおよび∪iＳi＝Ｓである場合、Ｓk・Ｓi＝・
【００３０】
【数１１】
次に、きめが粗い確率を定義すると、
【００３１】
【数１２】
Ｑiは、全てのｉについて＞０であると推定して、我々は、ＰiおよびＱiの両方が、それら自体、確率分布であることに特に言及する。
【００３２】
規模を適正に直した分布を定義すると、
【００３３】
【数１３】
そして、新たなＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ距離は、Ｐiは、全てのｉについてＱiに等しい場合のみ対等である。
【００３４】
【数１４】
スコア・アルゴリズム。長さｇのゲノムＧに関して長さｓのコーディング配列を記録するために、我々は、最初に、以下の修飾を伴って、上に記述されるとおりＧについてのワードリストを作成した。それらが長さｓの配列に有為である場合のみに、ワードを、リストに加えた。この有為性は、各ワードについての総数および標準偏差を、規模ｓに直すことによって決定された。我々は、バックグランド・ゲノムおよび実際のゲノム中の各ワードの総数に、配列Ｓに関する予測される総数ＮbおよびＮrを示すｓ／ｇを掛けた。標準偏差は、√ｓ／ｇにより適正な規模に直し、そしてΔsを示す。ワードが、式｜Ｎr−Ｎb｜＞３×Δsを満足する場合、それにより、それは、リストに含まれた；そうでなければ、それは飛ばされる。ｓは、ｇよりかなり少ないので、この基準は、上に記述される複数の仮説で修正された中断より実質的にいっそう厳密であった。バックグランド分布の規模を改めることを含めた残りの反復手段は、上に記述されるものと同じであった。
【００３５】
この新たなリストＬは、ワードＸの数を用いたスコア付けテンプレートを形成した。スコアを得るために、我々は、上で記述されたものと同じモンテ・カルロシャッフル手段によって配列ＳのバックグランドＢを形成した。その後、我々は、以下の反復アルゴリズムを履行した。各段階で、我々は、指示されたリストＬからワードＷを引き出した。その後、我々は、配列ＳとバックグランドＢでのそのワードの総数を比較し、そしてＳとＢとの間のＷについての偏りの方向が、ゲノムＧとそれのバックグランドとの間のＷついてのものと同じである場合のみに、すなわち、Ｗが、それらの個々のバックグランドに比べてＧおよびＳの両方で過剰表示されるか、または両方で過少表示される場合のみに、我々のスコアに１を加えた。その後、我々は、Ｗの効果を除外する、上に記述される手段でＢの規模を改め、そして次の段階に進んだ。全リストＬを見返して、我々は、ゲノムと配列の間に一致がある有望なワードＸの内の数Ｙを得た。最終スコアは、Ｃ×（Ｘ−Ｙ／２）／√Ｙであり、そしてＣは一定であった。各短配列については、スコア付けは、ＮＣＢＩデータベース（ｈｔｔｐ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ．ｎｉｈ．ｇｏｖ／ｅｎｔｒｅｚ／ｑｕｅｒｙ．ｆｃｇｉ？ｄｂ＝Ｇｅｎｏｍｅ）中の１６４の細菌種全てについて行われ、そしてそれは、２５３クロモソームを含んだ。
【００３６】
系統発生学の樹についての測定基準。測定基準は、５０ｋｂスライス及び上に記述されるスコア付け方法を利用した。２つのゲノムＡおよびＢの距離を、三段階で計算した。第一に、ゲノムＡの５０ｋｂスライスの全てを、全ゲノムＢに対してスコア付けし、そしてその後、そのスコアを平均した。同じ工程を、ゲノムＡに対してスコア付けされたゲノムＢの５０ｋｂスライスについて繰返した。第二に、２つの平均を、対称的にした。最後に、対称的スコアを、最大の有望なスコアから減じた。三角不等式に従わないが、この距離は、ＡがＢに等しい場合にのみ、測定基準−対称的な正の明確なゼロの特性のほとんどを示す。我々は、最も近隣のクラスター群を使用し、そしてその樹を出力するＰＨＹＬＩＰソフトウエア・パッケージを使用した（３）。
【００３７】
結果
ワードリストは、全細菌ゲノムから生じるが、それらは、ゲノムを通して均質であるＤＮＡ配列の特徴に対応する。我々は、２つの別個の方法でこれを確認した。第一に、例としてイー．コリ（Ｅ．ｃｏｌｉ）を使用して、我々は、ゲノムを半分に分け、そしてその２つの半分に、独立にアルゴリズムを作動させた。生じたリストは、統計的変動まで同じであった。１００ワードのリストについては、上位８０ワードが、両方のリストにあった。その工程を、様々な分配で複数回繰返し、そして結果は類似であった。
