摘要：目的对五加科药用植物的鲨烯合酶（squalenesynthase，SS）进行适应性进化分析。方法利用PAML软件的分支模型、位点模型、分支-位点模型以及MEC模型、SLAC、FEL和REL等方法对五加科7种药用植物的23条SS基因进行适应性进化分析。结果在PAML与MEC模型的分析中发现多数分支与位点处于较强的负选择下，未发现正选择位点；通过SLAC、FEL和REL分析同样显示存在大量的负选择位点，仅P、N、K为正选择位点。结论负选择对五加科SS基因起主导作用，而发现的P、N、K位点可能与SS的活性有关。
五加科（Araliaceae）全科约有80属余种，我国有21属种[1]，药用价值丰富，共种植物可药用，其中不乏人参PanaxginsengC.A.Mey.、三七P.notoginseng(Burk.)F.H.Chen和刺五加Eleutherococcussenticosus(Rupr.Maxim.)Harms等名贵药材。多数具有抗衰老、调血脂、滋补、活血补气、利脾补肾等药理活性[2]。其中三萜皂苷类化合物是其主要有效活性成分之一，具有极高的经济与药用价值[3]。药用植物在长期的生物进化历程中，因不同环境的选择使其产生与相应环境高度适应的次生代谢产物，如五加科中的萜类化合物等，这些次生代谢产物往往能增强植物自身抵御逆境的能力或能更好地繁育后代[4]。一般认为包括催化药用植物次生代谢产物生物合成的关键酶在内的重要蛋白质所承受的选择压力也会较强[5]。在分子水平度量选择压力时，可通过估算蛋白编码基因序列的核苷酸非同义替换率（dN）与同义替换率（dS）的比值（ω）来推测出其进化趋势与所经受的选择压力。当dN＝dS，即ω＝1，表现为中性选择；当dN＜dS，即ω＜1，表明受到负选择；当dN＞dS，即ω＞1，表明出现了正选择。若ω显著大于1可被视作蛋白质发生适应性进化的证据[6]。同时，通过对蛋白质进行适应性进化分析还可为识别重要的氨基酸结构和功能位点提供信息[7]。
鲨稀合酶（squalenesynthase，SS）是催化三萜皂苷生物合成第一步酶促反应的重要调控酶，催化2分子的法呢基焦磷酸（farnesyldiphosphate，FPP）产生1分子的鲨烯，是引导产物进入三萜皂苷类化合物合成途径的关键酶之一[8]。随着生物技术的不断成熟，通过对SS基因的表达调控提高三萜类皂苷产量的研究逐步成为热点[9]。但五加科药用植物SS的适应性进化特点及重要的氨基酸结构和功能位点等尚未有系统分析。本实验利用（PAML，phylogeneticanalysisbymaximumlikelihood）软件中的分支、位点、分支-位点模型，同时结合MEC模型、随机效应似然法REL、固定效应似然法对五加科药用植物的SS基因序列进行适应性进化分析，以期为深入认识五加科药用植物三萜类物质生物合成途径的进化及通过生物技术手段改良SS基因，提高三萜皂苷的含量等提供理论和技术基础。
1材料与方法
1.1序列数据及系统发育树的构建
本研究所用五加科SS基因序列均为GenBank数据库中已测序发表的五加科植物的SS基因序列。以木榄Bruguieragymnorrhiza(L.)Poir.的SS基因序列为外类群，共计24条序列（表1）。
使用ClustalW软件对五加科植物的SS基因序列进行比对，使用DAMBEv5.3.48检测比对序列的置换饱和度，通过Jmodeltest2.1.7计算获得最佳氨基酸序列进化模型，进而作为构建发育树的参数设定。利用软件PhyML3.0构建[14]五加科药用植物SS基因序列的系统发育树。
1.2进化分析
根据上述得到的系统发育树，利用基于机理式模型的PAML软件中Comdelc程序[15]的分支模型、位点模型、分支位点模型对五加科的SS基因在进化过程中所受到的选择压力进行分析。
分支模型[16]允许不同的分支存在不同的ω值。采用单一比率（oneratio）模型假定进化树上所有分支的ω比值都一致，即为ω0；自由比率（freeratio）模型作为最全面的模型则允许不同分支存在不同的ω比值，同时还通过二比率（tworatio）模型假设特定前景支ω值与背景支不同，通过两模型进行LRT检验，得到两者是否存在差异。位点模型[17]假设不同位点的ω值不同，而树上的各分支ω值并无差异。此次研究采用3对模型，即M1a（近中性）对M2a（选择），M0（单一比值）对M3（离散），M7（beta）对M8（betaω）[16,18]。对3对模型进行LRT检验确定模型之间是否存在差异。其中M0对M3的比较是为了验证不同位点的ω值是否不同，而并非为了检测证选择位点。而M7（beta）对M8（betaω）易出现假阳性结果，所以本实验组以M1a（近中性）对M2a（选择）的检验结果为可能的正选择位点。分支-位点模型[19]为了检测特定分支是否有存在正选择位点，将发育树分为前景支与背景支。为了减少假阳性结果出现的可能，采用分支-位点模型A的TEXT2鉴别特定前景分支的正选择位点[11]。
此外，将序列数据提交到Datamonkey（
本文编辑：佚名
转载请注明出地址 http://www.hantaoyea.com/cwgj/7159.html
