التنبؤ بالجينات

📅 آخر تحديث: ٢٦ يوليو ٢٠٢٦
✍️ نُشر في: ٢٦ يوليو ٢٠٢٦
📷 يحتوي على 5 صور
الموسوعة الحرة
بنية الجين حقيقي النواة

في علم الأحياء الحاسوبي ، يشير التنبؤ بالجينات أو العثور عليها إلى عملية تحديد مناطق الحمض النووي الجينومي التي تشفر الجينات . ويشمل ذلك الجينات المشفرة للبروتينات وكذلك جينات الحمض النووي الريبي ، ولكن قد يشمل أيضًا التنبؤ بعناصر وظيفية أخرى مثل المناطق التنظيمية . يعد العثور على الجينات أحد الخطوات الأولى والأهم في فهم جينوم نوع ما بمجرد تسلسله .

في بداياته، كان "اكتشاف الجينات" يعتمد على تجارب مضنية على الخلايا والكائنات الحية. وكان التحليل الإحصائي لمعدلات إعادة التركيب المتماثل لعدة جينات مختلفة قادراً على تحديد ترتيبها على كروموسوم معين ، وكان من الممكن الجمع بين المعلومات المستمدة من العديد من هذه التجارب لإنشاء خريطة جينية تحدد الموقع التقريبي للجينات المعروفة بالنسبة لبعضها البعض. واليوم، ومع وجود تسلسل الجينوم الشامل والموارد الحسابية القوية تحت تصرف مجتمع البحث، أعيد تعريف اكتشاف الجينات على أنه مشكلة حسابية إلى حد كبير.

إن تحديد ما إذا كان التسلسل وظيفيًا يجب أن يكون مختلفًا عن تحديد وظيفة الجين أو منتجه. إن التنبؤ بوظيفة الجين والتأكد من دقة التنبؤ بالجين لا يزال يتطلب إجراء تجارب في الجسم الحي [1] من خلال إخراج الجين من الجين وغير ذلك من الاختبارات، على الرغم من أن حدود أبحاث المعلومات الحيوية [2] تجعل من الممكن بشكل متزايد التنبؤ بوظيفة الجين بناءً على تسلسله وحده.

يعد التنبؤ بالجينات أحد الخطوات الرئيسية في شرح الجينوم ، بعد تجميع التسلسل ، وتصفية المناطق غير المشفرة وإخفاء التكرار. [3]

يرتبط التنبؤ بالجينات ارتباطًا وثيقًا بما يسمى "مشكلة البحث عن الهدف" التي تبحث في كيفية تحديد البروتينات المرتبطة بالحمض النووي ( عوامل النسخ ) لمواقع ارتباط محددة داخل الجينوم . [4] [5] تعتمد العديد من جوانب التنبؤ بالجينات البنيوية على الفهم الحالي للعمليات الكيميائية الحيوية الأساسية في الخلية مثل نسخ الجينات والترجمة وتفاعلات البروتين-البروتين وعمليات التنظيم ، والتي تخضع لبحث نشط في مجالات الجينوم المختلفة مثل علم النسخ والبروتينات وعلم التمثيل الغذائي وعلم الجينوم البنيوي والوظيفي بشكل عام .

الأساليب التجريبية

في أنظمة البحث الجيني التجريبية (التشابه أو التماثل أو القائمة على الأدلة)، يتم البحث في الجينوم المستهدف عن تسلسلات تشبه الأدلة الخارجية في شكل علامات التسلسل المعبر عنها المعروفة ، وRNA الرسول (mRNA)، ومنتجات البروتين ، والتسلسلات المتجانسة أو المتماثلة. بالنظر إلى تسلسل mRNA، من السهل استنباط تسلسل DNA الجينومي الفريد الذي كان يجب نسخه منه . بالنظر إلى تسلسل البروتين، يمكن اشتقاق مجموعة من تسلسلات DNA المشفرة المحتملة عن طريق الترجمة العكسية للشفرة الجينية . بمجرد تحديد تسلسلات DNA المرشحة، فإن البحث بكفاءة في جينوم مستهدف عن تطابقات، كاملة أو جزئية، ودقيقة أو غير دقيقة، يعد مشكلة خوارزمية مباشرة نسبيًا. بالنظر إلى تسلسل، تبحث خوارزميات المحاذاة المحلية مثل BLAST و FASTA و Smith-Waterman عن مناطق التشابه بين التسلسل المستهدف والمطابقات المرشحة المحتملة. يمكن أن تكون المطابقات كاملة أو جزئية، ودقيقة أو غير دقيقة. إن نجاح هذا النهج محدود بمحتويات قاعدة بيانات التسلسل ودقتها.

