基因四進(jìn)制的理論序列與實際序列的特性比對

基因四進(jìn)制的理論序列與實際序列的特性比對鄧宇（清華大學(xué)第一附屬醫(yī)院）基因組的試驗研究異常火熱，基因組的序列分析、算法、數(shù)據(jù)庫的擴(kuò)容如火如荼，理論基因組的發(fā)軔，星火正開始悄悄燃起。我們用類似語言學(xué)中對詞頻分布的研究方式，對基因堿基理論序列與實際序列進(jìn)行了初步比較，想看看基因這本大書中，不同堿基符、堿基詞組各有多少個？以及占總基因譜的比例，即分布。“基因四進(jìn)制”[1]可以為堿基詞的理論生成，及有規(guī)律的符號、詞組序列提供比較的理論基礎(chǔ)。比如，看看第一位堿基符A在基因組中有多少個，也可以看看二位基因詞，如TC，GA；三位堿基（詞）組CTG，AAG等各有多少，各占比例，從而揭示基因詞的存在及詞法，語法規(guī)律。為生命基因組的偉大探索加把油、吹鼓風(fēng)，用“新信息理論”[2-8]（信息守恒律，信息的運(yùn)算，信息的化學(xué)反應(yīng)等新廣義信息論，基因序列的正弦、余弦曲線擬合），理論基因?qū)W、理論生物信息學(xué)的基因數(shù)字實驗、計算機(jī)試驗，計算機(jī)數(shù)字模擬開辟基因－生命信息學(xué)研究的新天地?；虻睦碚搶嶒灁?shù)字、實驗計算，理論基因組與實際基因組的結(jié)合，以計算機(jī)為實驗儀器，堿基數(shù)字為實驗原料，基因進(jìn)位制為根基，將為基因的理論試驗探索和發(fā)展開拓新途徑。一、材料方法1、核酸序列的來源：從Genbank，ENBL的核苷酸序列數(shù)據(jù)庫EMBL-Bank下載：AY644963、BC011974等核酸序列，堿基合計6萬多個的實際序列作為比對的原始基因庫來源。2、方法的理論基礎(chǔ)——基因四進(jìn)制：根據(jù)我們建立的基因四進(jìn)制[1]，利用堿基、核酸的四個基符A，G，T，C（個位、第一位）為元素，及“逢四進(jìn)一”規(guī)則，創(chuàng)造了基因，核酸的四進(jìn)位制符號系統(tǒng)。該基因的理論進(jìn)位系統(tǒng)的第一位、個位有4個符號元：A，G，T，C；第二位（相當(dāng)于十進(jìn)制的十位）有4×4=16個組員，AA，AG，AT，AC，GA，GG，GT，GC，TA，TG，TT，TC，CA，CG，CT，CC；第三位有43=64個成員，AAA，AAG，…，CCC；第四位有44=256個成員；…；第n位有4n個成員AA…A，AA…G，…，CC…C。構(gòu)造出了理論的或人工基因四進(jìn)制系統(tǒng)，對基因?qū)嶒灪屠碚撗芯块_辟了一條新路。3、驗證思路策略：利用“基因四進(jìn)制”理論模型，尋找堿基排布規(guī)律，解讀基因密碼鎖匙。核酸生命的語言，遣詞造句的“全息規(guī)則”。4、驗證方法首先，用（數(shù)據(jù)庫）程序生成四進(jìn)制的基因符號系列，第一位，第二位，第三位，第四位，…，第n位。再將每位的每一個成員與基因數(shù)據(jù)庫的堿基序列作對比。如用“GTC”從基因序列AY644963、BC011974等的開頭開始，搜索“GTC”，在序列中若發(fā)現(xiàn)“GTC”就計個數(shù)，定個位，一直搜到序列的結(jié)尾，合計包含“GTC”的總數(shù)量，待分析。其他組元，檢索統(tǒng)計類似，都做全程搜索，記數(shù)。手工搜索太慢幾乎不可能，故不適合。半手工半機(jī)器的搜索還是慢，自編程序的數(shù)字自動搜索計數(shù)才是上佳方法。二、結(jié)果1核酸A、G、T、C及其四進(jìn)位制系統(tǒng)，各位頻度的分布與理論值相比是不均勻、非平均的，即非遍歷的，見表1及圖1-9。2隨著位數(shù)的增加，各基因符（類似數(shù)系的數(shù)字符號）差異（極差和極差度）逐漸增大。3基因四進(jìn)制系統(tǒng)中，各位的頻度分布，從大到小的排列分布多是橫“S”形的曲線，見圖1，4，7。4按“基因四進(jìn)制”每位的順序排布各位“基因詞（基因數(shù)字符號）”，其數(shù)量分布軌跡是“波浪形”運(yùn)動的，見圖3，6，8，9表1.