全 文 ：


2009 年 第 54 卷 第 23 期: 3710 ~ 3715
www.scichina.com csb.scichina.com


《中国科学》杂志社
SCIENCE IN CHINA PRESS 论 文
引用格式: 焦清局, 杨仲南, 黄继风. 拟南芥代谢通路下基因调控网络的构建. 科学通报, 2009, 54: 3710~3715
Jiao Q J, Yang Z N, Huang J F. Construction of a gene regulatory network for Arabidopsis based on metabolic pathway data. Chinese Sci Bull, doi:
10.1007/s11434-009-0728-8
拟南芥代谢通路下基因调控网络的构建
焦清局①, 杨仲南②, 黄继风①*
① 上海师范大学信息与机电工程学院, 上海 200234;
② 上海师范大学生命与环境科学学院, 上海 200234
* 联系人, E-mail: jfhuang@shnu.edu.cn
2009-06-18收稿, 2009-10-09接受
上海市教育委员会教育科学研究资助项目(批准号: 07ZZ60)

摘要 基因调控网络在研究基因之间的调控关系及揭示复杂的生命现象方面有着重要的意义.
拟南芥整个生长过程是由基因网络所调控. 本文利用拟南芥代谢通路下基因共表达这一属性,
结合启动子序列分析的生物信息学方法来预测拟南芥代谢通路下基因的调控关系. 基于这种方
法, 一共预测到 2268对具有调控关系的基因对, 其中 91对为高可信度的调控关系. 在我们预测
到的调控关系中, 有 4 对调控关系已被实验验证, 实验表明本文预测的结果有一定的可靠性.
我们预测的拟南芥代谢通路下基因的调控网络, 为深入研究代谢通路在植物生长过程中所起的
作用提供了方便, 有助于进一步研究拟南芥未知基因的功能.
关键词
拟南芥
代谢通路
基因调控网络
生物信息学
模体


随着生物分子数据的不断积累 , 人们越来越多
地利用计算机处理和分析生物数据 , 代谢通路研究
则成为其中的一个研究热点 . 人们建立了各种有关
动物和植物的通路数据库, 像 Reactome 人类生物学
过程的通路数据库[1]、KEGG 通路数据库 [2]、Meta-
Cyc[3]、TRANSPATH 关于信号转换事件的数据库[4],
以及 TAIR 上有关拟南芥通路的数据库[5]. 通路作为
一条维持生命的分子反应链 , 不同的生命过程有不
同的通路, 如细胞对外界环境变化相应的通路、光合
作用、细胞代谢和信号通路. 一条通路功能的中断可
能引起动物严重的疾病或者阻碍植物的生长 . 根据
代谢通路下基因的特征可以预测基因的调控网络 .
因此, 代谢通路在研究动植物生长和基因的调控方
面起着重要的作用.
一个基因的表达受其他基因的调控或影响 , 而
这个基因又调控或影响其他基因的表达, 这种相互
调控或影响的关系构成了复杂的基因表达调控网络.
基因调控网络中基因的相互作用关系能够帮助研究
者更加深入地认识真实的调控过程[6], 对调控过程认
识的加深将会对药物研制和生物医学产生深远的影
响. 基因调控网络是功能基因组学研究的一个热点,
它从基因之间互相调控或影响的角度揭示复杂的生
命现象.
目前 , 人们不仅构建了多种动植物的基因调控
网络 , 而且将其研究广泛地应用到各种模式物种当
中[7~10] . 如 Divya Mathur 利用调控网络分析了老鼠
的胚胎干细胞, 并绘制了转录因子 OCT4和 NANOG
从数据集到染色体坐标的序列结合位点 , 为进一步
研究老鼠的胚胎干细胞提供了珍贵的资源[11]. Tsai等
人[12]利用基因表达数据和染色质免疫沉淀反应数据
(ChIP-chip)结合统计模型对酵母细胞分裂周期调控
网络进行了预测 , 分析了细胞分裂过程中调控因子
之间相互作用的过程. 然而, 由于缺少较为可靠的拟
南芥基因表达数据以及一些模体(motif)预测工具准
确度不够高 , 鲜有大规模的拟南芥转录调控网络被
构建出来.
本文基于同一代谢通路下的基因共表达这一原
理 [13,14], 并利用一种整合基因表达数据与启动子区




