DNA注釈

分子生物学と遺伝学において、DNAアノテーションまたはゲノムアノテーションとは、ゲノムの構成要素の構造と機能を記述するプロセスであり、^[2]それらを分析および解釈して、それらの生物学的意義を抽出し、それらが関与する生物学的プロセスを理解する。^[3]とりわけ、ゲノム内の遺伝子の位置とすべてのコード領域を特定し、それらの遺伝子が何をするかを決定する。^[4]

アノテーションはゲノムの配列が決定され、アセンブルされた後に行われ、配列がデータベースに登録され、公開された論文で説明される前のゲノム解析の必要なステップです。個々の遺伝子とその産物または機能の説明は、この説明をアノテーションと見なすのに十分ですが、さまざまなゲノムについて文献で報告されている分析の深さは大きく異なり、いくつかの報告では単純なアノテーションを超えた追加情報が含まれています。^[5]さらに、配列決定されたゲノムのサイズと複雑さのため、DNAアノテーションは手動では行われず、代わりに計算手段によって自動化されています。ただし、得られた結果から導き出された結論には、専門家による手動の分析が必要です。^[6]

DNAアノテーションは、ゲノム内の要素を識別して区別する構造アノテーションと、これらの要素に機能を割り当てる機能アノテーションの2つのカテゴリに分類されます。 ^{[7]これは分類方法が唯一の方法ではなく、次元ベース[8]}やレベルベース^[3]の分類など、いくつかの代替案も提案されています。

第一世代のゲノムアノテーターは、局所的なアブイニシオ法を使用していました。これは、DNA配列から局所的な規模、つまり一度に1つのオープンリーディングフレーム（ORF）で抽出できる情報のみに基づいています。 ^{[9] [10]これらは、1970年代後半に開発された}マクサム-ギルバート法とサンガー法の DNAシーケンシング技術によって生成された膨大な量のデータを処理するために必要として登場しました。 シーケンシングリード分析に使用された最初のソフトウェアは、1977年にロジャー・シュターデンによって作成されたシュターデンパッケージです。 ^{[11]これは、}塩基数やコドン数など、アノテーションに関連するいくつかのタスクを実行しました。 実際、コドン使用頻度は、いくつかの初期のタンパク質コード配列（CDS）予測方法で使用された主な戦略であり、 ^{[12] [13] [14]}ゲノムで最も翻訳されている領域には、対応するtRNA （タンパク質合成中にアミノ酸をリボソームに運ぶ分子）が最も豊富に含まれるコドンが含まれており、より効率的な翻訳が可能になるという仮定に基づいています。^{[15]これは}同義コドンの場合にも当てはまることが知られており、同義コドンは低レベルで発現するタンパク質によく存在する。^{[13] [16]}

1990 年代に完全なゲノムが出現し (最初のものは1995 年に配列決定されたインフルエンザ菌のゲノム)、第 2 世代のアノテーターが導入されました。前世代と同様に、アノテーションはab initio方法で実行されましたが、今度はゲノム全体に適用されました。^{[9] [10]} マルコフモデルは、この世代のアノテーター内で使用される多くのアルゴリズムの原動力です。^{[17] [18]これらのモデルは、ノードがさまざまなゲノムシグナル (}転写開始部位や翻訳開始部位など) を表し、矢印が配列のスキャンを表す有向グラフと考えることができます。マルコフモデルがゲノムシグナルを確実に検出するには、まず一連の既知のゲノムシグナルでトレーニングする必要があります。^[19]アノテーションの文脈におけるマルコフモデルの出力には、ゲノムのあらゆる部分におけるあらゆる種類のゲノム要素の確率が含まれており、正確なマルコフモデルは正しいアノテーションに高い確率を割り当て、誤ったアノテーションには低い確率を割り当てます。^[20]