إن الدرجة العالية من التشابه مع الحمض النووي الريبي الرسول المعروف أو منتج البروتين هي دليل قوي على أن منطقة من الجينوم المستهدف هي جين مشفر للبروتين. ومع ذلك، فإن تطبيق هذا النهج بشكل منهجي يتطلب تسلسلًا مكثفًا لمنتجات الحمض النووي الريبي الرسول والبروتين. وهذا ليس مكلفًا فحسب، بل في الكائنات الحية المعقدة، يتم التعبير عن مجموعة فرعية فقط من جميع الجينات في جينوم الكائن الحي في أي وقت معين، مما يعني أن الأدلة الخارجية للعديد من الجينات ليست متاحة بسهولة في أي مزرعة خلايا واحدة. وبالتالي، فإن جمع الأدلة الخارجية لمعظم أو كل الجينات في كائن حي معقد يتطلب دراسة مئات أو آلاف أنواع الخلايا ، مما يطرح صعوبات أخرى. على سبيل المثال، قد يتم التعبير عن بعض الجينات البشرية فقط أثناء النمو كجنين أو جنين، وقد يكون من الصعب دراسته لأسباب أخلاقية.

وعلى الرغم من هذه الصعوبات، فقد تم إنشاء قواعد بيانات واسعة النطاق للنسخ وتسلسل البروتين للبشر فضلاً عن الكائنات الحية النموذجية المهمة الأخرى في علم الأحياء، مثل الفئران والخميرة. على سبيل المثال، تحتوي قاعدة بيانات RefSeq على نسخ وتسلسل بروتين من العديد من الأنواع المختلفة، ويقوم نظام Ensembl برسم خريطة شاملة لهذه الأدلة على الجينوم البشري والعديد من الجينومات الأخرى. ومع ذلك، فمن المرجح أن تكون قواعد البيانات هذه غير مكتملة وتحتوي على كميات صغيرة ولكنها مهمة من البيانات الخاطئة.

تفتح تقنيات تسلسل النسخ الجديدة عالية الإنتاجية مثل RNA-Seq وتسلسل ChIP فرصًا لدمج أدلة خارجية إضافية في التنبؤ بالجينات والتحقق من صحتها، وتسمح ببديل غني هيكليًا وأكثر دقة للطرق السابقة لقياس التعبير الجيني مثل علامة التسلسل المعبر عنها أو مجموعة الحمض النووي .

تتضمن التحديات الرئيسية المتعلقة بالتنبؤ بالجينات التعامل مع أخطاء التسلسل في بيانات الحمض النووي الخام، والاعتماد على جودة تجميع التسلسل ، والتعامل مع القراءات القصيرة، والطفرات الإطارية ، والجينات المتداخلة والجينات غير المكتملة.

في بدائيات النوى، من الضروري مراعاة النقل الجيني الأفقي عند البحث عن تشابه تسلسل الجينات . هناك عامل مهم إضافي غير مستخدم في أدوات الكشف عن الجينات الحالية وهو وجود مجموعات جينية - وحدات عاملة من الحمض النووي تحتوي على مجموعة من الجينات تحت سيطرة مُحفِّز واحد - في كل من بدائيات النوى وحقيقيات النوى. تعالج معظم أجهزة الكشف عن الجينات الشائعة كل جين على حدة، بشكل مستقل عن الآخرين، وهو ما لا يعد دقيقًا بيولوجيًا.

من البدايةطُرق

إن التنبؤ بالجينات من البداية هو طريقة جوهرية تعتمد على محتوى الجين واكتشاف الإشارة. ونظرًا للتكلفة والصعوبة المتأصلة في الحصول على أدلة خارجية للعديد من الجينات، فمن الضروري أيضًا اللجوء إلى اكتشاف الجينات من البداية ، حيث يتم البحث بشكل منهجي في تسلسل الحمض النووي الجينومي وحده عن بعض العلامات الدالة على وجود جينات ترميز البروتين. ويمكن تصنيف هذه العلامات على نطاق واسع إما على أنها إشارات ، أو تسلسلات محددة تشير إلى وجود جين قريب، أو محتوى ، أو خصائص إحصائية لتسلسل ترميز البروتين نفسه. قد يتم وصف اكتشاف الجينات من البداية بشكل أكثر دقة على أنه تنبؤ بالجينات ، نظرًا لأن الأدلة الخارجية مطلوبة بشكل عام لإثبات بشكل قاطع أن الجين المفترض يعمل بشكل صحيح.