3711
论 文
域转录因子结合位点预测的生物信息学方法来构建
拟南芥代谢通路下的基因调控网络 . 通过启动子区
域的转录因子结合位点(TBFS)的预测 , 得出了一些
高可信的基因调控关系 , 利用这些调控关系构建了
一个拟南芥代谢通路下基因的调控网络.
1 材料和方法
(ⅰ) 拟南芥代谢通路数据. (1) 拟南芥数据资
源(TAIR)提供了拟南芥各方面的资源[5]. 从互联网上
(ftp://ftp.arabidopsis.org/home/tair/pathways/)下载了所有
拟南芥代谢通路数据. (2) ATTED-Ⅱ (http://atted.jp/)
数据库提供了拟南芥基因的共表达关系, 用来预测
未知基因的功能[15].
(ⅱ) 共表达基因组的筛选. 基于同一代谢通路
下的基因共表达这一原理. 我们对下载得到的代谢
通路数据进行整理. 首先, 把每一条代谢通路下功能
不同却是同一个基因的合并为一个基因, 即去掉每
一条代谢通路下重复的基因. 这样共得到 309条通路
(相当于 309 组共表达基因组). 然后, 用 MEME[16]软
件预测这 309组共表达基因组中的模体. MEME软件
对输入的一组共表达基因有数量上的要求 , 如果输
入的共表达基因数量较少, 则会影响预测结果的正
确性 . 为了得到可靠的模体预测结果 , 设定输入
MEME软件的每条通路下基因的数量大于等于 5. 最
后, 通过整理共得到 174 条代谢通路数据, 即 174 组
共表达基因组.
(ⅲ) 启动子区域的模体预测. 一般认为, 转录
因子结合位点主要在转录起始位点(transcription start
sites, TSSs)附近出现, 有些研究发现: 真核生物转录
因子识别的模体一般分布在基因上游−1~500 的区
域 [17]. 但是有些转录因子结合在基因上游很远的区
域, 被称为远程作用. 我们要根据研究问题的不同 ,
适当地选取转录起始位点碱基的长度 . 如果序列太
短会丢失部分结合位点 . 序列太长会引入大量的背
景噪声 , 使真正的转录因子结合位点在噪声中无法
区分.
为了可靠地预测共表达基因中的模体 , 我们把
得到的 174 条代谢通路下的基因及其对应的序列输
入到 MEME软件中, 并在 MEME软件中设置了不同
的参数, 做了不同的实验:
(1) 启动子序列为基因上游长 500 bp的序列. 在
每组共表达基因组中设置了 3个不同的模体个数: ①
模体的个数为: 基因的个数除以 2, 然后对结果取整;
② 模体的个数为 3个; ③ 模体的个数为 5个. 使用
MEME 软件的 ZOOPS 模式; 其余参数采用 MEME
软件默认值.
(2) 启动子序列为基因上游长 1000 bp的序列. 在
每组共表达基因组中设置了 3 个不同的模体个数: ①
模体的个数为: 基因的个数除以 2, 然后对结果取整;
② 模体的个数为 3 个; ③ 模体的个数为 5 个. 使用
MEME软件的 ZOOPS模式; 其余参数采用MEME软
件默认值.
(ⅳ) 调控关系的预测. 通过 MEME 软件预测
出启动子上模体信息后, 利用 STAMP[18]工具将模体
信息转化成转录因子信息. STAMP 将模体序列与数
据库中已知转录因子结合位点序列比对 , 从而确定
一个基因及其启动子上结合的转录因子 . 具体步骤
如下:
(1) 使用 Perl程序批量向 STAMP服务器提交预
测出来的模体信息, STAMP 服务器根据其转录因子
识别序列数据库将模体信息转化成转录因子信息 .
STAMP 服务器收集了 TRANSFAC[19], AthaMap[20]和
AGRIS[21]这 3 个数据库存储的转录因子识别序列信
息, 其中 TRANSFAC 数据库包含了各个物种的识别
数据, AthaMap包含了几种植物中的转录因子识别序
列数据, 而 AGRIS 数据库则只包含拟南芥已知的转
录因子识别序列数据.
(2) 从 STAMP 工具获得的转录因子信息作为启
动子上可能结合的转录因子 . 如果预测的转录因子
为其他物种 , 则根据同源性分析转换为拟南芥的转
录因子 . 一个基因与其启动子上可能结合的转录因
子构成具有调控关系的基因对.
(ⅴ) 预测结果的筛选 . 通过预测共得到 2268
对转录因子与其靶基因之间的转录调控关系. 为了
提高结果的可靠性, 利用 ATTED-Ⅱ数据库对初步结
果进行筛选 , 从网站 (http://atted.jp/download.shtml)
(c4.1)下载了拟南芥全基因组的共表达数据. 这些数
据包含了 20906个文件, 每一文件对应一个拟南芥基
因(目标基因), 并以该基因的 AGI 号命名. 每一个文
件都有 22572 行, 每一行代表一个基因, 在每一个基
因后面都有一个范围从−1.0~1.0 的相关系数来表示
该基因与目标基因之间的共表达关系, 系数越大, 表
示这两个基因的共表达性越高. 利用拟南芥全基因
组的共表达数据, 编写 perl 程序对得到的 2268 对转