2000 年代前半から中頃には、より多くのゲノム配列が利用可能になり、実験的に得られた多数のタンパク質配列と相まって、ゲノム注釈者は相同性に基づく方法を採用し始め、第 3 世代のゲノム注釈を開始しました。これらの新しい方法により、注釈者は統計的手段 (以前の世代のように) を通じてゲノム要素を推測できるだけでなく、注釈を付ける配列を他の既存の検証済み配列と比較することでタスクを実行することもできるようになりました。これらのいわゆるコンバイナー注釈者は、アブ イニシオ注釈と相同性に基づく注釈の両方を実行しますが、相同性の領域を識別するために高速アライメントアルゴリズムが必要です。^{[2] [9] [10]}

2000年代後半、ゲノムアノテーションはDNAの非コード領域の特定へと焦点を移しました。これは、転写因子結合部位、DNAメチル化部位、クロマチン構造、その他のRNAおよび調節領域分析技術を分析する方法の登場により実現しました。他のゲノムアノテーターも、パンゲノムに代表される集団レベルの研究に焦点を当て始めました。これにより、たとえば、アノテーションパイプラインは、ある系統のコア遺伝子が同じ系統の新しいゲノムにも見つかることを保証します。両方のアノテーション戦略は、ゲノムアノテーターの第4世代を構成します。^{[9] [10]}

2010年代までに、1000人を超えるヒト個体（1000ゲノムプロジェクトを通じて）といくつかのモデル生物のゲノム配列が利用可能になりました。そのため、ゲノムアノテーションは、ヒトゲノムやその他のゲノムを研究する科学者にとって依然として大きな課題です。^{[21] [22]}

構造注釈は、オープンリーディングフレーム（ORF）、コーディング配列（CDS）、エクソン、イントロン、リピート、スプライス部位、調節モチーフ、開始コドンと終止コドン、プロモーターなど、ゲノム内のさまざまな要素の正確な位置を記述します。^{[6] [23]}構造注釈の主な手順は次のとおりです。

1. 識別とマスキングを繰り返します。
2. 証拠の調整（オプション）。
3. スプライスの識別（真核生物のみ）。
4. 特徴予測（コーディング配列と非コーディング配列）。

構造注釈の最初のステップは、反復配列の識別とマスキングです。反復配列には、複雑度の低い配列（AGAGAGAGやTTTTTTTTTTのような単重合セグメントなど）やトランスポゾン（ゲノム全体に複数のコピーを持つ大きな要素）が含まれます。^{[2] [24]}反復配列は、原核生物ゲノムと真核生物ゲノムの両方の主要な構成要素です。たとえば、原核生物ゲノムの0%から42%以上は反復配列で構成されており^{[25] 、}ヒトゲノムの4分の3は反復要素で構成されています。^[26]

反復配列の同定は、保存性が低いことと、その境界が明確に定義されていないことという2つの主な理由から困難である。このため、関心のあるゲノムに対して反復配列ライブラリを構築する必要があり、これは以下のいずれかの方法で行うことができる。^{[24] [27]}

• デノボ法。反復は、自己ゲノム比較において類似性が配列保存の最小閾値を超える異なる位置の配列のペアを検出してグループ化することによって識別されるため、反復構造または配列に関する事前情報は必要ありません。これらの方法の欠点は、トランスポゾンだけでなく、任意の反復配列を識別できることと、保存されたコード配列（CDS）が含まれる可能性があるため、これらの配列を除去するための慎重な後処理が不可欠なステップになることです。また、時間の経過とともに劣化した関連領域が除外され、進化の歴史に関係のない要素がグループ化される可能性があります。 ^[28]
• 相同性に基づく方法。繰り返しは、キュレーションされたデータベースに保存されている既知の繰り返しの類似性 (相同性) によって識別されます。これらの方法は、 de novo方法と比較して、より少ない量であっても実際のトランスポゾンを見つける可能性が高くなりますが、以前に識別されたファミリーに偏ります。
• 構造ベースの方法。反復は、反復や類似性ではなく、構造モデルに基づいて識別されます。この方法では、実際のトランスポゾンを識別できますが (相同性ベースの方法と同様に)、既知の要素によって偏ることはありません。ただし、反復の各クラスに非常に特異性があるため、普遍的に適用できるというわけではありません。
• 比較ゲノム法。繰り返しは、大きな挿入領域によって生成された複数の配列アラインメント内の 1 つ以上の配列の中断として識別されます。この戦略は、他の方法に存在する境界の定義が不十分な問題を回避しますが、アセンブリの品質と、問題のゲノム内のトランスポゾンの活性レベルに大きく依存します。

