实验2 数据库搜索与模式匹配
1. TRANSFAC 数据库
【TRANSFAC 数据库说明】
TRANSFAC 数据库是关于转录因子（transcription factor, TF）与及其在基因组上的转录因子结合位点（transcription factor binding site, TFBS）序列或者序列模式(profile)的数据库，主要包括SITE/GENE/FACTOR/CLASS/MATRIX/CELLS/METHOD/REFERENCE等几个数据表。此外还包含几个扩展库：PATHODB 收录了可能导致疾病的转录因子和结合位点；S/MARTDB收集了与染色体结构变化相关的转录因子以及对应位点的信息；TRANSPATH 主要用于描述与转录因子调控相关的信号传递网络；CYTOMER 包含了人类转录因子在各个器官、细胞类型、生理系统和发育时期的表达状况。
本实验的所有数据来自于P . Bucher于1990年发表在Journal of molecular biology的一篇文章。作者从502条序列中包含的真实的TATA-box ，计算得到的位置权重矩阵（PSSM ）。然后利用这个矩阵在输入的启动子（promoter ）序列中扫描可能存在的TATA-box 。
【参考文献】
Bucher P. Weight matrix descriptions of four eukaryotic RNA polymerase II promoter elements derived from 502 unrelated promoter sequences. J. Mol. Biol. 212: 563-578 (1990).
【材料与方法】
输入序列：6个来自果蝇（Drosophila melanogaster）的基因上游启动子序列，包含在文件All.fas 中
WWW 工具：
TRANSFAC 数据库：， 一个转录因子数据库
【操作步骤】
1) 从数据库中搜索TATA-box ：在TRANSFAC 数据库注册一个帐号，登录后打开SEARCH 服务，选择MATRIX （转录因子结合位点矩阵）数据表进行搜索，将“Table field to search in”设置为“All field”，然后输入“TATA”提交查询。
◆ 查询得到几个结果？
◆ 点击M00252项，查看其详细描述，尤其是其位置权重矩阵（PSSM ）部分。 ◆ 查看BF 项，列出的与该TATA-box 作用的转录因子（也就是binding factor）有哪几个？
2) 在FACTOR （转录因子）表中重复以上查询过程，打开转录因子T00794项。从MX 项中得到哪几个相关的MATRIX 项，也就是对应的转录因子结合位点。
3) 在上述启动子序列中查找TATA-box ：
◆ 登录到。
◆ 在左侧菜单中选择Pattern matching – patser （matrices ）
◆ 将TATA-box 的profile （包括头部的PO A C G T部分）粘贴到“Matrix”框中
◆ 在“Format（matrix ）”单选框中选择“transfac”
◆ 将上述启动子区域序列拷贝到“Sequence”框中
◆ 选择“Search strands”为“single”
◆ 按下“Go”，提交查询，进入结果页
◆ 在结果页的底部按下“Feature map”按钮，进入绘图选项页
◆ 按下“Go”可以得到结果的图形输出
◆ 重复以上过程，修改“Lower threshold estimation”中的选项“weight”阈值修改为0，
结果有什么改变？如果将该阈值设为3呢？
【思考题】
1) 从上图中你可以得到什么样的结论？一般认为，基因上游启动子区域只会有0-1个
TATA-box ，因此，通过比较选取不同阈值得到的结果，你觉得选取什么样的阈值才最合适？
2) TRANSFAC 本身也包含了一个TFBS 的搜索工具——MATCH。仍采用上述启动子序列，
从中搜索可能的转录因子结合位点，分别采用 “Vertebrates（脊椎动物）”和“insects（昆虫）”的“Matrix”进行匹配搜索。结果中是否包含上述TATA-box ？
3) 给定长度为N 的序列s 和位置权重矩阵(position-specific scoring matrix, PSSM)A，我
