原核生物基因組預(yù)測(cè)模型性能比較研究.pdf

1、隨著基因測(cè)序技術(shù)的飛速發(fā)展，我們獲得的生物全基因組序列的數(shù)據(jù)是呈現(xiàn)爆發(fā)式增長(zhǎng)的。對(duì)DNA序列進(jìn)行分析，首先要進(jìn)行基因識(shí)別的工作，傳統(tǒng)的實(shí)驗(yàn)驗(yàn)證方法由于識(shí)別速度緩慢已經(jīng)不能滿足這一需求。因此，一系列相關(guān)的基因組預(yù)測(cè)工具應(yīng)運(yùn)而生，Prodigal、ZCURVE、GeneMark和 GLIMMER就是其中比較優(yōu)秀的代表。由于種種原因或者在技術(shù)原理上的缺陷，這些基因組預(yù)測(cè)工具的預(yù)測(cè)結(jié)果都會(huì)存在著預(yù)測(cè)了錯(cuò)誤的基因或者遺漏了具有蛋白編碼功能的ORF

2、s的情況，在不同GC含量生物上的表現(xiàn)也不盡相同。我們需要對(duì)這些基因組預(yù)測(cè)工具的性能作一個(gè)客觀有效的評(píng)價(jià)，同時(shí)在針對(duì)不同的生物DNA序列進(jìn)行基因組預(yù)測(cè)工作中為我們選擇最優(yōu)的基因組預(yù)測(cè)工具組合提供理論依據(jù)。
　　本文的研究工作針對(duì)以上的問(wèn)題首先從最新的 NCBI的基因組數(shù)據(jù)庫(kù)中按照GC含量的分布抽取了150個(gè)生物的DNA序列和基因注釋信息。這些已有的注釋信息中同樣存在著遺漏或者錯(cuò)誤的信息，我們對(duì)這150個(gè)生物都進(jìn)行了基因重注釋的工作，

3、查找其中遺漏的新基因，同時(shí)排除掉其中的非編碼ORFs。這些經(jīng)過(guò)更新過(guò)的注釋結(jié)果將作為我們測(cè)試比較這四個(gè)基因組預(yù)測(cè)工具性能的數(shù)據(jù)。
　　在獨(dú)立模型預(yù)測(cè)結(jié)果的對(duì)比中，我們發(fā)現(xiàn)Prodigal的整體表現(xiàn)最佳，在不同的GC含量上的性能具有很高的一致性。GLIMMER在低 GC含量區(qū)間(0.10-0.35)上表現(xiàn)最佳，在高GC含量區(qū)間(0.35-0.75)上表現(xiàn)一般。ZCURVE預(yù)測(cè)結(jié)果的額外預(yù)測(cè)率EPR在GC含量區(qū)間(0.35-0.55)

4、上性能突出。
　　我們還探索了在不同 GC含量生物上進(jìn)行基因組預(yù)測(cè)的最優(yōu)的預(yù)測(cè)工具組合，通過(guò)130個(gè)生物作為訓(xùn)練集，20個(gè)生物作為測(cè)試集，我們發(fā)現(xiàn)Prodigal加GeneMark，Prodigal加GLIMMER和GeneMark加GLIMMER這三個(gè)組合的效果是最佳的。通過(guò)對(duì)比，我們發(fā)現(xiàn)聯(lián)合預(yù)測(cè)的結(jié)果在準(zhǔn)確度和額外預(yù)測(cè)率EPR這兩個(gè)參數(shù)上全面超過(guò)了獨(dú)立預(yù)測(cè)工具的中的最佳結(jié)果。
　　最后，基于本文的研究結(jié)果，我們還開發(fā)了相