تُظهر هذه الصورة كيف يمكن استخدام إطارات القراءة المفتوحة (ORFs) للتنبؤ بالجينات. التنبؤ بالجينات هو عملية تحديد مكان وجود الجين المشفر في تسلسل جينومي. يجب أن تبدأ البروتينات الوظيفية بكودون البدء (حيث يبدأ نسخ الحمض النووي)، وتنتهي بكودون التوقف (حيث ينتهي النسخ). من خلال النظر إلى المكان الذي قد تقع فيه هذه الكودونات في تسلسل الحمض النووي، يمكن للمرء أن يرى أين قد يقع البروتين الوظيفي. هذا مهم في التنبؤ بالجينات لأنه يمكن أن يكشف عن مكان وجود الجينات المشفرة في تسلسل جينومي كامل. في هذا المثال، يمكن اكتشاف بروتين وظيفي باستخدام ORF3 لأنه يبدأ بكودون البدء، وله أحماض أمينية متعددة، ثم ينتهي بكودون التوقف، وكل ذلك ضمن إطار القراءة نفسه. [6]

في جينومات بدائيات النوى ، تحتوي الجينات على تسلسلات مُحفِّزة محددة ومفهومة نسبيًا (إشارات)، مثل صندوق بريبنو ومواقع ربط عوامل النسخ ، والتي يسهل التعرف عليها بشكل منهجي. أيضًا، يحدث التسلسل المشفر للبروتين كإطار قراءة مفتوح متجاور (ORF)، والذي يبلغ طوله عادةً مئات أو آلاف أزواج القواعد . إحصائيات كودونات التوقف هي بحيث أن العثور على إطار قراءة مفتوح بهذا الطول يعد علامة مفيدة إلى حد ما. (نظرًا لأن 3 من أصل 64 كودونًا محتملًا في الشفرة الوراثية هي كودونات توقف، فمن المتوقع وجود كودون توقف كل 20-25 كودونًا تقريبًا، أو 60-75 زوجًا من القواعد، في تسلسل عشوائي ). علاوة على ذلك، فإن الحمض النووي المشفر للبروتين له فترات زمنية معينة وخصائص إحصائية أخرى يسهل اكتشافها في تسلسل بهذا الطول. تجعل هذه الخصائص العثور على جين بدائيات النوى أمرًا مباشرًا نسبيًا، والأنظمة المصممة جيدًا قادرة على تحقيق مستويات عالية من الدقة.

إن العثور على الجينات من البداية في حقيقيات النوى ، وخاصة الكائنات الحية المعقدة مثل البشر، يشكل تحديًا كبيرًا لعدة أسباب. أولاً، إن المحفز والإشارات التنظيمية الأخرى في هذه الجينومات أكثر تعقيدًا وأقل فهمًا من تلك الموجودة في بدائيات النوى، مما يجعل التعرف عليها بشكل موثوق أكثر صعوبة. ومن الأمثلة الكلاسيكية للإشارات التي تم تحديدها بواسطة مكتشفي الجينات في حقيقيات النوى جزر CpG ومواقع الارتباط لذيل poly(A) .

ثانيًا، تعني آليات الربط التي تستخدمها الخلايا حقيقية النواة أن تسلسل ترميز البروتين المحدد في الجينوم ينقسم إلى عدة أجزاء ( إكسونات )، تفصل بينها تسلسلات غير ترميزية ( إنترونات ). (مواقع الربط هي في حد ذاتها إشارة أخرى غالبًا ما يتم تصميم أجهزة اكتشاف الجينات حقيقية النواة لتحديدها). قد ينقسم جين ترميز البروتين النموذجي في البشر إلى اثني عشر إكسونًا، كل منها أقل من مائتي زوج قاعدي في الطول، وبعضها قصير يصل إلى عشرين إلى ثلاثين زوجًا. لذلك، من الصعب للغاية اكتشاف الدوريات وخصائص المحتوى الأخرى المعروفة للحمض النووي المشفر للبروتين في حقيقيات النواة.

