关于公司做网站供比价报告,企业解决方案官网,电子商务与网站建设报告,修改wordpress的登陆地址GlimmerHMM
01 概述
GlimmerHMM是一种基于广义隐马尔科夫模型#xff08;GHMM#xff09;的新型基因预测工具。虽然该基因预测工具符合GHMM的总体数学框架#xff0c;但它还结合了从GeneSplicer程序中改编的剪接位点模型。可变长度的特征状态#xff08;例如外显子、内含…GlimmerHMM
01 概述
GlimmerHMM是一种基于广义隐马尔科夫模型GHMM的新型基因预测工具。虽然该基因预测工具符合GHMM的总体数学框架但它还结合了从GeneSplicer程序中改编的剪接位点模型。可变长度的特征状态例如外显子、内含子、基因间区域是使用Nth-order插值马尔科夫模型IMM实现的如Delcher等人1999年所描述的N8。目前GlimmerHMM的GHMM结构包括每个相位的内含子、基因间区域和四种类型的外显子起始外显子、内部外显子、终止外显子和单独外显子如下图所示。 GlimmerHMM在预测DNA序列中的基因时使用了一些假设。主要假设如下
1. 每个基因的编码区以起始密码子ATG开始但可以预测部分基因 2. 除了最后一个密码子基因中没有在读框内的终止密码子 3. 每个外显子与前一个外显子保持一致的读码框。
这些约束显著提高了计算最优基因模型的效率因为它们限制了GHMM算法的搜索空间。另一方面系统无法检测到真正的移码。
02 下载与安装
wget -c https://ccb.jhu.edu/software/glimmerhmm/dl/GlimmerHMM-3.0.4.tar.gz
tar -zxvf GlimmerHMM-3.0.4.tar.gzhttps://ccb.jhu.edu/software/glimmerhmm/man.shtml #官网及操作手册
03 训练特定生物的GlimmerHMM
3.1 需要特定生物的训练
我们早期实现的基因预测工具GlimmerM在为水稻训练时明显比为拟南芥训练时产生的基因模型更优Pertea和Salzberg 2002。这对于GlimmerHMM也是有效的。虽然当前的GlimmerHMM训练应该对密切相关的生物体效果良好但用户应该使用我们的训练程序重新训练系统以适应其他真核生物以提高基因预测的准确性。对于GlimmerHMM已经训练的所有物种我们期望随着这些物种DNA序列数量的增加通过重新训练系统性能会进一步提高。
3.2 数据收集
首先需要注意的是彻底收集一个良好的训练数据集是训练任何基因预测工具之前的一个步骤。这一步非常重要因为用于训练的数据质量与最终基因预测工具的准确性成正比。作为任何特定物种的基因预测工具GlimmerHMM需要一个包含尽可能多的该物种基因组完整编码序列的训练数据集。通过调查公共数据库可以找到所有有实验室证据支持的目标生物体的已知基因。如果这些基因数量足够多它们将构成一个良好的训练数据集。不幸的是这种情况很少见所以需要使用其他方法来构建可靠的数据集。根据我们的经验训练数据集通常是通过使用BLAST等程序将长ORF超过500个碱基与非冗余蛋白质序列数据库进行比对以便将已知蛋白质映射到基因组中来构建的。
3.3 训练GlimmerHMM
要训练GlimmerM应运行以下命令
trainGlimmerHMM mfasta_file exon_file [optional_parameters]mfasta_file和exon_file分别是包含已知基因外显子坐标的多FASTA文件和文件。mfasta_file是一个包含训练序列的多FASTA文件格式如下seq1
AGTCGTCGCTAGCTAGCTAGCATCGAGTCTTTTCGATCGAGGACTAGACTT
CTAGCTAGCTAGCATAGCATACGAGCATATCGGTCATGAGACTGATTGGGC
seq2
TTTAGCTAGCTAGCATAGCATACGAGCATATCGGTAGACTGATTGGGTTTA
TGCGTTAexon_file是一个包含外显子坐标的文件坐标相对于mfasta_file中包含的序列不同的基因用空行分隔格式如下 seq1 5 15
seq1 20 34seq1 50 48
seq1 45 36seq2 17 20
在此示例中seq1有两个基因一个在正链上另一个在互补链上。这里可以找到fasta和外显子文件的真实示例。
如果没有足够的数据用于训练剪接位点训练过程将失败并退出并显示警告信息。在这种情况下用户应该收集更多具有内含子的已知基因然后再次尝试训练过程。如果没有足够的数据用于训练基因的翻译起始和终止位点用户需要收集更多基因。默认情况下假定至少有50个带有标准起始密码子ATG和终止密码子TAA/TAG/TGA的基因。
训练程序可以接受的可选参数包括
-i i1,i2,...,inisochores to be considered for training (e.g. if two isochores are desired with 0-40% GC content and 40-100% then the option should be: -i 0,40,100; default is set to -i 0,100 )-f valval average value of upstream UTR region if known-l valval average value of downstream UTR region if known -n valval average value of intergenic region if known-v valval value of flanking region to be considered around genes (default200)-b valval build 1st or 2nd order markov model for the splice sites (default1)
- -i i1,i2,...,in用于训练的等温区例如如果希望两个等温区的GC含量为0-40%和40-100%则选项应为-i 0,40,100; 默认设置为-i 0,100- -f valval 如果已知则为上游UTR区域的平均值- -l valval 如果已知则为下游UTR区域的平均值- -n valval 如果已知则为基因间区的平均值- -v valval 考虑在基因周围的侧翼区域值默认200- -b valval 构建1阶或2阶马尔科夫模型用于剪接位点默认1
3.4 修改训练期间获得的参数
这一步是可选的但许多情况下手动调整系统参数可以提高预测的准确性。这部分是因为某些生物体的系统训练所需参数可能未知例如基因间区的平均大小所以可能需要尝试不同的参数值。我们注意到类似于Majoros和Salzberg 2004中描述的梯度上升程序在参数空间中搜索通常可以优化训练的准确性。
选择适当的阈值来确定特定位点检测的假阴性-假阳性比率可能是一个挑战性问题因为真实位点数量较少而假阳性数量却非常多。这需要一系列决策以最大限度地提高识别任务的准确性而不显著损失灵敏度。在GlimmerHMM的训练过程中通过检查假阳性率的权衡来选择调用序列为真实剪接位点的阈值。系统创建一个排序的阈值列表调整评分函数以便错过1, 2, 3个等真实位点。默认阈值选择为假阳性率下降不到1%的得分。为了在设置信号阈值时提供更大的灵活性我们的训练程序允许用户查阅特定于训练数据的假阳性和假阴性率并设置自己的阈值。
运行trainGlimmerHMM后可以查看日志文件以找到GlimmerHMM的一些参数的默认值。训练目录中的config.file文件为每个等温区指定使用的配置文件。对于默认情况当没有考虑等温区时只有一行信息
CG 100 train_0_100.cfg
所有参数的更改都可以在train_0_100.cfg文件中完成。每个参数在.cfg文件的一行中描述。以下表格中描述了可以更改的参数
