原核生物基因組預(yù)測模型性能比較研究.pdf

1、隨著基因測序技術(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)式增長的。對DNA序列進(jìn)行分析，首先要進(jìn)行基因識別的工作，傳統(tǒng)的實驗驗證方法由于識別速度緩慢已經(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)測工具的預(yù)測結(jié)果都會存在著預(yù)測了錯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。我們需要對這些基因組預(yù)測工具的性能作一個客觀有效的評價，同時在針對不同的生物DNA序列進(jìn)行基因組預(yù)測工作中為我們選擇最優(yōu)的基因組預(yù)測工具組合提供理論依據(jù)。
　　本文的研究工作針對以上的問題首先從最新的 NCBI的基因組數(shù)據(jù)庫中按照GC含量的分布抽取了150個生物的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誤的信息，我們對這150個生物都進(jìn)行了基因重注釋的工作，

3、查找其中遺漏的新基因，同時排除掉其中的非編碼ORFs。這些經(jīng)過更新過的注釋結(jié)果將作為我們測試比較這四個基因組預(yù)測工具性能的數(shù)據(jù)。
　　在獨(dú)立模型預(yù)測結(jié)果的對比中，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)測結(jié)果的額外預(yù)測率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)測的最優(yōu)的預(yù)測工具組合，通過130個生物作為訓(xùn)練集，20個生物作為測試集，我們發(fā)現(xiàn)Prodigal加GeneMark，Prodigal加GLIMMER和GeneMark加GLIMMER這三個組合的效果是最佳的。通過對比，我們發(fā)現(xiàn)聯(lián)合預(yù)測的結(jié)果在準(zhǔn)確度和額外預(yù)測率EPR這兩個參數(shù)上全面超過了獨(dú)立預(yù)測工具的中的最佳結(jié)果。
　　最后，基于本文的研究結(jié)果，我們還開發(fā)了相