تستخدم أدوات البحث المتقدمة عن الجينات لكل من الجينومات بدائية النواة وحقيقية النواة عادةً نماذج احتمالية معقدة ، مثل نماذج ماركوف المخفية (HMMs) لدمج المعلومات من مجموعة متنوعة من قياسات الإشارة والمحتوى المختلفة. يعد نظام GLIMMER أداة بحث عن الجينات مستخدمة على نطاق واسع ودقيقة للغاية لبدائيات النواة. GeneMark هو نهج شائع آخر. وبالمقارنة، حققت أدوات البحث عن الجينات في حقيقيات النوى نجاحًا محدودًا فقط؛ ومن الأمثلة البارزة برامج GENSCAN وgeneid. تعتمد أدوات البحث عن الجينات GeneMark-ES وSNAP على GHMM مثل GENSCAN. يحاولون معالجة المشكلات المتعلقة باستخدام أداة البحث عن الجينات في تسلسل جينوم لم يتم تدريبه عليه. [7] [8] تستخدم بعض الأساليب الحديثة مثل mSplicer، [9] CONTRAST، [10] أو mGene [11] أيضًا تقنيات التعلم الآلي مثل آلات المتجهات الداعمة للتنبؤ بالجينات بنجاح. يقومون ببناء نموذج تمييزي باستخدام آلات دعم متجهات ماركوف المخفية أو الحقول العشوائية المشروطة لتعلم دالة تسجيل دقيقة للتنبؤ بالجينات.

تم معايرة طرق Ab Initio ، حيث اقتربت بعضها من حساسية 100%، [3] ومع ذلك، مع زيادة الحساسية، تعاني الدقة نتيجة لزيادة الإيجابيات الكاذبة .

إشارات أخرى

من بين الإشارات المشتقة المستخدمة للتنبؤ الإحصائيات الناتجة عن إحصائيات التسلسل الفرعي مثل إحصائيات k-mer ، أو Isochore (علم الوراثة) أو تكوين GC/التوحيد/الإنتروبيا، وطول التسلسل والإطار، ومفردات موقع ربط الإنترون/الإكسون/المانح/المستقبل/المحفز والريبوسوم ، والبعد الكسري ، وتحويل فورييه للحمض النووي المشفر بالأرقام الزائفة، ومعلمات منحنى Z وبعض ميزات التشغيل. [12]

وقد اقترح البعض أن الإشارات الأخرى غير تلك التي يمكن اكتشافها مباشرة في التسلسلات قد تعمل على تحسين التنبؤ بالجينات. على سبيل المثال، تم الإبلاغ عن دور البنية الثانوية في تحديد العناصر التنظيمية. [13] بالإضافة إلى ذلك، فقد اقترح البعض أن التنبؤ بالبنية الثانوية للحمض النووي الريبي يساعد في التنبؤ بموقع الوصل. [14] [15] [16] [17]

الشبكات العصبية

الشبكات العصبية الاصطناعية هي نماذج حسابية تتفوق في التعلم الآلي والتعرف على الأنماط . يجب تدريب الشبكات العصبية ببيانات المثال قبل أن تتمكن من التعميم للبيانات التجريبية، واختبارها مقابل بيانات معيارية. الشبكات العصبية قادرة على التوصل إلى حلول تقريبية للمشاكل التي يصعب حلها خوارزميًا، بشرط وجود بيانات تدريب كافية. عند تطبيقها على التنبؤ بالجينات، يمكن استخدام الشبكات العصبية جنبًا إلى جنب مع طرق أخرى أولية للتنبؤ بالسمات البيولوجية أو تحديدها مثل مواقع الوصل. [18] يتضمن أحد الأساليب [19] استخدام نافذة منزلقة، والتي تجتاز بيانات التسلسل بطريقة متداخلة. الناتج في كل موضع هو درجة بناءً على ما إذا كانت الشبكة تعتقد أن النافذة تحتوي على موقع وصل مانح أو موقع وصل متقبل. توفر النوافذ الأكبر مزيدًا من الدقة ولكنها تتطلب أيضًا المزيد من القوة الحسابية. الشبكة العصبية هي مثال على مستشعر الإشارة حيث أن هدفها هو تحديد موقع وظيفي في الجينوم.

النهج المشترك

تجمع برامج مثل Maker بين النهج الخارجي والنهج البدائي من خلال ربط بيانات البروتين و EST بالجينوم للتحقق من صحة التنبؤات البدائية . يمكن لبرنامج Augustus، الذي يمكن استخدامه كجزء من خط أنابيب Maker، أيضًا دمج تلميحات في شكل محاذاة EST أو ملفات تعريف البروتين لزيادة دقة التنبؤ بالجين.