基因四進(jìn)制第一位基因符的理論與實測分布比對AGTC數(shù)量％數(shù)量％數(shù)量％數(shù)量％理論平均值1575725.0%1575725.0%1575725.0%1575725.0%實測值1698026.9%1562124.8%1541224.5%1501623.8%差異12231.9%-136.3-0.2%-345.3-0.5%-741-1.2%差異率7.76%0.86%2.19%4.70%最大差異196412.5%圖1.基因四進(jìn)制第一位、“個位符（相當(dāng)于‘個位數(shù)’）”的實際分布狀態(tài)。A最多，C最少。圖2.“個位符”的百分分布。以4個堿基‘個位符’為X的值，“X軸”以基因四進(jìn)制的基因符為符系（數(shù)系）坐標(biāo)序列。圖3.基因四進(jìn)制第二位16個“二位堿基”基因符號序列的實際分布。X軸是基因“四進(jìn)制”轉(zhuǎn)換成“十進(jìn)制”的坐標(biāo)計量單位標(biāo)注。圖4.基因進(jìn)制系第二位，按其在實際基因序列中分布，從大到小的排序。圖5.四進(jìn)制基因系中，各個“二位符（數(shù)）”在實際基因序列中的百分分布?！岸?lián)堿基詞”最多的是“AG”占8.15％，“CG”最少只有2.93％，理論序列平均6.25％，各試驗值是不均勻的。圖6.基因四進(jìn)制系統(tǒng)中，第三位的64個“三位符”在試驗基因組中的實際起伏，“波浪”分布。圖7.基因進(jìn)制第三位，“三聯(lián)核酸”按其在實驗基因序列中的分布，從大到小的“S”形次序。圖8.基因四進(jìn)制系統(tǒng)，第三位的64個“三位符”在試驗基因組中，實際“波浪”百分分布。Max是“CTG”2.75％，Min是“CGT”0.52％，預(yù)示著某種規(guī)律。理論平均1.62％，不均勻性的差距拉大。圖9.“四進(jìn)制”基因系統(tǒng)中，前三位4+16+64＝84個“符字（符號字（數(shù)字））”在試驗中的“L”形的漸進(jìn)分布。三、討論“進(jìn)位制”概念來源于算術(shù)，數(shù)學(xué)。它歷史悠久，是很古老的智慧產(chǎn)品，大腦智能的創(chuàng)造，是數(shù)系構(gòu)成的基礎(chǔ)。其實“進(jìn)位制”大家并不陌生，日常常見的如“十進(jìn)制”、信息－計算機(jī)社會廣泛應(yīng)用的“二進(jìn)制”、時間鐘點(diǎn)的“十二進(jìn)制”“六十進(jìn)制”、五行的“五進(jìn)制”等，及現(xiàn)在基因的四進(jìn)制。但基因符號的四進(jìn)位制與傳統(tǒng)數(shù)學(xué)的進(jìn)位制是有區(qū)別的，一個是抽象的“數(shù)”，一個是“符號（+語義）”，可以抽象，也可以具象。此基因堿基的四進(jìn)位制只是初步嘗試，還有許多內(nèi)容可以深入探討。堿基在基因組中的分布就象物理學(xué)家普利高津遠(yuǎn)離平衡態(tài)的非平衡有序的熱力學(xué)系統(tǒng)，堿基非均勻的分布是生命的特征。平均等概就是“熱寂”，就是死亡，熵增，生命的瓦解完結(jié)。遠(yuǎn)離平衡→自組織→有序→生命，熵減、負(fù)熵→生命誕生，存活。非等概率的基因堿基頻度，是生命存在的基礎(chǔ)和關(guān)鍵?！笆M(jìn)制”的基因組有N10=3×109個堿基，按照“基因四進(jìn)制”，四進(jìn)制的基因需要有N4=4x=109，x≈14.95=15，415≈109，415＝1073741824，即有約15位“四進(jìn)制”數(shù)量級的基因四進(jìn)制系統(tǒng)，才有414.9486764269931＝1000000000＝109?！八倪M(jìn)制”的堿基數(shù)欲達(dá)到“十進(jìn)制”的30億個堿基，需有N4=4x＝3×109＝415.7411576773537，即以4為底，指數(shù)為15.7411576773537次方個四進(jìn)制堿基詞。“四進(jìn)制基因系”從第一位到第十位，每位分別有4，16，64，256，1024，4096，16384，66536，262144，1048576個核酸組合，即每位有4n個堿基元。實際上，堿基在基因組中出現(xiàn)的頻率是有偏的，非遍歷的。堿基元A，G，T，C，創(chuàng)造的基因詞，即第一位，第二位，第三位，…，第n位的各位堿基詞（組）不是均勻等概率分布的，即它們在基因組中出現(xiàn)的機(jī)會、幾率不平均、不平等、“不公平”。它們距離基因詞的理論平均、等概率的分布越來越遠(yuǎn)。