Computational genefinding
(David Haussler)
Genomic DNA 서열의 분석에서 주요한 문제는 유전자의 구조, 조절, 전사에 관련된 요소들의 정보를 담고있는 기능적인 자리들을 찾는 것이다. 이에는 다양한 전산방법들이 도움이 될 것이다.
게놈 DNA에서 유전자나 다른 기능적인 자리들을 찾는 전산방법론은 지난 20년간 크게 발전하였다. 연구자들이 찾는 요소들은 splice site, start and stop codon, branch point, 전사에 관여하는 promoter 와 terminator, polyadenylation site, ribosomal binding site, topoisomerase II binding site, topoisomerase I 절단자리와 여러 가지 전사조절인자들의 결합자리 등이다. 이러한 국부적인 자리들은 signal이라 불리고, 이들을 찾아내는 방법은 signal sensor라 불린다. 반면 exon과 intron 같은 확장된 다양한 길이를 가지는 영역들은 contents라 불리며 content sensor라 불리는 방법으로 분석된다.
Signal sensors
가장 기본적인 signal sensor는 간단한 보존서열 (consensus sequence)나 보존서열을 허용가능한 변이들 (allowable variations)로 기술하는 표현이다. 보다 정밀한 sensor들은 consensus 대신에 weight matrix들을 사용하여 고안될 수 있다. 이 방법에서 유형 (pattern)의 각 위치는 어떤 잔기에 대한 match도 허용하지만 각 잔기를 각각의 위치에 match 시키는데는 다른 비용이 부과된다. 한 후보 자리에 대해 weight matrix sensor에 의해 회신되는 score는 그 자리에 개개의 잔기들이 match 될 때의 비용을 합한 값이다. 주어진 score threshold를 상회하면 후보자리는 'true'라고 예측된다. 그러한 sensor들은 자연히 문제의 소지가 있는 해석을 가진다. 회신되는 score는 간단한 통계 모델에서 log의 가능성이 있는 비 (log likelihood ratio)이다. 각 위치는 가능한 잔기들에 걸친 하나의 독립적인 별개의 분포에 의해 결정된다. Neural nets와 같은 보다 정교한 유형의 signal sensor들이 많이 사용된다.
Content sensors
가장 중요하면서 연구가 많이된 content sensor는 coding 영역을 예측하는 것이다. 원핵생물에서는 간단히 긴 ORF를 찾음으로써 유전자들의 위치를 아는 것이 통례이다. 그러나 고등 진핵생물에게는 적당치 않다. 진핵생물에서 noncoding 영역들을 coding 영역들로부터 구분하기 위해서 exon content sensor들은 codon structure에 존재하는 뉴클레오티드 빈도와 의존도의 통계적인 모델들을 사용한다. 가장 많이 사용되는 통계적인 모델은 Markov model들이라 알려진 것으로 컴퓨터 프로그램 GeneMark에서 유명해지기 시작하였다. Neural nets는 여러 가지 coding 측정을 Grail의 exon detector에서 splic site들에 대한 signal sensor들과 함께 취합하기 위해 사용되었다. 다른 content sensor들은 CpG island들 (유전자의 초입에 자주 나타나는 영역들로 CG가 다른 서열에서보다 빈번하다)과 사람의 ALU 서열들과 같은 반복 DNA에 대한 sensor들을 포함한다. 후자의 경우는 자주 반복 DNA를 제거하고 나머지 DNA를 분석하기 위한 mask나 filter로서 사용된다.
Integrated genefinding methods
Signal과 content sensor들만으로는 genefinding 문제를 해결할 수 없다: 이들이 인식코자 하는 통계적인 signal들은 너무 약해 splice site strength와 exon 크기 사이의 가능한 상관관계와 같은 이들이 잡아낼 수 없는 signal과 content들 사이의 의존도가 있다. 지난 5년간 signal과 content sensor들을 취합하는 여러 가지 system들이 완전한 유전자 구조를 밝히기 위해 개발되었다. 그러한 system들은 원리적으로 유전자 특성들 사이의 보다 복잡한 상호의존도를 다룰 수 있다. Linguistic metaphor가 여기에 가끔씩 적용된다. 여기서 DNA 서열을 exon과 intron들의 연속인 유전자들로 구분하는 과정은 한 문장을 분석하여 그 구조상 문법적인 부분들로 나누는 과정과 동일시된다. Searls는 형식적인 문법을 사용하여 언어학적 용어로 유전자 구조를 기술한 첫 번째 사람이다. 그리고 이 이론에 근거한 그의 GenLang genefinding 프로그램은 가장 초기의 완전한 genefinder 이었다. 오늘날 가장 완전한 genefinder들처럼 GenLang은 후보 exon들과 다른 scored 영역들과 site들을 최대한의 total score를 가지는 완전한 유전자 예측으로 취합하기 위해 dynamic programming을 사용한다. 이 주제에 대한 보다 자세한 설명은 참고자료 3 (Guide to Human Genome Computing, ed by Bishop, MJ, pp. 261-274, Academic Press)과 13 (Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids, Cambridge Univ. Press)에 잘 기술되어 있다.