مناهج الجينوم المقارن

وبما أن الجينومات الكاملة للعديد من الأنواع المختلفة يتم تسلسلها، فإن الاتجاه الواعد في الأبحاث الحالية حول اكتشاف الجينات هو نهج الجينوميات المقارنة .

يعتمد هذا على المبدأ القائل بأن قوى الانتقاء الطبيعي تتسبب في خضوع الجينات والعناصر الوظيفية الأخرى للطفرات بمعدل أبطأ من بقية الجينوم، لأن الطفرات في العناصر الوظيفية من المرجح أن تؤثر سلبًا على الكائن الحي مقارنة بالطفرات في أماكن أخرى. وبالتالي يمكن اكتشاف الجينات من خلال مقارنة جينومات الأنواع ذات الصلة للكشف عن هذا الضغط التطوري للحفاظ عليها. تم تطبيق هذا النهج لأول مرة على جينومات الفئران والبشر، باستخدام برامج مثل SLAM وSGP وTWINSCAN/N-SCAN وCONTRAST. [20]

مُخبرين متعددين

فحصت تقنية TWINSCAN فقط التوافق الجيني بين الإنسان والفأر للبحث عن الجينات المتماثلة. سمحت برامج مثل N-SCAN وCONTRAST بدمج التوافقات من كائنات حية متعددة، أو في حالة N-SCAN، كائن حي بديل واحد من الهدف. يمكن أن يؤدي استخدام مصادر متعددة إلى تحسينات كبيرة في الدقة. [20]

يتألف CONTRAST من عنصرين. الأول هو مصنف أصغر، يحدد مواقع الوصل بين المتبرع والمستقبل بالإضافة إلى كودونات البدء والتوقف. يتضمن العنصر الثاني إنشاء نموذج كامل باستخدام التعلم الآلي. إن تقسيم المشكلة إلى قسمين يعني أنه يمكن استخدام مجموعات بيانات أصغر مستهدفة لتدريب المصنفين، ويمكن لهذا المصنف أن يعمل بشكل مستقل وأن يتم تدريبه باستخدام نوافذ أصغر. يمكن للنموذج الكامل استخدام المصنف المستقل، وعدم الاضطرار إلى إهدار الوقت الحسابي أو تعقيد النموذج في إعادة تصنيف حدود الإنترون والإكسون. يقترح البحث الذي يتم فيه تقديم CONTRAST أن يتم تصنيف طريقتهم (وطرق TWINSCAN، وما إلى ذلك) على أنها تجميع جيني جديد ، باستخدام جينومات بديلة، وتحديدها على أنها مختلفة عن ab initio ، والتي تستخدم جينومات "مخبر" مستهدفة. [20]

يمكن أيضًا استخدام اكتشاف الجينات المقارنة لتوقع التعليقات عالية الجودة من جينوم إلى آخر. ومن الأمثلة البارزة على ذلك Projector وGeneWise وGeneMapper وGeMoMa. تلعب مثل هذه التقنيات الآن دورًا مركزيًا في شرح جميع الجينومات.

التنبؤ بالجينات الزائفة

الجينات الزائفة هي أقارب قريبة من الجينات، تشترك في تشابه تسلسلي عالٍ جدًا، لكنها غير قادرة على ترميز نفس المنتج البروتيني . في حين تم تصنيفها ذات يوم على أنها منتجات ثانوية لتسلسل الجينات ، إلا أنها أصبحت بشكل متزايد، مع اكتشاف الأدوار التنظيمية، أهدافًا تنبؤية في حد ذاتها. [21] يستخدم التنبؤ بالجينات الزائفة تشابه التسلسل الحالي وطرق ab initio، مع إضافة تصفية إضافية وطرق لتحديد خصائص الجينات الزائفة.