2009 年 12 月 第 54 卷 第 23 期
3712
录调控关系进行筛选 , 如果转录调控关系对中的两
个基因之间的共表达系数大于等于 0.6, 则认为这一
调控关系对为高可信的[22].
2 结果
2.1 实验结果的筛选
为了建立较为精确的基因调控网络 , 我们对同
一数据集做了不同的实验, 并对不同的实验结果用
实验验证的 348 对调控关系(从 AGRIS 数据库得到)
进行筛选, 不同的实验结果如表 1所示.
从表 1可以看出: 第一, 当我们设置的启动子序
列长 1000 bp 时, 无论模体的个数怎样变化, 预测到
的调控关系对中包含已被实验验证的关系对始终为
0, 说明 1000 bp 启动子序列中包含大量的背景噪声,
使 MEME 工具无法正确地识别真正的转录因子结合
位点; 第二, 当我们设置启动子序列为 500 bp, 模体
的个数为 3 时, 在预测到的转录调控关系对中包含 2
个 已 被 实 验 验 证 的 调 控 关 系 对 (E2Fa 调 控
At2g21790; E2Fa 调控 At3g46940); 模体的个数为基
因个数除以 2或等于 5时, 我们均预测到 4对已被实
验验证的基因对(E2Fa 调控 At2g21790; E2Fa 调控
At3g46940; HY5 调 控 At5g38410; HY5 调 控
At1g67090). 然而在一些代谢通路下基因个数较少
(少于或等于 5 个)而又设置模体的个数为 5 时, 预测
结果中就会包含一些假阳性的转录因子结合位点 .
所以在最后的实验中 , 我们设置启动子序列的长度
为 500 bp, motif的个数为基因个数除以 2, 使用MEME
软件的 ZOOPS模式, 其余参数为工具默认. 从实验结
果我们得到与真核生物转录因子识别的模体一般分布
在基因上游−1~500的区域[17]相吻合的观点.
2.2 代谢通路下基因调控网络的构建
我们从 TAIR网站上下载了所有的拟南芥 309条
生物代谢通路, 通过整理共有 1620个基因(不同代谢
通路下的基因有重叠). 为提高 MEME 软件预测模体
的可靠性, 去掉代谢通路下基因个数小于 5 的通路,
这样, 经过整理共得到 174 条生物代谢通路(网络版
附录 1), 即 174 组共表达基因. 然后, 使用模体预测
软件 MEME 对每一组基因启动子序列进行预测, 找
到这些基因启动子区域上的模体 . 这些模体可能是
转录因子的识别结合位点 . 为了确定识别这些模体
的转录因子, 使用 STAMP 工具将模体信息转换成转录
因子信息, 从而确定一个基因启动子上可能结合的转录
因子(具体流程见图 1). 经过分析, 共预测到 2268 对模
式植物拟南芥代谢通路表达转录因子与其靶基因之
间的调控关系.


