Descubriendo múltiples motivos realistas de sitios de unión de factores de transcripción basados en un modelo generalizado

ANTECEDENTES: La identificación de sitios de unión de factores de transcripción (TFBSs) es un problema central en bioinformática sobre regulación genérica. El descubrimiento de motivos de novo sirve como una forma prometedora de predecir y comprender mejor los TFBSs para verificaciones biológicas. Los TFBSs reales de un motivo pueden variar en sus anchos y en sus grados de conservación dentro de un cierto rango. Decidir un único ancho de motivo mediante modelos existentes puede ser sesgado y engañoso. Además, se desean y son necesarias múltiples candidaturas de motivos, posiblemente superpuestos, para la verificación biológica en la práctica. Sin embargo, las técnicas actuales prohíben TFBSs superpuestos o carecen de control explícito sobre diferentes motivos. RESULTADOS: Proponemos un nuevo modelo generalizado para abordar los anchos de motivo considerando y evaluando simultáneamente un rango de interés, lo que debería abordar mejor la incertidumbre del ancho. Además, se propone un marco de meta-convergencia para algoritmos genéticos (GAs) que proporciona múltiples motivos óptimos superpuestos al mismo tiempo de manera efectiva y flexible. Los usuarios pueden especificar fácilmente la diferencia entre los tipos de motivos esperados a través de una prueba de similitud. Incorporando el Algoritmo Genético con Filtrado Local (GALF) para la búsqueda, se propone el nuevo algoritmo GALF-G (G por generalizado) basado en el modelo generalizado y el marco de meta-convergencia. CONCLUSIÓN: GALF-G se probó extensamente en más de 970 conjuntos de datos sintéticos, reales y de referencia, y generalmente es mejor que los métodos de vanguardia. El modelo de rango muestra un aumento en la sensibilidad en comparación con los de ancho único, mientras que proporciona precisiones competitivas en el referente de E. coli. La eficacia puede mantenerse incluso utilizando una población muy pequeña, exhibiendo una eficiencia muy competitiva. En el descubrimiento de múltiples motivos superpuestos en un conjunto de datos específicos del hígado real, GALF-G supera a MEME hasta en un 73% en los puntajes F generales. GALF-G también ayuda a descubrir un motivo adicional que probablemente no ha sido anotado en el conjunto de datos.