きらめき

バイオインフォマティクスでは、GLIMMER ( Gene Locator and Interpolated Markov ModelER ) は原核生物のDNAから遺伝子を見つけるために使用されます。^[1]「細菌、古細菌、ウイルスの遺伝子を見つけるのに効果的で、通常、比較的長いタンパク質コード遺伝子の98～99%を見つけます。」^{[1] GLIMMERは、}補間マルコフモデル^{[2] を}使用してコーディング領域を特定した最初のシステムでした。 GLIMMERソフトウェアはオープンソースであり、ジョンズホプキンス大学の計算生物学センター^[3]のSteven Salzberg、Art Delcher、および同僚によって保守されています。 オリジナルのGLIMMERアルゴリズムとソフトウェアは、Art Delcher、Simon Kasif、Steven Salzbergによって設計され、 Owen Whiteと共同で細菌ゲノムの注釈に適用されました。

GLIMMERの最初のバージョン「GLIMMER 1.0」は1998年にリリースされ、論文「補間マルコフモデルを使用した微生物遺伝子の識別」に掲載されました。^{[1] GLIMMER 1.0では、マルコフモデルを使用して微生物遺伝子を識別しました。GLIMMERは、ローカル構成シーケンスの依存性を考慮しているため、固定順序}マルコフモデルと比較して、GLIMMERはより柔軟で強力です。

論文「補間マルコフモデルを使用した微生物遺伝子同定」では、GLIMMER で使用されている補間マルコフモデルと第 5 次マルコフモデルの比較が行われました。^{[1] 「GLIMMER アルゴリズムは、}インフルエンザ菌の 1717 個の注釈付き遺伝子のうち 1680 個の遺伝子を発見しましたが、第 5 次マルコフモデルでは 1574 個の遺伝子が見つかりました。GLIMMER は、1717 個の注釈付き遺伝子に含まれていなかった 209 個の追加遺伝子を発見しましたが、第5 次マルコフモデルでは104 個の遺伝子が見つかりました。」^[1]

GLIMMERの第2バージョンであるGLIMMER 2.0は1999年にリリースされ、論文「GLIMMERによる微生物同定の改善」に掲載されました。^[4]この論文^[4]では、補間マルコフモデルの代わりに補間コンテキストモデルを使用することや、重複遺伝子を解決することでGLIMMERの精度を向上させるなど、重要な技術的改善が示されています。

補間されたコンテキスト モデルは、補間されたマルコフ モデルの代わりに使用され、任意の塩基を選択できる柔軟性を提供します。補間されたマルコフ モデルでは、塩基の確率分布は直前の塩基から決定されます。直前の塩基が無関係なアミノ酸翻訳である場合、補間されたマルコフ モデルは、指定された塩基の確率を決定するために前の塩基を考慮しますが、GLIMMER 2.0 で使用された補間されたコンテキスト モデルは、無関係な塩基を無視できます。GLIMMER 2.0 では、偽陽性予測が増加し、偽陰性予測の数が減少しました。重複した遺伝子も GLIMMER 2.0 で解決されます。

GLIMMER 1.0とGLIMMER 2.0のさまざまな比較が、論文「GLIMMERによる微生物同定の改善」^[4]で行われ、後者のバージョンでは改善が見られます。「GLIMMER 1.0の感度は98.4～99.7%で平均99.1%ですが、GLIMMER 2.0の感度は98.6～99.8%で平均99.3%です。GLIMMER 2.0は高密度の遺伝子を見つけるのに非常に効果的です。アフリカ睡眠病の原因となる寄生虫トリパノソーマ・ブルーセイは、GLIMMER 2.0によって特定されています。」^[4]

