Day 1

学习了一些基本的概念，比如 $K-mers$ 编码。

基因是怎么被发现的

换句话说，如果我们要确定一段DNA中的基因序列，该怎么办。

(from wiki)
在基因的间接识别法（Extrinsic Approach）中，人们利用已知的mRNA或蛋白质序列为线索在DNA序列中搜寻所对应的片段。由给定的mRNA序列确定唯一的作为转录源的DNA序列；而由给定的蛋白质序列，也可以由密码子反转确定一族可能的DNA序列。因此，在线索的提示下搜寻工作相对较为容易，搜寻算法的关键在于提高效率，并能够容忍由于测序不完整或者不精确所带来的误差。BLAST是目前以此为目的最广泛使用的软件之一。

鉴于间接识别法的种种缺陷，仅仅由DNA序列信息预测蛋白质编码基因的从头计算法（Ab Initio Approach）就显得十分重要了。一般意义上基因具有两种类型的特征，一类特征是“信号”，由一些特殊的序列构成，通常预示着其周围存在着一个基因；另一类特征是“内容”，即蛋白质编码基因所具有的某些统计学特征。使用Ab Initio方法识别基因又称为基因预测。通常我们仍需借助实验证实预测的DNA片段是否具有生物学功能。

该方法基于如下原理：自然选择的力量使得基因和DNA序列上具有生物学功能的其他片段较其他部分有较慢的变异速率，但前者的变异更有可能对生物体的生存产生负面影响，因而难以得到保存。因此，通过比较相关的物种的DNA序列，我们能够取得预测基因的新线索。

伪基因与基因非常相近，有非常高的序列同源性，但无法产生相同的蛋白质，虽然一旦作为基因定序的副产品，随著越来越多调控角色被发现，它们本身就成为预测目标。伪基因预测使用现有的序列相似性和从头算 (ab initio) 方法，同时增加额外筛选条件和识别伪基因特征的方法。

伪基因预测可以使用定制的序列相似性方法，其定制的方式是增加额外的筛选条件。这可以使用失能检测 (disablement detection)，这个方法是去找寻无意义(nonsense)或是片段移动变异(frameshift mutations)，这些突变将截断或折叠其他功能性编码序列。另外，将DNA翻译成蛋白质序列可能比直接DNA同源性更有效。

感知器的筛选条件可以根据伪基因和基因之间的统计特性的差异来决定，例如，伪基因中CpG岛(CpG islands)的数量减少，或伪基因与它们的邻居之间的G-C含量的差异。信号传感器也可以用于伪基因，寻找没有内含子 (introns) 或多腺嘌呤尾巴 (poltadenine tails)。