图 1 构建调控网络流程图

2.3 高可信度的基因调控关系
为了进一步提高结果的准确性 , 我们使用
ATTED-Ⅱ数据库中的基因共表达数据对以上的结果
进行筛选, 根据材料与方法(ⅴ)中的筛选条件, 得到
了 91对高可信度的转录调控关系(网络版附录 2). 对
预测出来的调控关系一共包含了 96 个基因, 通过检
索转录因子数据库AGRIS 后, 发现有 21个编码转录
因子的基因(网络版附录 3). 同时, 利用 pajek网络分
析软件(http://vlado.fmf.uni-lj.si/pub/networks/pajek/)将
这 91对转录调控关系绘制成了可视化的图形(图 2).

表 1 实验结果
启动子序列长度 motif的个数 预测到总的转录调控关系的个数 包含已被实验验证的调控关系对个数
500 bp 基因个数除以 2 2268 4
500 bp 3 2153 2
500 bp 5 2259 4
1000 bp 基因个数除以 2 2067 0
1000 bp 3 2026 0
1000 bp 5 2045 0




3713
论 文


图 2 代谢通路下基因的调控网络
基因命名中 t和 g小写的表示转录因子, 大写的表示靶基因, 箭头表示转录因子和靶基因之间的调控关系

2.4 被实验验证的转录调控关系
我们从 AGRIS 数据库收集到了 348 对实验验
证的转录调控关系, 并将这些转录调控关系与我们
预测的结果进行比较. 结果表明, 在我们预测到的调
控关系中, 有 4 对调控关系被之前的实验所验证. 这
4 对调控关系是: E2Fa 调控 At2G21790, E2Fa 调控
At3G46940, HY5 调控 At5G38410, HY5 调控
At1G67090. 有研究发现, E2Fa和 HY5在拟南芥生长
过程中起着非常重要的作用, 其中异二聚体 E2F-DP
转录因子通过基因的调控转录来控制细胞周期, 而
这些基因是 DNA 复制和细胞周期不可缺少的[23]. 对
于哺乳类动物, E2Fs的 8个转录因子都已经被克隆并
注释. 在拟南芥基因组中, 人们也识别出了 3 个 E2F
(E2Fa, E2Fb, E2Fc)和 2个 DP (DPa, DPb)[23], 它们是
很重要的转录因子. 而 HY5 是拟南芥转录因子中注
释最详细的转录因子之一, 它是一个基本的亮氨酸
拉链类型的转录因子 , 也是一个光合作用的正向调
节元件[24]. 这些结果表明, 我们所预测的基因调控关
系有一定的准确性. 因此, 本研究所预测的拟南芥代
谢通路下基因调控网络将为研究代谢通路的作用提
供有意义的数据.
3 讨论
3.1 代谢通路下的基因
本文只下载了 TAIR网站上有关拟南芥的生物代
谢通路数据 , 这一数据并不能包含拟南芥所有的代
谢通路信息. 因此, 无法精确地预测拟南芥代谢通路
下基因的调控关系. 但是, 由于这些数据只是我们输
入 MEME 工具的原始数据, 从统计学意义上看, 一
组共表达基因(一条代谢通路)中个别基因的缺失, 对
模体预测的可靠性影响不大. 把所得到的 174条代谢
通路基因(174组共表达基因)作为整理后的最终结果,
以此为基础预测到 2268对基因调控关系, 其中 91对
为高可靠的调控基因对 . 在预测到的基因调控关系
中有 4对已被实验验证, 说明预测结果有一定的可靠
性, 为拟南芥生长发育的分子机理研究提供了有用
的参考信息. 在所预测出的 2268 对基因调控关系中,
有部分为功能未知基因 . 根据调控关系中的已知基
因功能, 可以预测未知基因的功能. 因此我们所构建
的基因调控网络也为拟南芥发育中未知功能基因的
研究提供了参考信息.