【００３８】
ワードの過少および過剰表示が、ゲノムの局所特徴であることの我々の二次調査のために、我々は、各ゲノムから得られるワードリストに基づいたコーディングＤＮＡの配列を記録する基本的アルゴリズムを創り出した。このアルゴリズムは、それの入力として、コーディングＤＮＡ配列、およびワードのリストを利用し、そしてその配列に、配列中のワードの過少および過剰表示に基づいてスコアを割り当てる（材料および方法を参照）。ＮＣＢＩデータベース中で長さ１００ｋｂより大きな２５３細菌染色体を、５０ｋｂおよび１００ｋｂスライスに分けた。これらの配列を、１６４種全てに対して別個にスコア付けした。１００ｋｂスライスの９２パーセントは、それら自身の種で最高にスコア付けされた。５０ｋｂ配列を使用して、８６％は、それら自身の種で最高にスコア付けされた。これは、ワードが、各細菌ゲノムを通して均質である特徴に対応することを確認する。ＧＣ含有量もコドン用法のいずれも、等質性のこの特性を示さない；両方が、単独ゲノム内で実質的に変化する。さらに、この成果は、これらの隠れワードに基づいたスコア付け手段が、配列の有用な選別器であることを示唆する。例えば、Ｖｅｎｔｅｒら（９）によって記述されるサルガッソー海にいる微生物から獲得される配列を、同類の遺伝子を必要とすることなく、既知細菌と比較しうる。（最も知られている細菌ゲノム選別器は、ＫａｒｌｉｎおよびＣａｒｄｏｎ［６］により開発されたオリゴヌクレオチド・アプローチである。スコア付けアルゴリズムの我々の無垢な第一版を用いてさえ、５０ｋｂと１００ｋｂについての結果は、４までの長さを示すオリゴヌクレオチドの頻度を比較することに関与する最も包括的なオリゴヌクレオチド・アプローチを用いたものよりわずかに優れている。我々のスコア付けは、Ｖｅｎｔｅｒら［９］により使用されるジヌクレオチド・アプローチのものより実質的に優れていた。）
我々のアプローチは、ウイルスとそれらの宿主との間の関係を研究するのに十分に適してもいる。ウイルスＤＮＡをコピーし、そして宿主の内側で発現させるので、ウイルスおよびそれらの宿主が、ある程度の進化圧力を共有することが予想されるかもしれない。しかし、モノヌクレオチド含有量およびコドン用法は、宿主とファージとの間で劇的に異なる。ある種の情報は、オリゴヌクレオチド比較から得られたが、しかし「材料および方法」で記述される我々スコア・システムは、６０％より多く優れている。ＮＣＢＩウエブサイトでの配列決定されたＤＮＡファージの集合の内、１８５ファージが、既知一次宿主を有する。そのファージの多くは、知られているか、または同じ属内の複数の宿主種を有することが推測される。この理由に関して、我々は、属レベルで宿主標的を考慮した。１６４種は、１０８の異なる属に分かれる。我々のアルゴリズムについては、正しい宿主属は、１８５ファージの内９３について最高のスコアを付け、そして１３１ファージは、上位３つのスコアで正しい宿主を有した（表２）。比較に関しては、最高のオリゴヌクレオチド・スコアシステムは、１８５の正しい宿主属の内５８を示した。コドン用法とモノヌクレオチド含有量の両方が、ファージ宿主のわずかな予測変数である。
【００３９】
我々の解析を、既知ファージの大部分を包含する二本鎖ＤＮＡ（ｄｓＤＮＡ）ファージに限定することによって、我々の宿主予測は、明らかに改善した。３５の一本鎖ＤＮＡファージを取り除くことが、スコア付けを、上位スコアについて８７／１５０すなわち５８％まで、そして上位３つのスコアについて１２３／１５０すなわち８２％まで改善した。ファージは、さらに、温度と溶解素に階層化されうる（１）。なお配列決定されたファージの大半を構成する温度ｄｓＤＮＡファージに関しては、宿主についての我々の予測は、きわめて良好であった（上位３点で９３％、そして上位のスコアで７０％）。溶解素ファージは、なお、上位３つで５０％より優れているが、同様の得点は得られず、そしてそれらのＤＮＡが、宿主のものと同じ進化圧力がかかっていないことを示している。
【００４０】
【表２】