ゲノム内の反復領域が特定された後、それらはマスクされる。マスクとは、ヌクレオチドの文字（A、C、G、またはT）を他の文字に置き換えることを意味する。そうすることで、これらの領域は反復としてマークされ、下流の解析ではそれに応じて処理される。反復領域はマスクされていない場合、パフォーマンスの問題を引き起こす可能性があり、遺伝子注釈の誤った証拠を生成する可能性もある（たとえば、トランスポゾンのオープンリーディングフレーム（ORF）をエクソンとして扱う）^[24]置換に使用される文字に応じて、マスキングはソフトまたはハードに分類できます。ソフトマスキングでは、反復領域は小文字（a、c、g、またはt）で示されますが、ハードマスキングでは、これらの領域の文字はNに置き換えられます。このように、たとえばソフトマスキングを使用して単語の一致を除外し、それらの領域でアライメントが開始されないようにすることができます。また、ハードマスキングでは、これらすべてとは別に、マスクされた領域をアライメントスコアから除外することもできます。^{[29] [30]}

ゲノムマスキングの次のステップでは、通常、利用可能なすべての転写産物とタンパク質の証拠を分析されたゲノムと整合させること、つまり、注釈を付ける生物のすべての既知の発現配列タグ（EST）、RNA、およびタンパク質をゲノムと整合させることが含まれます。^[31]これはオプションですが、RNAとタンパク質はコード配列の直接的な産物であるため、遺伝子配列の解明を改善できます。^[19]

RNA-Seqデータが利用できる場合は、対応するゲノムにあるすべての遺伝子とそのアイソフォームに注釈を付けて定量化するために使用でき、それらの位置だけでなく発現率も提供できます。 ^[32]しかし、転写産物は、一部の遺伝子からは取得できない可能性があり、複数の遺伝子のオペロンをコードしている可能性があり、フレームシフトと翻訳開始因子のために開始コドンと終止コドンを決定できないため、遺伝子予測には不十分な情報を提供します。^[19]この問題を解決するために、質量分析から得られることが多い発現タンパク質からの情報を利用するプロテオゲノミクスベースのアプローチが採用されています。^[33]

真核生物ゲノムのアノテーションは、RNAスプライシング（転写後プロセスで、イントロン（非コード領域）が除去され、エクソン（コード領域）が結合される）のために、さらに困難を極めます。 ^[23]そのため、真核生物のコード配列（CDS）は不連続であり、正しく識別するには、イントロン領域をフィルタリングする必要があります。そのためには、アノテーション パイプラインがエクソンとイントロンの境界を見つける必要があり、この目的のために複数の方法が開発されています。1つの解決策は、既知のエクソン境界を使用してアライメントすることです。たとえば、多くのイントロンはGTで始まり、AGで終わります。^{[31]ただし、このアプローチでは新しい境界を検出できないため、既知のエクソン境界と}品質情報に基づいてトレーニングされ、新しい境界を予測する機械学習アルゴリズムなどの代替手段が存在します。 ^{[34]新しいエクソン境界の予測には通常、効率的なデータ圧縮とアライメントアルゴリズムが必要ですが、}シーケンスカバレッジが低い領域やシーケンス中に生成されるエラー率が高い領域にある境界では失敗する傾向があります。^{[35] [36]}