们常用对数似然比来作为给定序列与profile matrix的匹配程度的分值：
S=Nlog4+��log ai, si−log ai, ∗�
i=1N
似的a i , ∗为PSSM 矩阵第i 行元素的总和。 其中s i 为序列s 第i 位对应的碱基，a i , s i 为PSSM 矩阵第i 行碱基为s i 的元素值，相在尽力理解这个公式意义的基础上，试用C++写出上述评价分值函数，并以上述TATA-box 和输入启动子序列为例，检验你的程序。要求：TATA-box 的PSSM 矩阵和输入启动子序列分别放在两个文件中，作为程序的其中两个输入参数，第三个参数为该分值的阈值，只有超过该阈值的子序列才作为TATA-box 的候选，根据（1）相同的标准选定合适的阈值。
4) TATA-box 还有另外一种常用的表示方式，就是所谓的consensus ：STATAAAWR ，其
中S 表示G/C，W 表示A/T，R 表示A/G（purine ）。在此前的课程中我们学习过Perl 正则表达式的内容，这里请用Perl 正则表达式在上述给定的序列中搜索可能的TATA-box ，请问是否存在完全匹配的TATA-box ？如果存在则给出该序列以及序列所在的位置，如果不存在则改变搜索的严格程度（比如，可以有1个位置不匹配），结果会产生什么样的变化？
5) 按照目前的经验，真实的TATA-box 一般出现在转录起始位点（transcription start site,
TSS ）上游大约20bp 的位置，前面的结果有多少个符合这个标准？
2. UCSC Genome Browser
【UCSC Genome Browser】
在上面1中我们大量用到了启动子序列，问题是如何从数据库中得到这些启动子序列呢？除了启动子序列外，我们还可以从UCSC Genome Browser中获取更多有关基因组序列的信息。这些都是我们这部分上机实验所要涉及的内容。
【上机部分】
1) 小鼠基因Brca1是否存在非同义SNPs ，并将其标为蓝色，并给出该SNPs 的外部信
息。
2) 获取Brca1基因转录起始位点（transcription start site, TSS）上游200bp 的启动子序
列，该序列是否包含已知的转录因子结合位点（transcription factor binding site，TFBS ）？如果存在，写出该TFBS 的序列；如果不存在，则继续向上游扩展200bp 直到发现TFBS 为止。
3) 下载Brca1的TSS 上游2000bp 的启动子序列，采用上面介绍的MATCH 工具搜索其
可能的转录因子结合位点，结果是否与(2)相同？
实验2 数据库搜索与模式匹配
1. TRANSFAC 数据库
【TRANSFAC 数据库说明】
TRANSFAC 数据库是关于转录因子（transcription factor, TF）与及其在基因组上的转录因子结合位点（transcription factor binding site, TFBS）序列或者序列模式(profile)的数据库，主要包括SITE/GENE/FACTOR/CLASS/MATRIX/CELLS/METHOD/REFERENCE等几个数据表。此外还包含几个扩展库：PATHODB 收录了可能导致疾病的转录因子和结合位点；S/MARTDB收集了与染色体结构变化相关的转录因子以及对应位点的信息；TRANSPATH 主要用于描述与转录因子调控相关的信号传递网络；CYTOMER 包含了人类转录因子在各个器官、细胞类型、生理系统和发育时期的表达状况。
本实验的所有数据来自于P . Bucher于1990年发表在Journal of molecular biology的一篇文章。作者从502条序列中包含的真实的TATA-box ，计算得到的位置权重矩阵（PSSM ）。然后利用这个矩阵在输入的启动子（promoter ）序列中扫描可能存在的TATA-box 。
【参考文献】
Bucher P. Weight matrix descriptions of four eukaryotic RNA polymerase II promoter elements derived from 502 unrelated promoter sequences. J. Mol. Biol. 212: 563-578 (1990).