GLIMMER の 3 番目のバージョンである「GLIMMER 3.0」は 2007 年にリリースされ、論文「Glimmer による細菌遺伝子と共生生物 DNA の識別」に掲載されました。^{[5]この論文では、コーディング領域と開始}コドンを識別するための改良された方法を含む、GLIMMER システムに加えられたいくつかの主要な変更について説明しています。GLIMMER 3.0 での ORF のスコアリングは、逆順、つまり停止コドンから開始し、開始コドンに向かって戻ります。逆スキャンは、IMM のコンテキスト ウィンドウに含まれる遺伝子のコーディング部分をより正確に識別するのに役立ちます。GLIMMER 3.0 では、長い ORF を、大きく異なる細菌ゲノムの普遍的なアミノ酸分布と比較することで、生成されたトレーニング セット データも改善されています。「GLIMMER 3.0 では、さまざまな生物に対して平均 57% の長い ORF 出力がありますが、GLIMMER 2.0 では平均 39% の長い ORF 出力があります。」^[5]

GLIMMER 3.0 では、GLIMMER 2.0 で増加した偽陽性予測率を削減し、偽陰性予測の数を減らしました。「GLIMMER 3.0 では、3'5' マッチの開始部位予測精度が 99.5% ですが、GLIMMER 2.0 では 3'5' マッチが 99.1% です。GLIMMER 3.0 では、コーディング領域をスキャンするための新しいアルゴリズム、新しい開始部位検出モジュール、およびゲノム全体のすべての遺伝子予測を統合するアーキテクチャが使用されています。」^[5]

最小説明長

GLIMMER プロジェクトは、計算生物学とバイオインフォマティクスにおける可変長モデルの使用の導入と普及に貢献し、その後、タンパク質分類などの数多くの問題に適用されました。可変長モデリングは、もともと情報理論家によって開拓され、その後、データ圧縮 (例: Ziv-Lempel 圧縮) に巧みに適用され、普及しました。予測と圧縮は、最小記述長の原則を使用して密接にリンクされています。基本的な考え方は、頻出単語 (生物学的シーケンスのモチーフ) の辞書を作成することです。直感的には、頻繁に発生するモチーフが最も予測力と情報量が高いと考えられます。GLIMMER では、補間モデルは、これらの比較的一般的なモチーフの確率の混合モデルです。計算生物学における HMM の開発と同様に、GLIMMER の作者は、Fred Jelinek (IBM) や Eric Ristad (プリンストン) などの研究者による、補間マルコフ モデルの別のバリアントの音声認識への以前の適用から概念的に影響を受けました。 GLIMMER の学習アルゴリズムは、これらの以前のアプローチとは異なります。

GLIMMERはGlimmerホームページからダウンロードできます（C++コンパイラが必要です）。また、オンラインバージョンはNCBI [1]でホストされています。

1. GLIMMER は主に長いORFSを検索します。オープン リーディング フレームは他のオープン リーディング フレームと重複する可能性がありますが、これはサブセクションで説明する手法を使用して解決されます。これらの長い ORFS を使用し、特定のアミノ酸分布に従って GLIMMER はトレーニング セットデータを生成します。
2. これらのトレーニングデータを使用して、GLIMMERは0次から8次までのコード化DNAの6つのマルコフモデルすべてをトレーニングし、非コード化DNAのモデルもトレーニングします。
3. GLIMMER はデータから確率を計算しようとします。観測数に基づいて、GLIMMER は固定次数マルコフ モデルを使用するか、補間マルコフ モデルを使用するかを決定します。
   1. 観測数が 400 を超える場合、GLIMMER は固定次数マルコフ モデルを使用して確率を取得します。
   2. 観測数が 400 未満の場合、GLIMMER は補間されたマルコフ モデルを使用します。これについては次のサブセクションで簡単に説明します。
4. GLIMMER は、6 つのコーディング DNA モデルすべてと非コーディング DNA モデルを使用して生成されたすべての長い ORF のスコアを取得します。
5. 前のステップで得られたスコアが特定のしきい値より大きい場合、GLIMMER はそれを遺伝子であると予測します。

上記で説明した手順は、GLIMMER の基本的な機能について説明しています。GLIMMER にはさまざまな改良が加えられており、そのいくつかについては次のサブセクションで説明します。

GLIMMER システムは 2 つのプログラムで構成されています。最初のプログラムは build-imm と呼ばれ、シーケンスの入力セットを受け取り、次のように 補間されたマルコフ モデルを出力します。