ゲノムはコーディング領域と非コーディング領域に分かれており、構造注釈の最後のステップはゲノム内のこれらの特徴を識別することです。実際、ゲノム注釈における主要なタスクは遺伝子予測であり、この目的のために数多くの方法が開発されてきました。^[19]遺伝子予測は誤解を招く用語であり、ほとんどの遺伝子予測子はコーディング配列（CDS）のみを識別し、非翻訳領域（UTR）を報告しません。このため、CDS予測がより正確な用語として提案されています。^{[24] CDS予測子は、}センサーと呼ばれる方法を使用してゲノムの特徴を検出します。センサーには、プロモーターやポリA部位などの機能部位シグナルを識別するシグナルセンサーや、 DNA配列をコーディングコンテンツと非コーディングコンテンツに分類するコンテンツセンサーが含まれます。^[37]原核生物のCDS予測子は主に開始コドンと終止コドンの間のDNAセグメントであるオープンリーディングフレーム（ORF）を扱いますが、真核生物のCDS予測子は、真核生物遺伝子の複雑な構成のために、より困難な問題に直面しています。^[3] CDS予測法は大きく3つのカテゴリーに分類できる: ^{[2] [31]}

• アブイニシオ法（統計的、固有、またはデノボとも呼ばれる）。CDS予測は、DNA配列から抽出できる情報のみに基づいています。隠れマルコフモデル（HMM）などの統計的手法に依存しています。いくつかの方法では、2つ以上のゲノムを使用して、ゲノムに沿った局所的な突然変異率とパターンを推測します。 ^[38]
• 相同性に基づく方法(経験的、証拠主導型、または外在的とも呼ばれます)。CDS 予測は、既知の配列との類似性に基づいています。具体的には、分析された配列と、発現配列タグ(EST)、相補 DNA (cDNA)、またはタンパク質配列とのアラインメントを実行します。
• コンバイナ。CDS 予測は、上記の両方の方法を組み合わせて行われます。

機能アノテーションは、構造アノテーションによって発見されたゲノム要素に機能を割り当てます。^[7]細胞周期、細胞死、発達、代謝などの生物学的プロセスに関連付けます。^[3]また、誤ってアノテーションされた可能性のある要素を識別することにより、追加の品質チェックとして使用することもできます。^[2]

遺伝子の機能アノテーションには、予測される機能的特徴に名前を付けるための制御語彙（またはオントロジー）が必要である。しかし、遺伝子機能を定義する方法は多数あるため、異なる研究グループがアノテーションプロセスを実行すると、そのプロセスが妨げられる可能性がある。そのため、標準化された制御語彙を採用する必要があり、その中で最も包括的なのが遺伝子オントロジー（GO）である。これは、機能特性を3つのカテゴリ（分子機能、生物学的プロセス、細胞成分）のいずれかに分類し、それらを有向非巡回グラフに整理する。有向非巡回グラフでは、すべてのノードが特定の機能であり、2つのノード間のすべてのエッジ（または矢印）が親子またはサブカテゴリ-カテゴリ関係を示す。^{[40] [41]} 2020年現在、GOは遺伝子の機能アノテーションで最も広く使用されている制御語彙であり、MIPS機能カタログ（FunCat）がそれに続いている。^[42]

機能注釈付けの従来の方法には、相同性に基づくものがあり、ローカルアラインメント検索ツールに依存しています。^[40]その前提は、2つのゲノム要素間の配列の保存性が高いということは、それらの機能も保存されていることを意味するというものです。パラロジー、オーソロジー、またはゼノロジーを通じて出現した相同配列のペアは、通常、同様の機能を果たします。ただし、オーソロジー配列は、次の2つの理由から注意して扱う必要があります。(1) 最初に注釈が付けられた時期に応じて名前が異なる場合があり、(2) 2つの異なる生物で同じ機能的役割を果たさない場合があります。注釈者は、パラロジー、オーソロジー、またはゼノロジーが見つからない場合に、類似の配列を参照することがよくあります。 ^[19]相同性に基づく方法には、データベースのエラー、感度/特異性の低さ、パラロジーと相同性の区別ができない、^[43]複雑性の低い領域の存在による人為的に高いスコア、タンパク質ファミリー内の大きな変動など、いくつかの欠点があります。^[44]