يمكن تخصيص طرق تشابه التسلسل للتنبؤ بالجينات الزائفة باستخدام الترشيح الإضافي للعثور على الجينات الزائفة المرشحة. يمكن استخدام اكتشاف التعطيل، والذي يبحث عن الطفرات غير المنطقية أو الطفرات الإطارية التي من شأنها أن تقطع أو تنهار تسلسل ترميز وظيفي بخلاف ذلك. [22] بالإضافة إلى ذلك، يمكن أن يكون ترجمة الحمض النووي إلى تسلسلات بروتينية أكثر فعالية من مجرد تشابه الحمض النووي المباشر. [21]

يمكن تصفية أجهزة استشعار المحتوى وفقًا للاختلافات في الخصائص الإحصائية بين الجينات الزائفة والجينات، مثل انخفاض عدد جزر CpG في الجينات الزائفة، أو الاختلافات في محتوى GC بين الجينات الزائفة وجاراتها. يمكن أيضًا صقل أجهزة استشعار الإشارة للجينات الزائفة، بحثًا عن غياب الإنترونات أو ذيول البولي أدينين. [23]

التنبؤ بالجينات الميتاجينومية

علم الميتاجينوميات هو دراسة المواد الوراثية المسترجعة من البيئة، مما يؤدي إلى الحصول على معلومات التسلسل من مجموعة من الكائنات الحية. يعد التنبؤ بالجينات مفيدًا لعلم الميتاجينوميات المقارن .

تندرج أدوات الميتاجينوميات أيضًا ضمن الفئات الأساسية لاستخدام إما نهج تشابه التسلسل (MEGAN4) أو تقنيات ab initio (GLIMMER-MG).

Glimmer-MG [24] هو امتداد لبرنامج GLIMMER يعتمد في الغالب على نهج ab initio للعثور على الجينات واستخدام مجموعات التدريب من الكائنات الحية ذات الصلة. يتم تعزيز استراتيجية التنبؤ من خلال تصنيف وتجميع مجموعات بيانات الجينات قبل تطبيق طرق التنبؤ بالجينات ab initio. يتم تجميع البيانات حسب الأنواع. تستفيد طريقة التصنيف هذه من تقنيات التصنيف النشوئي الميتاجينومي. ومن الأمثلة على البرامج لهذا الغرض، Phymm، الذي يستخدم نماذج ماركوف المتداخلة - وPhymmBL، الذي يدمج BLAST في روتينات التصنيف.

تستخدم MEGAN4 [25] نهج تشابه التسلسل، باستخدام المحاذاة المحلية مقابل قواعد بيانات التسلسلات المعروفة، ولكنها تحاول أيضًا التصنيف باستخدام معلومات إضافية حول الأدوار الوظيفية والمسارات البيولوجية والإنزيمات. كما هو الحال في التنبؤ بجين الكائن الحي الفردي، فإن نهج تشابه التسلسل محدود بحجم قاعدة البيانات.

يعد برنامجا FragGeneScan وMetaGeneAnnotator من برامج التنبؤ بالجينات الشائعة التي تعتمد على نموذج ماركوف المخفي . وتأخذ هذه البرامج التنبؤية في الاعتبار أخطاء التسلسل والجينات الجزئية وتعمل على القراءات القصيرة.

أداة أخرى سريعة ودقيقة للتنبؤ بالجينات في الجينومات الوراثية هي MetaGeneMark. [26] تستخدم هذه الأداة من قبل معهد DOE Joint Genome Institute لشرح IMG/M، أكبر مجموعة من الجينومات الوراثية حتى الآن.

