NCBI Gene数据库中检索基因结构

变异包含很多种：单核苷酸多态性（SNP）、插入缺失突变（INDEL）、拷贝数变异（CNV）以及结构变异（SV）等。不过本篇并不是讲变异的，在进入本周系列主题之前，需要对基因结构做一下回顾，以作为后续篇章的基础知识。

原核生物基因结构

img

原核细胞的基因组相对较小，一切以“精简实用”为核心原则，因此原核细胞的基因是连续的，基因与基因之间不存在冗余序列。有的编码区的序列还可以同时编码多个蛋白质。并且存在重叠基因，一个基因部分或全部位于另一个基因序列之内。

如上图所示，原核生物基因由编码区和非编码区组成。在上游非编码区含有启动子，启动子是RNA聚合酶的结合位点，是转录的起始处；在下游非编码区含有终止子，终止子具有终止转录的功能。启动子和转录起始位点（TSS）也会有操纵子序列。

真核生物基因结构

img

真核细胞的基因和原核生物一样都有编码区、非编码区，在非编码区都有调控遗传信息表达的核苷酸序列。但是其与原核细胞的基因结构已经有了很大的差异，真核生物的基因存在的很多的冗余序列和复杂的调控序列。

DNA水平

如上图所示，真核细胞的基因是间隔的，相邻基因之间有一段冗余序列。

除了基因是间隔的，基因编码区也是间隔的，可分为外显子（exon)和内含子(intron)。

每个外显子和内含子接头区都有一段高度保守的序列，即内含子5’末端大多数是 GT 开始，3’末端大多是 AG 结束，称为 GT-AG 法则，是普遍存在于真核基因中 RNA 剪接的识别信号。

第一个外显子首端和最后一个外显子末端，分别为翻译蛋白的起始密码子和终止密码子。

RNA水平

初始转录的RNA，需要经过RNA剪接、修饰及编辑等步骤才会形成成熟的mRNA。mRNA是翻译蛋白质的模板，但是并非mRNA的全长用于翻译蛋白质。mRNA两端是存在一定长度的非翻译区（UTR），5’端的叫做5‘UTR，3’端的叫做3‘UTR，而翻译蛋白质的区域叫做蛋白质编码序列（CDS）。

5’UTR是mRNA帽子结构与起始密码子之间的区域，3‘UTR是mRNA的3’端 polyA 和终止密码子（polyA更靠近3’）之间区域。

在NCBI Gene数据库中检索基因结构

基因结构可以在NCBI Gene数据库中查询，这个数据库在以前的章节也讲过（浅谈Entrez ID），不过当时主要是讲不同版本的基因ID的。在这里会继续使用这个数据库，来搜索查看基因结构，仍以人源TP53基因为例。

第一步 打开NCBI gene，键入搜索词

打开NCBI（https://www.ncbi.nlm.nih.gov/），选择Gene数据库，输入基因名词检索时，需要键入或者筛选物种信息，在这里选择人源的。

img

第二步 查看Genomic regions, transcripts, and products

点击链接后，会有总结（Summary）、该基因在基因组上下游的基因位置信息（Genomic context）、各组织器官的表达谱（Expression）和生物学功能（Bibliography）等信息，而我们需要注意的是Genomic regions, transcripts, and products一栏。

img

基因结构如图所示。

实际上第一个方框并不算传统意义上的外显子，因为其并不被翻译为蛋白质，最后一个方框也并非全部是外显子，因为只有部分翻译蛋白质。

方框的更确切的意义应该是成熟mRNA序列。不过在查一些参考文时（参考3），他们还是把方框标记为外显子了，因此这里做一下说明。

第三步 查看具体序列信息

点击在上图中右上的Tools的Sequence Text View里面可以直观的看到基因的序列与结构。

图中蓝色代表非翻译区（UTR），粉红代表蛋白质编码区。绿色代表内含子，蓝色和粉红色共同代表了上图中的方框区域（也就是成熟mRNA序列）。

img

注意：

1. 本图左上角标识的两个红框，第一个红框是“前一页”和“后一页”，在Sequence Text View里面，TP53基因共有3页序列内容，默认先显示第2页，也就是第一个蛋白编码区（CDS，图中粉红色）出现的一页开始显示，如果需要查看其它的序列，请点击“前一页”和“后一页”按钮。
2. 第二个红框代表搜索出来的不同TP53记录，本次演示默认只查看第一条记录，也就是NM001126112.2/NP0011195841.1，如需要查看其它记录，点击图中红框位置的下拉框即可选择。

参考资料来源-- 生信菜鸟团

1. 再一次，翻看真核生物基因结构! http://t.cn/RlJ589T
2. 疑难解析：基因结构 http://t.cn/RlJ5D7s
3. 如何查询基因结构 http://t.cn/RlJt24w