0 ≤ k ≤ 8 のすべてのk-merについて、各塩基、つまり A、C、G、T の確率が計算されます。次に、各k-merについて、GLIMMER は重みを計算します。新しいシーケンスの確率は次のように計算されます。

${\displaystyle \operatorname {P(S|M)=\sum _{x=1}^{n}{IMM_{8}(S_{x})}} }$

ここでnは位置xのオリゴマーの配列の長さである。次補間マルコフモデルスコアは次のように計算される 。${\displaystyle S_{x}}$${\displaystyle IMM_{8}(S_{x})}$${\displaystyle 8^{th}}$

${\displaystyle \operatorname {IMM_{k}(S_{x})=Y_{k}(S_{x-1})\cdot P_{k}(S_{x})+[1-{Y_{k}(S_{x-1})]\cdot IMM_{k-1}(S_{x})}} }$

「ここで、は配列Sの位置x-1にあるk-merの重みであり、はトレーニングデータから得られた、-次モデルの位置xにある塩基の確率の推定値である。」^[1]${\displaystyle Y_{k}(S_{x-1})}$${\displaystyle P_{k}(S_{x})}$${\displaystyle k^{th}}$

i 個の前の基底が与えられた場合の基底の確率は次のように計算されます。 ${\displaystyle S_{x}}$

${\displaystyle \operatorname {P_{i}(S_{x})=P(s_{x}|S_{x,j})={\frac {f(S_{x,j})}{\sum _{b\in {[acgt]}}\operatorname {f(S_{x,i},b)} }}} }$

「に関連付けられたの値は、真の確率の推定値としてのこの値の正確さの信頼度と見なすことができます。GLIMMER は を決定するために 2 つの基準を使用します。最初の基準は単純な頻度発生で、 トレーニング データ内のコンテキスト文字列の発生回数が特定のしきい値を超えると は1.0 に設定されます。しきい値の現在の既定値は 400 で、95% の信頼度になります。コンテキスト文字列のサンプル発生数が不十分な場合、build-imm は値を決定するために追加の基準を使用します。長さ i の特定のコンテキスト文字列について、build-imm は、次のベース、、の観測頻度を、次に短いコンテキスト、、、を使用して以前に計算された 補間マルコフ モデル確率と比較します。テストを使用して、build-imm は、4 つの観測頻度が次に短いコンテキストの IMM 値と一致する可能性を判断します。」^[1]${\displaystyle Y_{i}(S_{x})}$${\displaystyle P_{i}(S_{x})}$${\displaystyle Y_{i}(S_{x})}$${\displaystyle S_{x,i}}$${\displaystyle Y_{i}(S_{x})}$${\displaystyle Y}$${\displaystyle S_{x,i}}$${\displaystyle f(S_{x,i},a)}$${\displaystyle f(S_{x,i},c)}$${\displaystyle f(S_{x,i},g)}$${\displaystyle f(S_{x,i},t)}$${\displaystyle IMM_{i-1}(S_{x,{i-1}},a)}$${\displaystyle IMM_{i-1}(S_{x,{i-1}},c)}$${\displaystyle IMM_{i-1}(S_{x,{i-1}},g)}$${\displaystyle IMM_{i-1}(S_{x,{i-1}},t)}$${\displaystyle X^{2}}$

2 番目のプログラムは Glimmer と呼ばれ、この IMM を使用してゲノム全体の推定遺伝子を識別します。GLIMMER は、しきい値よりも高いスコアを持つすべてのオープン リーディング フレームを識別し、重複する遺伝子をチェックします。重複する遺伝子の解決については、次のサブセクションで説明します。

上記の式と用語の説明は、論文「補間マルコフモデルを用いた微生物遺伝子同定^{[1]」から引用したものです。}

GLIMMER 1.0 では、2 つの遺伝子 A と B が重複する場合、重複領域がスコア付けされます。A が B より長く、重複領域で A のスコアが高く、B の開始部位を移動しても重複が解決されない場合は、B は拒否されます。

GLIMMER 2.0 は、重複を解決するためのより優れたソリューションを提供しました。GLIMMER 2.0 では、2 つの潜在的な遺伝子 A と B が重複する場合、重複領域がスコア付けされます。遺伝子 A のスコアが高いと仮定すると、4 つの異なる方向が考慮されます。