انظر أيضا

مراجع

  1. ^ Sleator RD (أغسطس 2010). "نظرة عامة على الوضع الحالي لاستراتيجيات التنبؤ بالجينات حقيقية النواة". Gene . 461 (1–2): 1–4. doi :10.1016/j.gene.2010.04.008. PMID  20430068.
  2. ^ Ejigu, Girum Fitihamlak; Jung, Jaehee (2020-09-18). "مراجعة التعليق التوضيحي الحسابي للجينوم للتسلسلات التي تم الحصول عليها من خلال تسلسل الجيل التالي". علم الأحياء . 9 (9): 295. doi : 10.3390/biology9090295 . ISSN  2079-7737. PMC 7565776. PMID  32962098 . 
  3. ^ ab Yandell M, Ence D (أبريل 2012). "دليل المبتدئين لشرح الجينوم حقيقيات النوى". مراجعات الطبيعة. علم الوراثة . 13 (5): 329–42. doi :10.1038/nrg3174. PMID  22510764. S2CID  3352427.
  4. ^ Redding S, Greene EC (مايو 2013). "كيف تحدد البروتينات أهدافًا محددة في الحمض النووي؟". رسائل الفيزياء الكيميائية . 570 : 1–11. Bibcode :2013CPL...570....1R. doi :10.1016/j.cplett.2013.03.035. PMC 3810971. PMID  24187380 . 
  5. ^ Sokolov IM, Metzler R, Pant K, Williams MC (أغسطس 2005). "البحث عن البروتينات المنزلقة N على الحمض النووي". مجلة بيوفيزيائية . 89 (2): 895-902. رمز Bibcode :2005BpJ....89..895S. doi :10.1529/biophysj.104.057612. PMC 1366639. PMID  15908574. 
  6. ^ Madigan MT, Martinko JM, Bender KS, Buckley DH, Stahl D (2015). Brock Biology of Microorganisms (الطبعة الرابعة عشر). بوسطن: بيرسون. ISBN 9780321897398.
  7. ^ "GeneMark-ES".
  8. ^ كورف الأول (مايو 2004). "اكتشاف الجينات في الجينومات الجديدة". BMC Bioinformatics . 5 : 59. doi : 10.1186/1471-2105-5-59 . PMC 421630. PMID  15144565 . 
  9. ^ Rätsch G، Sonnenburg S، Srinivasan J، Witte H، Müller KR ، Sommer RJ، Schölkopf B (فبراير 2007). "تحسين شرح جينوم Caenorhabditis elegans باستخدام التعلم الآلي". PLOS Computational Biology . 3 (2): e20. Bibcode :2007PLSCB...3...20R. doi : 10.1371 /journal.pcbi.0030020 . PMC 1808025. PMID  17319737. 
  10. ^ Gross SS, Do CB, Sirota M, Batzoglou S (2007-12-20). "CONTRAST: a discriminative, phylogeny-free approach to multiple informant de novo gene prediction". علم الأحياء الجيني . 8 (12): R269. doi : 10.1186/gb-2007-8-12-r269 . PMC 2246271. PMID  18096039 . 
  11. ^ Schweikert G، Behr J، Zien A، Zeller G، Ong CS، Sonnenburg S، Rätsch G (يوليو 2009). "mGene.web: خدمة ويب للعثور على الجينات الحسابية الدقيقة". Nucleic Acids Research . 37 (إصدار خادم الويب): W312–6. doi :10.1093/nar/gkp479. PMC 2703990. PMID  19494180 . 
  12. ^ Saeys Y, Rouzé P, Van de Peer Y (فبراير 2007). "بحثًا عن الكائنات الصغيرة: تحسين التنبؤ بالإكسونات القصيرة في الفقاريات والنباتات والفطريات والكائنات الأولية". علم الأحياء الحاسوبي . 23 (4): 414-20. doi : 10.1093/bioinformatics/btl639 . PMID  17204465.
  13. ^ Hiller M, Pudimat R, Busch A, Backofen R (2006). "استخدام هياكل ثانوية من الحمض النووي الريبي لتوجيه العثور على نمط التسلسل نحو المناطق ذات السلسلة المفردة". أبحاث الأحماض النووية . 34 (17): e117. doi :10.1093/nar/gkl544. PMC 1903381. PMID  16987907 . 
  14. ^ باترسون دي جي، ياسوهارا كيه، روزو دبليو إل (2002). "التنبؤ بالبنية الثانوية قبل الرنا المرسال يساعد في التنبؤ بموقع الوصل". ندوة المحيط الهادئ للحوسبة الحيوية. ندوة المحيط الهادئ للحوسبة الحيوية : 223-34. PMID  11928478.
  15. ^ Marashi SA, Goodarzi H, Sadeghi M, Eslahchi C, Pezeshk H (فبراير 2006). "أهمية معلومات البنية الثانوية للحمض النووي الريبي لتوقعات مواقع الوصل بين المتبرع والمستقبل في الخميرة بواسطة الشبكات العصبية". علم الأحياء الحاسوبي والكيمياء . 30 (1): 50-7. doi :10.1016/j.compbiolchem.2005.10.009. PMID  16386465.