2009 年 12 月 第 54 卷 第 23 期
3714
3.2 预测结果的生物学意义
MapMan 根据代谢通路和生物学功能对拟南芥
蛋白质进行分类. 在第一层次, MapMan 将拟南芥基
因产物分为 35类, 其中第 27类包含绝大部分的转录
因子. 根据转录因子与被调控基因的关系发现: 在高可
信度的 91个基因对中, 大部分转录因子(除 At1g05560,
At3g24650 外)都处在 27.3 层, 而在 MapMan 的分层
说明里, 27.3这一层的蛋白质基本是转录因子.
转录因子既可以调控靶基因 , 也可以调控转录
因子 . 在 91 对高可信的基因对中 , 转录因子
At1g34310调控的基因为 19个, 转录因子 At2g32460
调控的基因为 17 个, 说明它们在拟南芥生长过程中
起着非常重要的作用. 在转录因子 At2g36010调控的
4个靶基因中, At2g21790和 At3g46940已被实验验证,
于是 , 我们可以预测另外两个基因 (At1g63660 和
At4g31810)与实验验证的靶基因有相似的基因功能.
在我们预测到的已被实验验证的 4 对调控关系
对中, 其中 HY5 调控的 At5g38410 和 At1g67090 这
两个基因均在光合作用这一代谢通路下, 与光合作
用中的蓝光、红光、远红光的反应都有密切的联系.
而光为光反应提供了能量来源. E2Fa调控的At2g21790
和 At3g46940 基因在花瓣分化和生长等多个发育阶
段表达, 其中, At2g21790基因参与 DNA复制和修复,
而 At3g46940基因参与 dUTP的代谢过程. 我们以附
录的形式给出这 4 个靶基因的功能以及在拟南芥生
长过程中发挥的作用(网络版附录 4).
3.3 文中研究方法的优点和缺点
相对实验方法 , 文章所采用的生物信息学方法
有着快速、高通量的优势, 可以建立一个大规模的基
因调控网络 . 与生物信息学中的反向工程的方法相
比, 避免了收集大量的基因表达数据的困难. 但是我
们所使用的方法亦存在着许多不足之处: 首先, 由于
拟南芥代谢通路数据不足 , 目前启动子上模体的预
测算法的准确率还不够高 , 假阳性结果较多; 其次,
由于缺乏足够的拟南芥转录调控实验数据 , 难以对
生物信息学的预测结果进行全面的评估. 尽管如此,
本研究方法仍然能预测已知调控关系中的 4对, 表示
该方法有一定的准确性 , 该方法可以为拟南芥其他
生物学过程分子机理研究和构建基因调控网络提供
一种新的研究思路.