【材料与方法】
输入序列：6个来自果蝇（Drosophila melanogaster）的基因上游启动子序列，包含在文件All.fas 中
WWW 工具：
TRANSFAC 数据库：， 一个转录因子数据库
【操作步骤】
1) 从数据库中搜索TATA-box ：在TRANSFAC 数据库注册一个帐号，登录后打开SEARCH 服务，选择MATRIX （转录因子结合位点矩阵）数据表进行搜索，将“Table field to search in”设置为“All field”，然后输入“TATA”提交查询。
◆ 查询得到几个结果？
◆ 点击M00252项，查看其详细描述，尤其是其位置权重矩阵（PSSM ）部分。 ◆ 查看BF 项，列出的与该TATA-box 作用的转录因子（也就是binding factor）有哪几个？
2) 在FACTOR （转录因子）表中重复以上查询过程，打开转录因子T00794项。从MX 项中得到哪几个相关的MATRIX 项，也就是对应的转录因子结合位点。
3) 在上述启动子序列中查找TATA-box ：
◆ 登录到。
◆ 在左侧菜单中选择Pattern matching – patser （matrices ）
◆ 将TATA-box 的profile （包括头部的PO A C G T部分）粘贴到“Matrix”框中
◆ 在“Format（matrix ）”单选框中选择“transfac”
◆ 将上述启动子区域序列拷贝到“Sequence”框中
◆ 选择“Search strands”为“single”
◆ 按下“Go”，提交查询，进入结果页
◆ 在结果页的底部按下“Feature map”按钮，进入绘图选项页
◆ 按下“Go”可以得到结果的图形输出
◆ 重复以上过程，修改“Lower threshold estimation”中的选项“weight”阈值修改为0，
结果有什么改变？如果将该阈值设为3呢？
【思考题】
1) 从上图中你可以得到什么样的结论？一般认为，基因上游启动子区域只会有0-1个
TATA-box ，因此，通过比较选取不同阈值得到的结果，你觉得选取什么样的阈值才最合适？
2) TRANSFAC 本身也包含了一个TFBS 的搜索工具——MATCH。仍采用上述启动子序列，
从中搜索可能的转录因子结合位点，分别采用 “Vertebrates（脊椎动物）”和“insects（昆虫）”的“Matrix”进行匹配搜索。结果中是否包含上述TATA-box ？
3) 给定长度为N 的序列s 和位置权重矩阵(position-specific scoring matrix, PSSM)A，我
们常用对数似然比来作为给定序列与profile matrix的匹配程度的分值：
S=Nlog4+��log ai, si−log ai, ∗�
i=1N
似的a i , ∗为PSSM 矩阵第i 行元素的总和。 其中s i 为序列s 第i 位对应的碱基，a i , s i 为PSSM 矩阵第i 行碱基为s i 的元素值，相在尽力理解这个公式意义的基础上，试用C++写出上述评价分值函数，并以上述TATA-box 和输入启动子序列为例，检验你的程序。要求：TATA-box 的PSSM 矩阵和输入启动子序列分别放在两个文件中，作为程序的其中两个输入参数，第三个参数为该分值的阈值，只有超过该阈值的子序列才作为TATA-box 的候选，根据（1）相同的标准选定合适的阈值。
4) TATA-box 还有另外一种常用的表示方式，就是所谓的consensus ：STATAAAWR ，其
中S 表示G/C，W 表示A/T，R 表示A/G（purine ）。在此前的课程中我们学习过Perl 正则表达式的内容，这里请用Perl 正则表达式在上述给定的序列中搜索可能的TATA-box ，请问是否存在完全匹配的TATA-box ？如果存在则给出该序列以及序列所在的位置，如果不存在则改变搜索的严格程度（比如，可以有1个位置不匹配），结果会产生什么样的变化？
5) 按照目前的经验，真实的TATA-box 一般出现在转录起始位点（transcription start site,
TSS ）上游大约20bp 的位置，前面的结果有多少个符合这个标准？
2. UCSC Genome Browser
【UCSC Genome Browser】
在上面1中我们大量用到了启动子序列，问题是如何从数据库中得到这些启动子序列呢？除了启动子序列外，我们还可以从UCSC Genome Browser中获取更多有关基因组序列的信息。这些都是我们这部分上机实验所要涉及的内容。
【上机部分】
1) 小鼠基因Brca1是否存在非同义SNPs ，并将其标为蓝色，并给出该SNPs 的外部信
息。
2) 获取Brca1基因转录起始位点（transcription start site, TSS）上游200bp 的启动子序
列，该序列是否包含已知的转录因子结合位点（transcription factor binding site，TFBS ）？如果存在，写出该TFBS 的序列；如果不存在，则继续向上游扩展200bp 直到发现TFBS 为止。
3) 下载Brca1的TSS 上游2000bp 的启动子序列，采用上面介绍的MATCH 工具搜索其
可能的转录因子结合位点，结果是否与(2)相同？