line in the .cfg fileDescriptionacceptor_threshold valueacceptor site threshold value; the false negative/false positive rates for different acceptor thresholds can be consulted from the false.acc file.donor_threshold valuedonor site threshold value; the false negative/false positive rates for different donor thresholds can be consulted from the false.don file.ATG_threshold valuestart codon threshold value; the false negative/false positive rates for different start codon thresholds can be consulted from the false.atg file.Stop_threshold valuestop codon threshold value; the false negative/false positive rates for different stop codon thresholds can be consulted from the false.stop file.split_penalty valuea factor penalizing the gene finders tendency to split genes.intergenic_val valuethe minimum intergenic distance espected between genes.intergenic_penalty valuea penalty factor for genes situated closer than the intergenic_val value.MeanIntergen valuethe average size of intergenic regions.BoostExon valuea factor to increase the sensitivity of exon prediction.BoostSplice valuea factor to increase the score of good scoring splice sites.BoostSgl valuea factor to increase the predicted number of single exon genes.onlytga valueset this value to 1 if TGA is the only stop codon in the genome.onlytaa valueset this value to 1 if TAA is the only stop codons in the genome.onlytag valueset this value to 1 if TAG is the only stop codons in the genome.
- acceptor_threshold value- 受体位点阈值不同受体阈值的假阴性/假阳性率可以在false.acc文件中查阅。- donor_threshold value- 供体位点阈值不同供体阈值的假阴性/假阳性率可以在false.don文件中查阅。- ATG_threshold value- 起始密码子阈值不同起始密码子阈值的假阴性/假阳性率可以在false.atg文件中查阅。- Stop_threshold value- 终止密码子阈值不同终止密码子阈值的假阴性/假阳性率可以在false.stop文件中查阅。- split_penalty value- 惩罚基因预测工具倾向于拆分基因的一个因子。- intergenic_val value- 基因之间预期的最小基因间距。- intergenic_penalty value- 基因间距小于intergenic_val值时的惩罚因子。- MeanIntergen value- 基因间区的平均大小。- BoostExon value- 增加外显子预测灵敏度的因子。- BoostSplice value- 增加高评分剪接位点分数的因子。- BoostSgl value- 增加预测单外显子基因数量的因子。- onlytga value- 如果TGA是基因组中唯一的终止密码子则将此值设置为1。- onlytaa value- 如果TAA是基因组中唯一的终止密码子则将此值设置为1。- onlytag value- 如果TAG是基因组中唯一的终止密码子则将此值设置为1。
04 运行 GlimmerHMM
程序GlimmerHMM需要两个输入一个FASTA格式的DNA序列文件和一个包含程序训练文件的目录。如果未指定训练目录默认情况下使用当前工作目录。目前该程序没有实现任何选项。
05 参考文献
Delcher, A.L., Harmon, D., Kasif, S., White,O. and Salzberg, S.L. Improved microbial gene identification with GLIMMER Nucleic Acids Research, 27:23 (1999), 4636-4641.
Majoros, W.H., Pertea, M., and Salzberg, S.L. TigrScan and GlimmerHMM: two open-source ab initio eukaryotic gene-finders Bioinformatics 20 2878-2879.
Majoros,W.M. and Salzberg, S.L. (2004) An empirical analysis of training protocols for probabilistic gene finders. BMC Bioinformatics 5:206.
Pertea, M., X. Lin, et al. (2001). GeneSplicer: a new computational method for splice site prediction. Nucleic Acids Res 29(5): 1185-90.
Pertea, M. and S. L. Salzberg (2002). Computational gene finding in plants. Plant Molecular Biology 48(1-2): 39-48.
Pertea, M., S. L. Salzberg, et al. (2000). Finding genes in Plasmodium falciparum. Nature 404(6773): 34; discussion 34-5.
Salzberg, S. L., M. Pertea, et al. (1999). Interpolated Markov models for eukaryotic gene finding. Genomics 59(1): 24-31.
Yuan, Q., J. Quackenbush, et al. (2001). Rice bioinformatics. analysis of rice sequence data and leveraging the data to other plant species. Plant Physiol 125(3): 1166-74.