参考文献
1 Matthews L, Gopinath G, Gillespie M, et al. Reactome knowledgebase of human biological pathways and processes. Nucleic Acids Res,
2009, 37(Database issue): D619―D622
2 Kanehisa M, Araki M, Goto S, et al. KEGG for linking genomes to life and the environment. Nucleic Acids Res, 2008, 36(Database
issue): D480―D484
3 Caspi R, Foerster H, Fulcher C A, et al. The MetaCyc Database of metabolic pathways and enzymes and the BioCyc collection of Path-
way/Genome Databases. Nucleic Acids Res, 2008, 36(Database issue): D623―D631
4 Krull M, Pistor S, Voss N, et al. TRANSPATH: An information resource for storing and visualizing signaling pathways and their pa-
thological aberrations. Nucleic Acids Res, 2006, 34(Database issue): D546―D551
5 Swarbreck D, Wilks C, Lamesch P, et al. The Arabidopsis Information Resource (TAIR): Gene structure and function annotation. Nu-
cleic Acids Res, 2007: 1―6
6 Jong H D. Modeling and simulation of genetic regulatory systems: a literature review. J Comput Biol, 2002, 9: 67―103
7 Espinosa-Soto C, Padilla-Longoria P, Alvarez-Buylla E R. A gene regulatory network model for cell-fate determination during Arabi-
dopsis thaliana flower development that is robust and recovers experimental gene expression profiles. Plant Cell, 2004, 16: 2923―2939
8 Keurentjes J J B, Fu J, Terpstra I R, et al. Regulatory network construction in Arabidopsis by using genome-wide gene expression
quantitative trait loci. Proc Natl Acad Sci USA, 2007, 104: 1708―1713
9 Lackner D H, Beilharz T H, Marguerat S, et al. A network of multiple regulatory layers shapes gene expression in fission yeast. Mol
Cell, 2007, 26: 145―155
10 McAdams H H, Shapiro L. A bacterial cell-cycle regulatory network operating in time and space. Science, 2003, 301: 1874―1877
11 Mathur D, Danford T W, Boyer L A, et al. Analysis of the mouse embryonic stem cell regulatory networks obtained by ChIP-chip and
ChIP-PET. Genome Biology, 2008, 9: R126
12 Tsai H K, Lu H H, Li W H. Statistical methods for identifying yeast cell cycle transcription factors. Proc Natl Acad Sci USA, 2005, 102:
13532―13537
13 Wei H, Persson S, Mehta T, et al. Transcriptional coordination of the metabolic network in Arabidopsis. Plant Physiol, 2006, 142:




3715
论 文
762―774
14 Srinivasasainagendra V, Page G P, Mehta T, et al. CressExpress: A tool for large-scale mining of expression data from Arabidopsis.
Plant Physiol, 2008, 147: 1004―1016
15 Obayashi T, Hayashi S, Saeki M, et al. ATTED-II provides coexpressed gene networks for Arabidopsis. Nucleic Acids Res, 2009,
37(Database issue): D987―D991
16 Bailey T L, Williams N, Misleh C, et al. MEME: Discovering and analyzing DNA and protein sequence motifs. Nucleic Acids Res, 2006,
34(Web Server issue): W369―W373
17 Caselle M, Di Cunto F, Provero P. Correlating overrepresented upstream motifs to gene expression: A computational approach to
regulatory element discovery in eukaryotes. BMC Bioinformatics 2002, 3: 7
18 Mahony S, Benos P V. STAMP: A web tool for exploring DNA-binding motif imilarities. Nucleic Acids Res, 2007, 35(Web Sever issue):
W253―W258
19 Matys V, Fricke E, Geffers R, et al. TRANSFAC: Transcriptional regulation, from patterns to profiles. Nucleic Acids Res, 2003, 31:
374―378
20 Steffens N O, Galuschka C, Schindler M, et al. AthaMap: an online resource for in sillico transcription factor binding sites in the Ara-
bidopsis thaliana genome. Nucleic Acids Res, 2004, 32(Database issue): D368―D372
21 Palaniswamy S K, James S, Sun H. AGRIS and AtRegNet. A platform to link cis-regulatory elements and transcription factors into
regulatory networks. Plant Physiol, 2006, 140: 818―829
22 黄继风, 杨晶晶, 王冠, 等. 拟南芥花药表达基因调控关系的预测. 科学通报, 2008, 53: 2054―2059
23 Vandepoele K, Vlieghe K, Florquin K, et al. Genome-wide identification of potential plant E2F target genes. Plant Physiol, 2005, 139:
316―328
24 Gao Y, Li J, Strickland E, et al. An Arabidopsis promoter microarray and its initial usage in the identification of HY5 binding targets in
vitro. Plant Mol Biol, 2004, 54: 683―699