基因预测

快速概览

基因预测是从基因组序列中识别基因位置和结构的计算过程。真核生物基因常被内含子分割成外显子，需要专门的算法来识别基因边界和剪接位点。

统计方法基于基因组中编码区和非编码区的统计差异
相似性方法利用已知基因的蛋白产物作为模板
ORF、剪接位点和密码子偏好是关键特征
是基因组注释的核心步骤

所属板块 基础与数学

对象层、坐标系统、coverage 与概率图模型的共同语言。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

什么是基因预测

基因预测（gene prediction）是从基因组 DNA 序列中识别基因的过程。在原核生物中，基因通常是连续的编码序列，但在真核生物中，基因被内含子（introns）分割成外显子（exons），需要复杂的剪接过程。

为什么基因预测困难

人类基因组中只有约 3% 的序列编码蛋白质
基因结构复杂：外显子-内含子-外显子…
剪接信号弱且有噪声
不同物种的基因结构差异大

基因预测的两大路线

基因预测通常分为统计方法（Ab Initio） 和相似性方法（Similarity-based）。

1. 统计方法（Ab Initio Gene Prediction）

这类方法仅依靠基因组序列本身的统计特征，不依赖外部蛋白质或 cDNA 序列。

核心假设：编码区（外显子）和非编码区（内含子、基因间区）在统计学上存在显著差异（如密码子使用频率、GC 含量、六元组频率）。
主要技术：隐马尔可夫模型（HMM）。HMM 可以将基因结构（外显子、内含子、剪接位点）建模为”隐藏状态”，而观察到的 DNA 序列为”观测发射”。
优势：可以发现全新的、在数据库中没有同源物的基因。
局限：对剪接信号弱的基因预测准确率较低，且容易受到基因组噪声干扰。

2. 相似性方法（Similarity-based Gene Prediction）

利用已知的蛋白质序列或表达序列（EST/mRNA）作为模板。

核心假设：进化上相关的物种往往保留了相似的基因功能和序列。
主要技术：序列比对（如 BLAST）和剪接比对（Spliced Alignment）。
优势：准确率极高，特别是对于外显子/内含子边界的识别。
局限：只能预测与已知序列相似的基因；对于物种特异的新基因无能为力。

统计特征详解

密码子偏好（Codon Usage Bias）

虽然多种密码子可以编码同一种氨基酸，但不同物种对这些”同义密码子”的使用并不均衡。

六元组频率（Hexamer frequency）：连续两个密码子的出现频率在编码区有很强的统计偏好。
逻辑：如果一个长 ORF 的密码子组成与该物种已知的编码区特征高度一致，那么它极大概率是一个真实的外显子。

剪接信号识别

识别外显子与内含子的边界是真核生物基因预测的关键：

供体位点（Donor site）：外显子结束处，通常包含保守的 GT。
受体位点（Acceptor site）：内含子结束处，通常包含保守的 AG。
算法处理：通常使用位置权重矩阵（PWM）或复杂的神经网络来评分这些微弱的信号。

相似性预测与”剪接比对”

相似性方法利用已知基因的蛋白产物作为模板。

基因比对

将已知蛋白序列与目标基因组比对，寻找相似片段。

挑战：

蛋白序列比基因组序列长 3 倍
内含子中断编码序列
进化距离导致序列差异

剪接比对

解决内含子问题的算法：

将蛋白序列转换为所有可能的编码路径
在基因组中寻找这些路径的片段
连接片段形成完整基因结构

基因预测工具

原核生物工具

GeneMark：基于 HMM 的统计方法
Glimmer：迭代改进的基因预测

真核生物工具

GENSCAN：经典 HMM 方法，准确率约 80%
Augustus：基于证据的预测
GeneWise：相似性方法

比较基因组学

利用多个物种的基因组比较来改进预测：

保守区域更可能是功能性的
剪接位点在进化中更保守

评估基因预测

标准指标

灵敏度：正确预测基因的比例
特异度：预测基因中正确基因的比例
准确率：外显子级别的预测准确性

基准数据集

EGASP：人类基因组注释评估
GENCODE：ENCODE 项目的一部分

应用

基因组注释：为新测序基因组添加基因信息
比较基因组学：识别物种特异基因
功能基因组学：理解基因调控网络
医学应用：识别疾病相关基因变异

外显子（Exon）: 基因中编码蛋白质的序列片段，最终在 mRNA 中连接在一起。
内含子（Intron）: 基因中的非编码序列，在 mRNA 加工过程中被剪接掉。
开放阅读框（ORF）: 从起始密码子到终止密码子的连续编码序列。
剪接位点（Splice Site）: 内含子与外显子的交界处，通常有保守的序列模式。
隐马尔可夫模型（HMM）: 用于基因预测的概率模型，将基因结构建模为状态序列。

常见误区

长的 ORF 一定是真实基因：
ORF（开放阅读框）只是基因存在的必要条件，远非充分条件。随机 DNA 中也会出现较长的偶然 ORF；反之，真实基因可能因为测序或组装错误而不形成完整 ORF。特别是在真核生物中，基因被内含子分割，简单的 ORF 扫描几乎无法工作。
统计方法和相似性方法选一个就够了：
两类方法各有盲区：统计方法可能发现全新基因但准确率有限；相似性方法准确率高但只能找到有已知同源物的基因。现代基因预测工具（如 Augustus、GENSCAN）通常将两者结合，再加上 RNA-seq 等转录组证据，才能获得可靠的注释结果。
基因预测结果可以直接当作"真值"使用：
基因预测输出的是"模型下最合理的解释"，而非实验验证的事实。即使最好的 ab initio 预测工具，在外显子边界、起始位点等细节上也经常出错。实际注释流程中，预测结果通常需要人工审查或与实验证据交叉验证。