Dynamic programming 방법들에서 성공의 열쇠는 최적화할 수 있는 올바른 score function을 개발하는 것이다. 이 분야에서의 성공적인 접근은 exon들에서의 codon 의존도를 기술하는 변수들을 포함하는 유전자들의 통계적인 모델, splice site들의 특성들 (예를 들어 splice site들을 위한 weight matrix들의 변수들), 어떤 기능적인 특성들이 다른 특성들을 뒤따를 것 같으냐에 대한 '언어학적' 정보 (그림 1 참조)를 정의하는 것이다. 이 모델은 뉴클레오티드의 기능적인 역할이나 위치를 나타내는 각 뉴클레오티드와 연관된 잠재적인 (또는 'hidden) 변수를 포함한다; 예를 들어 G 잔기는 GT consensus donor splice site의 부분이거나 start codon의 세 번째 위치일지도 모른다. 어떤 기능적인 특징들이 다른 특징들을 뒤따를 것인가에 대한 언어학적 규칙들은 hidden 변수들에 대한 Markov 과정의 변수들에 의해 표현된다. 이러한 이유 때문에 이 모델들은 hidden Markov model들 (HMMs)라 불린다. Genefinding HMMs는 Searls에 의해 사용된 유전자 구조문법들의 확률론적 해석들로 여겨질 수 있다.
|
화살표들 (red)는 content들을 의미하고 node들 (청색)은 신호를 의미한다. Contents는 5' UTR (J5'), initial exon (EI), exon (E), intron (I), final exon (ES), 그리고 3' UTR (J3')를 나타낸다. 신호들은 begin sequence (B), start translation (S), donor splice site (D), acceptor splice site (A), stop translation (T), 그리고 end sequence (F)를 나타낸다. Candidate 유전자의 구조는 B에서 F로의 경로를 밟아 만들어진다. hMM (또는 hidden semi-Markov model)은 확률론적 모델들을 화살표와 node들 각각에 붙이는 것으로 특징지어진다. |
초기의 genefinding HMM들은 EcoParse (for E. coli)와 Xpound (for human genome)을 포함하고 있었다. 보다 최근의 프로그램들은 GeneMark-HMM (for bacterial genomes), Veil, HMMgene (for the human genome)을 포함하고 있다. Generalized HMMs (GHMMs) 또는 (hidden) semin-Markov 모델들이라 불리는 보다 일반화된 부류의 probablistic 모델들은 그 뿌리를 GeneParse에 두고 있으며, Genie 그리고 이어서 GenScan 에서 보다 완전하게 발전되었다.
Genefinder들은 알려진 유전자들과 그들의 상응하는 단백질들에의 비교를 이용하기보다는 유전자들의 일반적인 특성들에 근거하여 유전자 구조를 예측한다. 부수적으로는 expressed sequence-tag (EST) match들과 같은 부수적인 정보에 근거하기도 한다. 단백질 데이터베이스 상동성과 EST match들은 유전자 예측을 정당화하는데 post hoc 방법들로 오랫동안 사용되어 왔다. 그러나 새로운 방법들은 이 정보를 직접 genefinding algorithm 그 자체에 통합하였다. 어떤 genefinding system들은 다수의 통계적 측정들을 DNA를 모든 가능한 reading frame의 단백질로 번역하여 단백질 데이터베이스를 검색하여 얻어진 데이터베이스 상동성 검색과 혼합하였다.
URLs Computational genefinding bibliographies http://linkage.rockefeller.edu/wli/gene/ http://www-hto.usc.edu/software/procrustes/fans_ref/ Genefinding datasets Single genes: ftp://www-hgc.ibl.gov/pub/genesets/ Annotates contigs: http://www.sanger.ac.uk/Projects/C_elegans/genefinding Some HMM-based genefinder genes Genie: http://www.cse.ucsc.edu/∼dkulp/cgi-bin/genie GenScan: http://CCR-081.mit.edu/GENSCAN.html HMMgene: http://www.cbs.dtu.dk/services/HMMgene/ GeneMark-HMM: http://genemark.biology.gatech.edu/GeneMark/hmmchoice.html Veil: http://www.cs.jhu.edu/labs/compbio/veil.html Some further genefinders AAT: http://genome.cs.mtu.edu/aat.html FGENEH: http://dot.imgen.bcm.tmc.edu:9331/gene-finder/gf.html GENEID: http://www.imim.es/GeneIdentification/Geneid/geneid_input.html Genlang: http://cbil.humgen.upenn.edu/∼sdong/genlang_home.html GeneParser: http://beagle.colorado.edu/∼eesnyder/GeneParser.html Glimmer: http://www.cs.jhu.edu/labs/compbio/glimmer.html Grail: http://compbio.ornl.gov/ MZEF: http://www.cshl.org/genefinder Procrustes: http://www-hto.usc.edu/software/procrustes/ |
상동성 접근은 Gelfand 등에 의해
개발된 genefinding 프로그램에서 그 극단적인 제약에 호소하게 되었다. Procrustes라
불리는 이 시스템은 사용자로 하여금 예측될 유전자와 가까운 단백질 homolog를 제공하도록
요구한다. 그러면 Smith-Waterman algorithm에 유사한 'spliced alignment' algorithm이
DNA를 homolog에 배열함으로써 추정하는 유전자구조를 유도하는데 사용된다. 이 방법의
가장 큰 취약점은 가까운 homolog를 요구한다는 것이다. 일반적으로는 homolog들이
알려지지 않았거나 거리가 먼 경우가 종종있다. 이런 경우는 이 시스템이 부적절할
것이다. 그럼에도 불구하고 매우 가까운 homolog가 있는 경우는 Procrustes는 매우
효과적인 genefinding 방법이다.