  16. ^ Marashi SA, Eslahchi C, Pezeshk H, Sadeghi M (يونيو 2006). "تأثير بنية الحمض النووي الريبي على التنبؤ بمواقع الوصل بين المتبرع والمستقبل". BMC Bioinformatics . 7 : 297. doi : 10.1186/1471-2105-7-297 . PMC 1526458. PMID  16772025 . 
  17. ^ Rogic, S (2006). دور البنية الثانوية لما قبل الرنا المرسال في ربط الجينات في الخميرة Saccharomyces cerevisiae (PDF) (أطروحة دكتوراه). جامعة كولومبيا البريطانية. مؤرشف من الأصل (PDF) في 2009-05-30 . تم الاسترجاع في 2007-04-01 .
  18. ^ Goel N, Singh S, Aseri TC (يوليو 2013). "تحليل مقارن لتقنيات الحوسبة الناعمة للتنبؤ بالجينات". الكيمياء الحيوية التحليلية . 438 (1): 14-21. doi :10.1016/j.ab.2013.03.015. PMID  23529114.
  19. ^ يوهانسن، ∅Ystein؛ رين، توم؛ إفتس∅l، تريجفي؛ كجوسموين، توماس؛ روف، بيتر (2009). "التنبؤ بموقع الوصل باستخدام الشبكات العصبية الاصطناعية". أساليب الذكاء الحاسوبي في المعلوماتية الحيوية والإحصاء الحيوي . محاضرة علوم الكمبيوتر. المجلد 5488. ص 102-113. doi :10.1007/978-3-642-02504-4_9. ISBN 978-3-642-02503-7.
  20. ^ abc Gross SS, Do CB, Sirota M, Batzoglou S (2007). "CONTRAST: a discriminative, phylogeny-free approach to multiple informant de novo gene prediction". علم الأحياء الجيني . 8 (12): R269. doi : 10.1186/gb-2007-8-12-r269 . PMC 2246271. PMID  18096039 . 
  21. ^ ab Alexander RP, Fang G, Rozowsky J, Snyder M, Gerstein MB (أغسطس 2010). "شرح المناطق غير المشفرة في الجينوم". مراجعات الطبيعة. علم الوراثة . 11 (8): 559–71. doi :10.1038/nrg2814. PMID  20628352. S2CID  6617359.
  22. ^ Svensson O, Arvestad L, Lagergren J (مايو 2006). "Genome-wide survey for biologically function pseudogenes". PLOS Computational Biology . 2 (5): e46. Bibcode :2006PLSCB...2...46S. doi : 10.1371/journal.pcbi.0020046 . PMC 1456316. PMID  16680195 . 
  23. ^ Zhang Z, Gerstein M (أغسطس 2004). "تحليل واسع النطاق للجينات الزائفة في الجينوم البشري". Current Opinion in Genetics & Development . 14 (4): 328–35. doi :10.1016/j.gde.2004.06.003. PMID  15261647.
  24. ^ كيلي دي آر، ليو بي، ديلشر إيه إل، بوب إم، سالزبيرج إس إل (يناير 2012). "التنبؤ بالجينات باستخدام جليمر للتسلسلات الميتاجينومية المعززة بالتصنيف والتجميع". أبحاث الأحماض النووية . 40 (1): e9. doi :10.1093/nar/gkr1067. PMC 3245904. PMID  22102569 . 
  25. ^ Huson DH, Mitra S, Ruscheweyh HJ, Weber N, Schuster SC (سبتمبر 2011). "التحليل التكاملي للتسلسلات البيئية باستخدام MEGAN4". Genome Research . 21 (9): 1552–60. doi :10.1101/gr.120618.111. PMC 3166839. PMID  21690186 . 
  26. ^ Zhu W, Lomsadze A, Borodovsky M (يوليو 2010). "تحديد الجينات من البداية في تسلسلات الميتاجينوم". Nucleic Acids Research . 38 (12): e132. doi :10.1093/nar/gkq275. PMC 2896542. PMID  20403810 . 
  • أغسطس
  • تم أرشفة FGENESH في 2013-01-04 على archive.today
  • GeMoMa - التنبؤ بالجينات القائمة على التشابه استنادًا إلى الحفاظ على موضع الأحماض الأمينية والإنترونات بالإضافة إلى بيانات RNA-Seq
  • جينيد، SGP2
  • تم أرشفة Glimmer في 2011-08-26 على موقع Wayback Machine ، وتم أرشفة GlimmerHMM في 2011-08-18 على موقع Wayback Machine
  • جينوم ثريدر
  • كيمجينوم
  • جينمارك
  • جيسمو
  • إم جين
  • StarORF — أداة متعددة المنصات وويب للتنبؤ بـ ORFs والحصول على تسلسل المكمل العكسي
  • Maker - خط أنابيب محمول وسهل التكوين لشرح الجينوم
تم الاسترجاع من "https://en.wikipedia.org/w/index.php?title=التنبؤ_بالجينات&oldid=1258614332"
Original text
Rate this translation
Your feedback will be used to help improve Google Translate