漫天繁星，你却只寻找那偏爱的motif…

一致性序列

如果基因组DNA是生命的设计图，那转录因子（再加上核酸酶等）就像小黄人一样，将各个重要部件解构出来。然而转录因子数量众多、功能不同，他们如何知道自己应该结合于基因组的位置，这就得依靠DNA序列motif来标识。下图即是CTCF的结合位点motif序列：

其中各个碱基高高低低的不同，反映了其出现的频率、保守性、对蛋白的亲和力等，并通过信息量（熵）的角度予以呈现（fb,i表示碱基b在位置i出现的频率，pb表示碱基b在基因组内的背景概率，通常要考虑保守性、GC含量等）：

找到它们

通过motif序列，我们可以研究相应转录因子的功能，预测潜在的结合位点等等，因而搜索、计算出motif，成为转录因子研究的重要一步。

最直观的算法就是枚举，即把所有序列中的所有k-mer找出来，看看谁出现的次数最多。当然这样做对于数学家来说是不可接受的，于是有了诸如确定性最优化、概率最优化等方法，相关的软件也出了很多（上面的motif序列就是用MEME计算得到的），但谁才是最好的一直没有定论。也许是因为现在的数学模型对生物学问题的模拟还不够，不同的软件、算法总是对不同的数据集有效。对生物学家来说，目前的解决办法只能是：“多试试…”

反复出现必有因

Motif的概念并不局限于基因组DNA，RNA和蛋白质序列也可以抽提出相应的motif，重要的是我们如何理解其生物学意义。

解析序列信息，就像是解析一份密码、翻译一部外文书，大量重复出现的词语很多，身份意义却不同，有的可能起到结构性作用如“的地得”，有的指代明确如“中国美国俄罗斯”，有的则多词同义如“妈妈母亲额吉额娘”。从生物学的角度看待序列motif，就需要注意其生化特性、进化特点。比如转录因子的结合位点，其motif往往意味着某蛋白结构域与DNA碱基序列的相互作用，故有时需要特定的碱基组合，有时仅需要具相似生化特性的碱基组合。而同时，序列的进化保守性在其中的意义也需要进一步的思考，比如基因组内大量重复元件（repeat elements）存在的目的是什么，荒漠？残留？随机？结构组件？太多未知的因素需要探索，但存在即是合理，我们需要的是用更多角度来看待问题。

原文链接https://wenlongshen.github.io/2017/01/22/DNA-Motif/