機能注釈は確率的手法で実行できます。親水性アミノ酸と疎水性 アミノ酸の分布は、タンパク質が溶液または膜のどちらに位置しているかを示します。特定の配列モチーフは、翻訳後修飾と特定のタンパク質の最終的な位置に関する情報を提供します。 ^[19]確率的手法は、GOなどの制御された語彙と組み合わせることができます。たとえば、タンパク質間相互作用（PPI）ネットワークは通常、同様の機能を持つタンパク質を互いに近くに配置します。^[45]

機械学習法は、GO用語に基づいて新規タンパク質の機能注釈を生成するためにも使用される。一般的には、各GO用語に対してバイナリ分類器を構築し、それらを結合して個々のGO用語の予測を行い（マルチクラス分類器を形成）、その後信頼スコアを取得する。サポートベクターマシン（SVM）は、機能注釈で最も広く使用されているバイナリ分類器であるが、 k近傍法（kNN）や畳み込みニューラルネットワーク（CNN）などの他のアルゴリズムも使用されている。^[40]

機能的アノテーションのためのバイナリまたはマルチクラス分類法は、GO用語間の相互関係を考慮していないため、一般的に精度の低い結果を生成します。これらの相互関係を考慮するより高度な方法は、フラットアプローチまたは階層的アプローチのいずれかによって行われますが、前者はオントロジー構造を考慮せず、後者は考慮するという点で区別されます。これらの方法の中には、GO用語を行列分解またはハッシュによって圧縮し、パフォーマンスを向上させるものもあります。^[42]

非コード配列（ncDNA）はタンパク質をコードしない配列である。これには、疑似遺伝子、分節重複、結合部位、RNA遺伝子などの要素が含まれる。^[28]

偽遺伝子は、タンパク質コード遺伝子の変異コピーであり、オープンリーディングフレーム（ORF）の破壊によりコード機能を失い、翻訳不可能になっている。^[28]偽遺伝子は、次の2つの方法のいずれかを使用して識別される可能性がある。^[46]

• 相同性に基づく方法。機能遺伝子に類似しているが、ORF に破壊を引き起こす変異を含む配列を検索することによって、疑似遺伝子が特定されます。この方法では、疑似遺伝子とその親遺伝子の進化的関係や、イベント発生後の経過時間を決定することはできません。
• 系統発生に基づく方法。疑似遺伝子は系統発生解析によって特定されます。まず、対象種の種樹と対象遺伝子（または遺伝子ファミリー）の系統樹が作成されます。次に、この 2 つを比較して、遺伝子を失った種を特定します。次に、遺伝子が見つからなかった種のゲノム内で、最も近い種で特定された遺伝子と相同な配列を検索します。最後に、この相同配列の ORF に破壊がある場合（およびRNA-Seqデータ解析、dN/dS 比などの他の基準を満たしている場合）、その配列は確かに疑似遺伝子であることを意味します。

セグメント重複とは、ゲノム内で90%以上の配列同一性を持って繰り返される1000塩基対以上のDNAセグメントである。その識別にはWGACとWSSDの2つの戦略が用いられる。^[47]

• 全ゲノムアセンブリ比較(WGAC)。共通の繰り返しを除外した後、繰り返しシーケンスを識別するためにゲノム全体をそれ自体にアラインメントします。アセンブリに元の読み取りを使用する必要はありません。
• 全ゲノムショットガン配列検出（WSSD）。これは、元の読み取りをアセンブルされたゲノムと整列させ、平均よりも高い読み取り深度を持つ領域を検索します。これは通常、重複のシグナルです。この方法で識別され、WGACでは識別されないセグメント重複は、おそらく崩壊した重複であり、つまり、誤って同じ領域に整列されたことを意味します。^[48]