我々は、我々のスコア・アルゴリズムを、ゲノム間の距離を形成するのに適合させた（「材料および方法」を参照）。階層クラスター群を、１６４の細菌種の集合の距離の行列に使用して、我々は、系統樹を作成した（図１ａ）。この樹は、標準細菌分類学の大半を捕捉する。例えば、図１ｂを参照すると、エンテロバクテリア（Enterobacteria）を、同じ分岐群にグループ分けされることを示している。これは、ワードリストによりコーディングされた特性が、進化的に保存されることを示唆する。距離は、全ゲノム特性に基づいているので、我々は、遺伝子水平移入のような系統樹木を作成する上で共通の落とし穴のいくつかを避けた。さらに、この方法は、均質な遺伝子または多量の配列決定されたゲノムを必要せずに、この樹での新たな種の追加が出来た。
【００４１】
検討
我々は、各細菌ゲノムのコーディング領域中に１００を超える新たなシグナルを見出すアルゴリズムを導入した。表されるアプリケーションの集合は、選別器としてこれらのシグナル（ワード）の使用、およびファージとそれらの宿主の間のゲノム結合、並びに統計学上の樹の作成を含む。これらは、アルゴリズム潜在用途の部分集合にすぎない。真核生物のためのある種の有望な用法は、スライス部位検出、ｍＲＮＡ分解または安定化シグナル、組織特異性、および宿主−ウイルス関係が挙げられる。実際のエキソンは、エキソン分断エンハンサーのような過剰表示シグナルを有する（２）。我々のアルゴリズムは、実際のエキソン中の過剰および過少表示された配列の集約的リストを測定でき、そしてそれは、イントロン性配列を混同することから、実際のエキソンを切り離すために使用することが可能である。ｍＲＮＡ安定性については、２，３のグループが、ヒトを含めた多様な生物における多数のｍＲＮＡについての崩壊定数を測定した（８、１１）。半減期の範囲は、2桁単位となるが、しかし安定性におけるこの差を決定するシグナルまたは構造は、知られていない。我々のアルゴリズムを、１，０００の最も迅速に崩壊するｍＲＮＡと、１，０００の最も安定なｍＲＮＡの集合に使用する場合、２つのリストでの差は、重要なシグナルの集合を提供するにちがいない。組織特異性については、様々の組織で最初に発現される遺伝子が、固有の特性を示すことが最近２，３年で示されてきた；それらのコドン用法およびＧＣ含有量は、異なる（７、１０）。我々は、組織を区分する別のシグナルを見出すことができるはずである。これらのシグナルは、ウイルスに関する宿主組織についての情報を提供する可能性を示す。ファージおよび細菌宿主によって（またはヒト・ウイルスおよびそれらの宿主組織によって）共有されないコドン用法およびモノヌクレオチド含有量と異なり、我々のアルゴリズムは、ウイルス性宿主のきわめて良好な予測変数である。
【００４２】
このアルゴリズムは、転写因子結合部位を見出す助けにも使用しうる。ＤＰＩインタラクト・データベース（ｈｔｔｐ：／／ａｒｅｐ．ｍｅｄ．ｈａｒｖａｒｄ．ｅｄｕ／ｄｐｉｎｔｅｒａｃｔ／）から、我々は、イー．コリ（大腸菌）について列挙された１５またはそれより多くの結合部位を有する１３の転写因子についての既知結合部位の集合を抽出した。結合部位は、結合モチーフをスコア付けする重量マトリックスの集合を測定した。実際のイー．コリゲノム上を重量マトリックスに展開させ、そしてそれらを、バックグランド・イー．コリゲノムと比較することによって、我々は、１３のモチーフの内１２が、コーディング領域で明らかに（４標準偏差）過少表示されることが分かった。この手段は、一般に使用されるモチーフファインダーが、実際の転写因子結合モチーフでない過剰シグナルをはじき出すときに、即時利用性のものであるモチーフが現実であるかどうかを決定するフィルターとして使用されうる。
【００４３】
図１（ａ）ＮＣＢＩデータベースで見られる１６４の細菌種についての系統学上の樹。三角形は、エンテロバクテリアの分岐群を含む。（ｂ）その樹のエンテロバクテリアの分岐群の引き伸ばし。アシネトバクター株ＡＤＰ１、ニトロソモナス・ヨーロピアエ、エルビニア・カロトボラ、エッシェリキア・コリ、サルモネラ・エンテリカ、サルモネラ・エンテリカ・セロバル・ティフィ、シゲラ・フレクスネリ、ホトロアブダス・ルミネッセンス、エルシニア・ペスチス、エルシニア・シュードツバキュロシス、イジオマリナ・ロイヒエンシス、シゲラ・オネイデンシス、ビブリオ・コレラエ、ビブリオ・パラハエモリチクス、およびビブリオ・ブルニフィカスについての結果が示される。この群から消えている唯一のエンテロバクテリアは、ブキネラ・アフィジコラである。