有的基因詞越來越多，有些卻越來越少，甚至減到0。依照我們的“信息守恒律（或狀態(tài)守恒定律、熵守恒律）N=∑ni[2-8]”，這種非遍歷的生命基因組是自組織有序的狀態(tài)信息，是有序信息。而不在基因組中的堿基序列，屬無序信息。有序基因信息+無序堿基序列＝總堿基組合數(shù)＝信息守恒。信息守恒定律（式）：I=∑II，就象物質(zhì)守恒的M=∑mI，能量守恒律E=∑eI，愛因斯坦著名的質(zhì)能關(guān)系公式，都是數(shù)學(xué)“美”的統(tǒng)一。展示了組成世界三要素的“物質(zhì)、能量、信息”的大團(tuán)員、大統(tǒng)一、大對稱。“信息是‘事物屬性標(biāo)識的集合’——信息的新定義[1-9]”，即信息是物質(zhì)、事件、事體等屬性標(biāo)志、標(biāo)示的集合。它揭示了世界三要素間的差異，及三者的同一；也重新確認(rèn)了信息也可以象物質(zhì)和能量一樣了，具有“信息守恒定律”。正象理論物理學(xué)家霍金（Hawking）自我否定的“新黑洞說”Paradox（2004年7月），其新觀點(diǎn)的本質(zhì)就是承認(rèn)了黑洞中的“信息守恒”，改正了他30年前黑洞中“信息不守恒？”的“黑洞悖論”的錯誤。“如同19世紀(jì)的科學(xué)家斷定了能量守恒定律一樣，20世紀(jì)的許多科學(xué)家提出了信息守恒一說——假如這個說法成立，那么‘信息守恒定律’無疑將成為科學(xué)界最為重要的定律，也許比物質(zhì)、能量守恒定律的意義更為深遠(yuǎn)”《中國新聞周刊》?！盎蛩倪M(jìn)制”體系的創(chuàng)立，可以系統(tǒng)，全面地從理論上研究分析基因堿基的組詞造句的規(guī)律，就象數(shù)學(xué)中數(shù)與數(shù)系的創(chuàng)造一樣，為世界，自然、社會的探索提供了一個完美的理論“工具”。通過“四進(jìn)制”的基因系可以容易地創(chuàng)造、編造、臆想理論或人工造的堿基詞與基因系列，并將這些理論基因與已經(jīng)發(fā)現(xiàn)的試驗基因組的序列進(jìn)行比較分析和演繹，進(jìn)而從新的視角發(fā)現(xiàn)和揭露堿基搭配的藝術(shù)和奧秘。為理論基因?qū)W、理論生物信息學(xué)（基因詞論）的開拓提供新礦藏。并為已發(fā)現(xiàn)的實驗基因組的實際自然序列尋找新的理論依據(jù)，為揭示生命基因的奧妙開創(chuàng)新途徑。【點(diǎn)評】基因中N個順序堿基串的理論組合有4^N個可能性，對于基因中堿基組或堿基序列在特定基因庫的樣本中分布的實際統(tǒng)計是有意義的，可能揭示深層的規(guī)律。本文的工作顯示，基因一字詞、兩字詞、三字詞、四字詞的統(tǒng)計結(jié)果分布是不均勻的，詞愈長分布不均勻性愈大。這是非常具體的實證資料。但要得出結(jié)論，4字是太少，還應(yīng)該做下去。如果要探討每個堿基組的含義，更需要大量工作。從信息學(xué)的角度看，可以得到一些啟示，如基因是生物生命活動長期遺傳演化的結(jié)果，堿基的組合是簡單的，但生命面對的發(fā)展環(huán)境是復(fù)雜的，在復(fù)雜環(huán)境的考驗下，得以生存延續(xù)的可能就大為不同，因而出現(xiàn)巨大的分布不均勻。基于這種看法，可能出現(xiàn)某些與環(huán)境更適應(yīng)的組合，出現(xiàn)快速進(jìn)化的可能。但是，斷言信息守恒，有序基因信息+無序堿基序列＝總堿基組合數(shù)＝信息守恒，是用錯誤的方法推出的錯誤結(jié)論。請再檢查。（林建祥）參考文獻(xiàn)1.鄧宇，基因四進(jìn)位制與廣義信息進(jìn)位制定律，中華新醫(yī)學(xué)，2005，6（7）：832-8342.鄧宇，鄧海，生物-非生物界的信息守恒律與雙大超循環(huán)世界圖景，數(shù)理醫(yī)藥學(xué)雜志，2000，13（1）：88-893.鄧宇，信息守恒的證明，中華醫(yī)藥雜志，2004，4（6），364.鄧宇，量子論新詮釋的（計算機(jī)）數(shù)字實驗?zāi)M，中華醫(yī)學(xué)研究，2004，64（3），30-315.鄧宇，信息的化學(xué)變化，中華醫(yī)藥雜志，2004，4（6），5766.鄧宇，信息的數(shù)理新定義與廣義信息運(yùn)算，中