DNA結合部位はゲノム配列中の特定のタンパク質と結合し相互作用する領域である。DNAの複製と修復、転写調節、ウイルス感染において重要な役割を果たしている。結合部位の予測には、次の2つの方法のいずれかを使用する。^[49]

• 配列類似性に基づく方法。既知の DNA 結合部位を持つ相同配列の識別、またはクエリタンパク質とのアラインメントによって行われます。DNA 結合配列の保存性が低いため、パフォーマンスは通常低くなります。
• 構造に基づく方法。タンパク質の 3 次元構造情報を活用して、DNA 結合部位の位置を予測します。

RNA 遺伝子によって生成される非コード RNA (ncRNA) は、タンパク質に翻訳されないタイプの RNA です。これには、tRNA、rRNA、snoRNA、microRNAなどの分子、および非コードmRNAのような転写産物が含まれます。単一ゲノム内の RNA 遺伝子のab initio予測では、多くの場合不正確な結果が得られます (miRNA は例外)。そのため、代わりにマルチゲノム比較法が使用されます。これらの方法は、ncRNA の二次構造に特に関係しています。ncRNA は、その配列が保存されていない場合でも、関連種では保存されているからです。したがって、複数の配列アライメントを実行することで、予測にさらに役立つ情報を得ることができます。相同性検索を使用して RNA 遺伝子を特定することもできますが、この手順は、特に真核生物では、多数の反復と擬似遺伝子が存在するため複雑です。^[50]

ゲノムブラウザでアノテーションを視覚化するには、各アノテーションのイントロン-エクソン構造、開始コドンと停止コドン、UTR、代替転写産物を記述した記述的な出力ファイルが必要であり、理想的には各遺伝子モデルをサポートする配列アライメントと遺伝子予測に関する情報も含める必要があります。アノテーションを記述するために一般的に使用される形式には、GenBank、GFF3、GTF、BED、EMBLなどがあります。^[24]これらの形式の一部では、制御された語彙とオントロジーを使用して記述用語を定義し、分析ツールと視覚化ツール間の相互運用性を保証しています。^[2]

ゲノムブラウザは、グラフィカルインターフェースを介して大規模なゲノム配列と注釈データの分析と視覚化を簡素化し、生物学的洞察を得るためのソフトウェア製品です。^{[52] [31] [53]}

ゲノムブラウザは、ウェブベースのゲノムブラウザとスタンドアロンのゲノムブラウザに分けられます。前者はデータベースの情報を利用し、複数種対応（複数の生物の配列と注釈を統合し、種間の比較分析を促進する）と種固有（1つの生物と特定の種の注釈に焦点を当てる）に分類できます。後者は必ずしも特定のゲノムデータベースにリンクされているわけではなく、ローカルコンピュータにアプリケーションとしてダウンロードしてインストールできる汎用ブラウザです。^{[54] [19]}

比較ゲノミクスは、ゲノム特性の類似点と相違点を特定し、生物間の進化的関係を調べることを目的としています。^[55] 2つ以上のゲノム間の比較行動を示すことができる視覚化ツールはこのアプローチに不可欠であり、比較ゲノム間の関係の表現に基づいて3つのカテゴリに分類できます。^[19]

• ドット プロット:このスキームでは、2 つのゲノムのアラインメントのみを表示できます。1 つのゲノムは水平軸に沿って表され、もう 1 つのゲノムは垂直軸に沿って表され、プロット内のドットは、これら 2 つの注釈間で類似しているゲノム要素を表します。
• 線形表現:この表現では、複数の線形トラックを使用して複数のゲノムとその特徴を表します。ここで、「トラック」とは、ゲノム位置における特定のタイプのゲノム特徴を指す概念です。
• 円形表現:この表現は、微生物またはウイルスのゲノム全体の比較を容易にします。この視覚化モードでは、同心円と円弧を使用してゲノムセクションを表します。

