简单介绍基因预测方法

现如今随着测序技术的发展，组装一个完整的基因组也是越来越普遍，价格已经不像前些年那样昂贵（当然超大基因组除外），待基因组组装完成后，基因预测将会是接下来需要进行的一个重要工作（虽然能编码的基因相对于整个基因组只是占了很小一部分），但通过这些基因结合一些近缘物种，还是能挖掘一些比较有意思东西，如物种进化等。那么接下来小编就给简单介绍一些基因预测方面方法。

目前，基因组预测策略大致可以分为三种：Ab initio、Homology-based和EST/Unigene。

从头预测

Ab initio主要通过探索DNA序列中特异的区域，如基因的起始区域和终止区域，来进行基因预测。目前常用的软件有Augustus、GlimmerHMM、SNAP、GeneID、GenScan、Brak等。

Augustus运用隐马尔科夫模型，模型在DNA序列和基因结构上定义一个概率分布，采用维特比的算法，它自身带了一个训练集，如人、斑马鱼等。在进行预测是可以选择自带的训练集，也可以用挑选转录组和同源预测最优结果给它生成一个训练集。这里顺带说下Braker软件，它是基于genemaker预测结果作为训练集，通常小编Augustus和Braker会二选一。

GlimmerHMM是把一个基因看做几种特征序列，这些特征序列包括内含子、基因间区和四种外显子(初始、中间、最终和单一外显子)之后进行有序切换形成马尔科夫链。示意图如下：

GlimmerHMM使用的模型基于以下几个假设: 

- 假设每个基因都开始于起始密码子ATG
- 假设每个基因阅读框内除最后一个密码子外没有终止密码子（no in-frame stop codons）。
- 每个外显子与前一个外显子在同一个阅读框中。（翻译阅读时外显子间没有移框）.

它也是需要一个训练集，通常也是自己生成一个训练集的效果会略优于已有的一些。(http://ccb.jhu.edu/software/glimmerhmm/man.shtml)

SNAP通过隐马尔科夫模型进行预测，也是需要一个训练集。

以上这些软件都可以自身构建一个训练集，这里小编觉得毕竟还是用自己的东西舒服，也就是自身训练结果要稍微优于其他模式生物训练集。这里小编在做真菌时，从头软件一般会选取这三个，GenScan和GeneID就放弃掉了，动植物基因组通常就是多多益善吗，能用上就都给用上。

GenScan也是一款比较经典软件，通常在预测真核生物(人)还是有不错的效果。

GeneID可以算是元老级，第一代的基因识别软件，这个准确率不高，通常在整合是权重也不会给太高。

同源预测

同源预测软件通常利用GeneWise和GeneMoMa，前者是需要同源物种的蛋白序列，后者需要同源物种基因组序列及对应的GFF文件，目前小编已经抛弃GeneWise，使用最多的就是GeneMoMa，但是让小编十分头疼的是在准备GFF文件太花费精力，这个软件真的是挑肥拣瘦，必须满足其格式才能可以运行，目前从NCBI的Reseq和Ensemble上下载都可以，其他地方来的那就得还点时间写个脚本改下了。

转录组数据预测

PASA软件是基于Unigene/EST序列进行预测软件，这个可能就需要拿到一个混样转录组数据首先进行无参组装，接下来根据Unigene组装结果在进行比对，通常用Gmap或Blat两种方法，最好三代全长转录本和二代一起来进行预测，这样可以使得找到的结构更为准确、可靠，此外PASA还有另外的一个功能就是可以用其预测可变剪切，俗称PASA修饰。

最终结果整合

这么多软件跑出来的结果，有的可靠性高些，比如转录组和同源；有一些要稍微差一些如GeneID，那么就需要一个软件将这些结果进行一个整合，通俗些就是大家放到一起比较下，看下各个软件预测结果分布情况，本着以少数服从多数原则(这里只是简单比喻下莫要当真)，根据权重打分，使用EVM软件得到一版最终结果，目前小编用到最多的就是EVM真菌、植物或动物统统可以搞定，用过一段时间Glean，感觉在整合超大基因时，容易成多个(或许是参数没有调整合理)。

总结：

上面就是小编在进行基因预测时的一些软件使用心得，还有是再做一些研究比较多的物种比如水稻等，那同源权重一定要调高，毕竟人家预测出来的经过验证的，在我们的结果中理论上是应该存在，这样才能说明我们预测结果是靠谱的嘛；如果研究不是很多，同源比较少，那可以适当调高从头软件权重，主要应该以转录组为核心。