数据挖掘—UCSC中获取某基因的启动子序列及基因结构剖析

原创

sheldor没耳朵

发布于 2025-10-20 17:38:51

5060

文章被收录于专栏：数据挖掘数据挖掘

数据挖掘—UCSC中获取某基因的启动子序列及基因结构剖析

关于获取某基因的启动子序列，我之前已经有两篇帖子进行介绍了，见

数据挖掘—NCBI中获取某基因序列和转录起始位点

MSP甲基化引物设计

最近遇到实验室的一个需求：CHIP-PCR验证某转录因子与JAK1、JAK2基因的启动子序列是否结合，并使用NCBI primer blast设计特异性引物。前期我们需要获取JAK1、JAK2基因的启动子序列。这里介绍使用UCSC获取启动子序列的方法，更为方便。

1.使用UCSC网站，点击Genomes,选择Human GRch38/hg38 ,检索基因

2.一般将转录起始位点（TSS）上游的2000bp左右作为启动子序列

正链基因及基因起始往前2000bp，如JAK2的基因位置为chr9:4,985,272-5,129,948，其启动子序列就为chr9:4983272-4985271
负链基因及基因往后2000bp，如JAK1的基因位置为chr1:64,833,229-64,966,549，其启动子序列就为chr1:64966550-64968549

在实际操作中，我们常常不仅需要需要知道基因的启动子序列，还需要知道哪边是与TSS更靠近的。如CHIP-qPCR实验前，使用JASPAR预测转录因子与某基因的启动子结合位点，我们肯定是优先考虑与TSS更靠近的预测结果。

正链基因是比较好理解的，肯定是启动子序列中右侧更靠近TSS。JAK2为例，4985271更靠近TSS
负链基因是较为难理解的，我到现在也比较模糊，竟然也是右侧更靠近TSS。JAK1为例，64968549更靠近TSS。关于这一点，chatgpt尝试向我解释，可能是是UCSC在输出序列时候做了相应的转换。
综上，不管是正链基因还是负链基因，UCSC输出的启动子序列都是右侧序列更靠近TSS。
在输出序列时候，我们可以既勾选“Promoter/Upstream by bases”，和“5' UTR Exons”，这样就很明显的看出，“5' UTR Exons”的区域都是在输出序列的最右侧，即可验证不管是正链基因还是负链基因，UCSC输出的启动子序列都是右侧序列更靠近TSS

3.复制全部序列，到一个TXT文本，再将文件后缀改为fasta即可

4.操作截图

JAK1

JAK2

5.基因结构剖析

一个基因在DNA上的基本结构

#一个基因在DNA上的基本结构
←---------------- DNA 5' 到 3' 方向 ----------------→
[启动子] --(+1 转录起始位点)-- [5' UTR + CDS外显子 + 内含子 + 3' UTR] -- [终止信号] -- [基因间区]

#转录后
DNA:   [启动子] | +1 TSS |---5' UTR---|AUG|---CDS---|UAA|---3' UTR---|终止信号|
RNA:               [转录产物 = 5' UTR + CDS + 3' UTR]
成熟mRNA:          [外显子1][外显子2][外显子3]   （内含子被剪掉）

启动子（Promoter）：在基因的上游（即转录起始位点的前面）。RNA聚合酶和转录因子结合的区域，决定基因何时、在哪些细胞中、以多快的速率被转录。含有核心序列，如真核生物常见的 TATA box。有时还有增强子（enhancer）或沉默子（silencer）等调控元件。启动子不被转录成RNA，但决定了转录的开始
转录起始位点（Transcription Start Site, TSS）：RNA聚合酶开始合成RNA的第一个核苷酸。
5' 非翻译区（5' UTR, 5' Untranslated Region）：在转录起始位点之后、翻译起始密码子（ATG）之前。不编码蛋白质。调控 mRNA的稳定性、核输出、翻译效率。
起始密码子（Start Codon）：翻译的起点，一般是 AUG（编码甲硫氨酸）。指示核糖体从此处开始将mRNA翻译成蛋白质。转录起始位点（TSS） ≠ 起始密码子（AUG），TSS 是 RNA 合成的起点（影响转录），AUG 是蛋白质翻译的起点（影响翻译）
CDS（Coding Sequence）外显子：被拼接进成熟mRNA并真正编码蛋白质的部分。在起始密码子AUG和终止密码子UAA/UAG/UGA之间。外显子（exon）是保留在成熟mRNA中的序列，但只有其中一部分是CDS区。
3' 非翻译区（3' UTR, 3' Untranslated Region）：在终止密码子之后。不翻译成蛋白质。含有调控元件，如poly(A)信号（AAUAAA）。影响 mRNA 的稳定性、定位与翻译效率。
内含子（Intron）：存在于基因转录本中但在RNA剪接时被剪去的序列。不编码蛋白质。可含有调控序列，影响剪接选择或转录调控。
外显子（Exon）：保留在成熟mRNA中的序列。5' UTR 外显子，CDS 外显子，3' UTR 外显子，即，外显子 ≠ 全部都是编码区；有的外显子仅是UTR的一部分。
基因间区（Intergenic Region）：相邻基因之间的DNA区域。不直接编码RNA或蛋白，常含有调控元件（如增强子、抑制子、lncRNA等）。