【００４４】
これらのシグナルの広範な使用については、我々は、真のコーディング領域を明白に表すバックグランド・モデルの開発を期待している。多くの生物情報学上の問題は、それを任意の基準と比較することによって、長いモチーフまたは配列を探すことを必要とする。これらの問題は、実際のゲノムでの基本原則の全てを含むバックグランド・モデルを発生する方法がないという、困難さを示している。我々のアルゴリズムは、短い包括的原則の全てを決定する。これらの原則を予想する基準・モデルを作成することで、多様な困難な生物情報学上の問題を追跡可能にさせる。
【特許請求の範囲】
【請求項１】
標的バクテリアあるいはファージを特定の属、種若しくは血清型として特定若しくは分類する方法であって、
a)標的バクテリア若しくはファージのゲノム配列を提供するステップと、
b)標的ゲノムと同じアミノ酸内容と遺伝子あたりのコドン利用性を有したランダム化された背景ゲノムを提供するステップと、
c)反復アルゴリズムを実行し、長さで背景ゲノムと標的ゲノムとの間の相違に最も影響を及ぼす配列を表す標的のゲノム配列で約２個から約７個のヌクレオチドのオリゴヌクレオチド配列を特定するステップであって、前記反復アルゴリズムは、
i)標的ゲノムを背景ゲノムから最も大きく分離するオリゴヌクレオチド配列を選択するステップと、
ii)ステップ(i)で選択されたオリゴヌクレオチドのために相違をファクターアウトするように背景の確立配分を再スケーリングするステップと、
iii)背景配分が標的配分に接近するまで(i)ステップを反復するステップと、
を含んでいるステップと、
d)ステップ(c)で選択されたオリゴヌクレオチド配列を知られたバクテリア若しくはファージ配列と比較するステップと、
を含んでいることを特徴とする方法。
【請求項１】
標的バクテリアあるいはファージを特定の属、種若しくは血清型として特定若しくは分類する方法であって、
a)標的バクテリア若しくはファージのゲノム配列を提供するステップと、
b)標的ゲノムと同じアミノ酸内容と遺伝子あたりのコドン利用性を有したランダム化された背景ゲノムを提供するステップと、
c)反復アルゴリズムを実行し、長さで背景ゲノムと標的ゲノムとの間の相違に最も影響を及ぼす配列を表す標的のゲノム配列で約２個から約７個のヌクレオチドのオリゴヌクレオチド配列を特定するステップであって、前記反復アルゴリズムは、
i)標的ゲノムを背景ゲノムから最も大きく分離するオリゴヌクレオチド配列を選択するステップと、
ii)ステップ(i)で選択されたオリゴヌクレオチドのために相違をファクターアウトするように背景の確立配分を再スケーリングするステップと、
iii)背景配分が標的配分に接近するまで(i)ステップを反復するステップと、
を含んでいるステップと、
d)ステップ(c)で選択されたオリゴヌクレオチド配列を知られたバクテリア若しくはファージ配列と比較するステップと、
を含んでいることを特徴とする方法。
【公開番号】特開２００７−３１９０１６（Ｐ２００７−３１９０１６Ａ）
【公開日】平成１９年１２月１３日（２００７．１２．１３）
【国際特許分類】
【外国語出願】
【出願番号】特願２００６−１４９７９７（Ｐ２００６−１４９７９７）
【出願日】平成１８年５月３０日（２００６．５．３０）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り
【出願人】（５０６１８３０９６）ザ インスティチュート フォー アドバンスド スタディ (4)
【Ｆターム（参考）】
【公開日】平成１９年１２月１３日（２００７．１２．１３）
【国際特許分類】
【出願番号】特願２００６−１４９７９７（Ｐ２００６−１４９７９７）
【出願日】平成１８年５月３０日（２００６．５．３０）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り
【出願人】（５０６１８３０９６）ザ インスティチュート フォー アドバンスド スタディ (4)
【Ｆターム（参考）】
[ Back to top ]