メタゲノム配列におけるab initio遺伝子識別

微生物コミュニティのショットガンシーケンシングから得られたDNA配列における遺伝子識別のためのアルゴリズムを説明します。匿名の起源を持つ短いヌクレオチド配列における正確なab initio遺伝子予測は、モデルパラメータの不確実性によって妨げられます。この困難を回避するためのいくつかの機械学習アプローチが提案される可能性がありますが、1つの効果的な方法は、タンパク質コーディング領域におけるオリゴヌクレオチドの頻度とゲノムのヌクレオチド組成との間の進化によって形成された依存性からパラメータを推定することです。この方法のオリジナル版は1999年に提案され、それ以降、(i)ウイルスゲノムにおける遺伝子探索に必要なコドン頻度ベクトルの再構築および(ii)自己訓練遺伝子探索アルゴリズムのパラメータの初期化に使用されてきました。新しい原核生物のゲノムが大量に出現したことで、オリジナルのアプローチを直接多項式およびロジスティック近似を用いて強化したり、細菌と古細菌のためのモデルを分離したりすることが可能になりました。これらの進展により、モデル再構築の精度が向上し、結果的に遺伝子予測も改善されました。洗練された方法を説明し、短い配列に分割された既知の原核生物ゲノムに対するその精度を評価します。また、新しい方法の適用の結果として、数千の新しい遺伝子が複数のヒトおよびマウスの腸メタゲノムの既存のアノテーションに追加される可能性があることを示します。