Est数据库

Est--编码序列，gene 片段且具有标签

其中，est数据库中是类似测序1、测序2、测序3这样的序列。实验室测得的序列是cDNA，通过上图方法拼接，电脑克隆（dbest）。如果有overlap则认为两个序列来自于同一个gene，overlap的碱基数目是40（不建议低于30，不建议高于40），过少容易拼接乱，过多对碱基突变的容忍性差。就一条序列来说，将比对后延长的结果进行二次比对，以此类推，直到不能延长为止。

est数据库的覆盖率超过95%。

先利用其他数据库（eg：引物数据库、末端数据库）过滤一遍。即因此在进行Contig电脑组装之前，需要探测并去除EST数据库中的污染序列。

拼接质检方法：Kozak规则，即第一个ATG侧翼序列的碱基分布所满足的统计规律，若将第一个ATG中的碱基A，T，G分别标为1，2，3位，则Kozak规则可描述如下：(1)第4位的偏好碱基为G；(2)ATG的5’端约15bp范围的侧翼序列内不含碱基T；(3)在-3，-6和-9位置。

挑战：

嵌合体问题：基因家族内的gene相似度高，电脑克隆的阈值不足以区分，miss之后将两个不同位置的gene弄混。这需要实验验证。嵌合体cDNA是指来源于不同基因的序列，由于偶然因素被组装在一起形成的Contig。我们构建的神经网络能探测组装过程形成的嵌合体。

发现SNP：对于某一个gene出现多个略有差别的序列，着多个序列中可能存在SNP。

利用何种数据库发现新基因？

基因组序列数据库和EST数据库。

发现原理是什么？

基因组序列数据库是识别，识别编码序列特征和非编码序列有何差异，有多种算法。

EST数据库是拼接，归属于同一gene的est拼接在一起，算法比较单一。

使用EST序列装载gene，可以帮助发现新gene、SNP、可变剪接和发现非编码RNA。