上記の場合、開始部位を移動しても重複は除去されません。A が B よりも大幅に長い場合、B は拒否されます。そうでない場合は、重複が疑わしい A と B の両方が遺伝子と呼ばれます。

上記の場合、B を移動することで重複を解決でき、A と B は重複していない遺伝子と呼ぶことができますが、B が A よりも大幅に短い場合、B は拒否されます。

上記の場合、A を移動することで重複を解決できます。A は、重複が A のごく一部である場合にのみ移動され、そうでない場合は B は拒否されます。

上記の場合、A と B の両方を移動できます。最初に、重複領域のスコアが B に対して高くなるまで、B の開始点を移動します。次に、スコアが高くなるまで A の開始点を移動します。次に、再び B を移動し、重複がなくなるか、それ以上移動できなくなるまでこれを繰り返します。

上記の例は論文「Glimmerによる細菌遺伝子と共生DNAの特定」から引用したものです。^[5]

リボソーム結合部位(RBS) シグナルは、実際の開始部位の位置を見つけるために使用できます。GLIMMER の結果は、リボソーム結合部位を予測するための RBSfinder プログラムの入力として渡されます。GLIMMER 3.0 は、RBSfinder プログラムを遺伝子予測機能自体に統合します。

ELPHソフトウェア(論文^[5]でRBSの識別に非常に効果的であると判断された)はRBSの識別に使用され、このウェブサイトArchived 2013-11-27 at the Wayback Machineで入手可能です。ギブスサンプリングアルゴリズムは、任意の配列セット内の共有モチーフを識別するために使用されます。この共有モチーフ配列とその長さは、ELPHへの入力として与えられます。次に、ELPHは位置重み行列(PWM)を計算し、GLIMMER 3はこれを使用して、RBSfinderによって検出された潜在的なRBSにスコアを付けます。上記のプロセスは、トレーニング遺伝子が大量にある場合に実行されます。トレーニング遺伝子の数が不十分な場合、GLIMMER 3は自身をブートストラップして、ELPHへの入力として使用できる遺伝子予測セットを生成できます。ELPHはPWMを計算し、このPWMを同じ遺伝子セットで再度使用して、開始部位のより正確な結果を得ることができます。このプロセスを何度も繰り返すことで、より一貫性のあるPWMと遺伝子予測結果を得ることができます。

Glimmer は、細菌、古細菌、ウイルスなど幅広い種のゲノム注釈付け作業をサポートしています。日本 DNA データバンク (DDBJ、Genbank のミラー) での大規模な再注釈付け作業において、Kosugeら(2006) ^{[6] は}183 のゲノムに使用された遺伝子検索方法を調べました。彼らは、これらのプロジェクトのうち、49% で Glimmer が遺伝子検索に使用され、GeneMarkが12% でそれに続き、その他のアルゴリズムが使用されたプロジェクトは 3% 以下であると報告しました。(彼らはまた、ゲノムの 33% で「その他の」プログラムが使用されたと報告しましたが、これは多くの場合、方法を特定できなかったことを意味します。これらのケースを除くと、方法を明確に特定できたゲノムの 73% で Glimmer が使用されました。) DDBJ は、国際ヌクレオチド配列データベースのすべての細菌ゲノムを再注釈付けするために Glimmer を使用しました。^[7] このグループはウイルスの注釈付けにもグリマーを使用しています。^[8] グリマーは国立生物工学情報センター（NCBI）の細菌注釈パイプラインの一部であり、^[9] NCBIはグリマー用のウェブサーバーも維持しており、^{[10]ドイツ、 [11]}カナダのサイトも同様に維持しています。^[12]

Google Scholarによると、2011年初頭の時点で、オリジナルのGlimmer論文（Salzberg et al., 1998）^[1]は581回引用されており、Glimmer 2.0論文（Delcher et al., 1999）^[4]は950回引用されています。

• ジョンズ ホプキンス大学 CCB の Glimmer ホームページ。ここからソフトウェアをダウンロードできます。