配列アセンブリの品質はアノテーションの品質に影響を与えるため、後続のアノテーション手順を実行する前にアセンブリの品質を評価することが重要です。^[31] ゲノムアノテーションの品質を定量化するために、再現率、精度、正確度の3つの指標が使用されていますが、これらの指標はアノテーションプロジェクトでは明示的に使用されていませんが、予測精度の議論で使用されています。^[56]

コミュニティアノテーションアプローチは、ゲノムアノテーションの品質管理と標準化のための優れた技術です。2002年に行われたアノテーションジャンボリーは、サンガー研究所のヒトおよび脊椎動物分析プロジェクト（HAVANA）で使用されるアノテーション標準の作成につながりました。^{[57] [20]}

アノテーション プロジェクトは、生物のゲノムの以前のアノテーションに依存することが多いが、これらの古いアノテーションには、新しいアノテーションに伝播する可能性のあるエラーが含まれている可能性がある。新しいゲノム解析技術が開発され、より豊富なデータベースが利用可能になると、一部の古いゲノムのアノテーションが更新される可能性がある。再アノテーションと呼ばれるこのプロセスは、遺伝子やタンパク質の機能に関する詳細など、ゲノムに関する新しい情報をユーザーに提供することができる。したがって、再アノテーションは品質管理において有用なアプローチである。^{[56] [58]}

コミュニティアノテーションは、ゲノムアノテーションプロジェクトにコミュニティ（科学的および非科学的の両方）が参加することから成り、次の6つのカテゴリに分類できます。^{[59] [3]}

• ファクトリー モデル:注釈付けは完全に自動化されたパイプラインによって実行されます。
• 博物館モデル: 注釈プロジェクトの結果を解釈するために、専門家による手動のキュレーションが必要です。
• 家内工業モデル:注釈は分散化されており、さまざまなパートタイムのキュレーターの努力の結果です。
• パーティーまたはジャンボリーモデル：コミュニティの代表的なキュレーターによる短期集中ワークショップで構成される。これは、ショウジョウバエゲノムアノテーションプロジェクトで初めて使用された。^[60]
• 祝福された注釈者:ノックアウト マウス プロジェクト (KOMP) で適用された博物館モデルのバリエーションで、キュレーターは注釈付けの前にトレーニング期間を経て、その後注釈付けツールにアクセスして作業を続行します。
• ゲートキーパー アプローチ:ジャンボリー モデルと家内工業モデルを組み合わせたものです。注釈ワークショップから始まり、分散型のコラボレーションによって初期注釈を拡張および改良します。複数の種のデータに使用されています。

コミュニティアノテーションは、特定の項目のアノテーションを特定の専門家に依頼してプロジェクトを管理するコーディネーターがいる場合、教師ありと呼ばれます。一方、誰でもプロジェクトに参加でき、調整が分散的に行われる場合、教師なしコミュニティアノテーションと呼ばれます。教師ありコミュニティアノテーションは短命でイベントの期間に限定されますが、教師なしコミュニティアノテーションにはこの制限はありません。しかし、後者は前者ほど成功していません。おそらく時間、モチベーション、インセンティブ、コミュニケーションの不足が原因です。^[61]

Wikipediaには、注釈の改善を目的とした複数のWikiProjectがあります。たとえば、遺伝子WikiProjectは、研究データベースから遺伝子データを収集し、それに基づいて 遺伝子スタブを作成するボットを運営しています。 ^[62] RNAWikiProjectは、個々のRNAとRNAファミリーをアクセスしやすい方法で説明する記事を書くことを目指しています。^[63]

遺伝子オントロジーは、病気と遺伝子の関係を確立するために研究者によって使用されています。GOは、新しい遺伝子の特定、病気と健康など、さまざまな条件下での遺伝子の発現、分布、機能の変化に役立ちます。^[41] さまざまな生物のこの病気と遺伝子の関係のデータベースは、植物病原体オントロジー^[64] 、植物関連微生物遺伝子オントロジー^[65]、またはDisGeNETなどが作成されています。^[66]また、ラットゲノムデータベースのラット疾患オントロジーなど、既存のデータベースに実装されているものもあります。^[67]

一部の細菌株による炭化水素分解に関与する多種多様な分解 酵素は、可動性遺伝要素（MGE）に位置する遺伝子によってコード化されている。これらの要素の研究はバイオレメディエーションの分野で非常に重要であり、最近、これらの炭化水素分解能力を獲得するために、野生株または遺伝子組み換え株にこれらのMGEを接種することが求められている。^[68] 2013年に、Phaleら^{[69]は、炭素源およびエネルギー源として}グルコースよりもナフタレンやその他の芳香族化合物を好むことで知られる細菌、Pseudomonas putida （CSV86）株のゲノム注釈を発表した。この細菌のMGEを見つけるために、RASTおよびNCBI Prokaryotic Genome Annotation Pipeline（PGAP）を使用してゲノムに注釈が付けられ、挿入配列（IS）ファインダーデータベースを使用して9つの可動性要素の識別が可能になった。この解析の結果、ナフタレン分解の上流経路遺伝子がtRNA-Glyおよびインテグラーゼをコードする遺伝子のすぐ隣に局在していることが分かり^{[70] 、}サリチル酸、安息香酸、4-ヒドロキシ安息香酸、フェニル酢酸、ヒドロキシフェニル酢酸の分解に関与する酵素をコードする遺伝子が同定され、この株におけるグルコース輸送に関与するオペロンが認識されました。

遺伝子オントロジー分析は機能注釈において非常に重要であり、特にバイオレメディエーションにおいては、いくつかの微生物の遺伝子とその機能との関係、および特定の汚染物質の修復における役割を知るために適用できます。これは、重金属、特に亜鉛に対する耐性をコードする31個の遺伝子を持つ細菌であるHalomonas zincidurans^{株B6(T) [71]や、} DDTを唯一の炭素源およびエネルギー源として使用できる株であるStenotrophomonas sp. ^{DDT-1 [72]}の調査と同定のアプローチでした。

真核生物ゲノム中の遺伝子は、FINDER ^[73]などのさまざまな注釈ツールを使って注釈を付けることができます。 ^[74]最新の注釈パイプラインは、MOSGA [ ⁷⁵ ]などのユーザーフレンドリーなWebインターフェイスとソフトウェアコンテナ化をサポートできます。^{[76]最新の}原核生物ゲノムの注釈パイプラインには、Bakta ^[77] 、 Prokka ^{[51] 、PGAP [78]}があります。

国立生物医学オントロジーセンターは、データベースレコードのテキスト記述に基づいて、データベースレコードを 自動的に注釈付けするツール^{[79]を開発しています。}

一般的な方法として、dcGO ^{[80]には、既存の遺伝子/タンパク質レベルの注釈からオントロジー用語と}タンパク質ドメインまたはドメインの組み合わせとの間の関連性を統計的に推測するための自動化された手順があります。

MAKER など、科学者がゲノム注釈を表示および共有できるようにするさまざまなソフトウェア ツールが開発されています。

ゲノム注釈は活発な研究分野であり、生命科学コミュニティのさまざまな組織が関与して、その研究結果を Web やその他の電子手段でアクセスできる公開生物学データベースに公開しています。ゲノム注釈に関連する進行中のプロジェクトをアルファベット順に示します。

• DNA要素百科事典（ENCODE）
• エントレズ ジーン
• アンサンブル
• フライベース
• ジェンコード
• 遺伝子オントロジーコンソーシアム
• ジェネリック
• マウスゲノムインフォマティクス
• 参照シーケンス
• ユニプロット
• 脊椎動物およびゲノムアノテーションプロジェクト (Vega)
• ワームベース