thumbnail|400px|Struktura eukariotskog gena Predviđanje gena ili nalaženje gena, znano i kao predikcija gena – u računarskoj biologiji – odnosi se na postupak identifikacije regija genomske DNK, koje kodiraju gene. To uključuje protein-kodirajuće gene, kao i RNK gene, ali može uključivati i predviđanje drugih funkcijskih elemenata, kao što su regulatorne regije. Pronalaženje gena jedan je od prvih i najvažnijih koraka u razumijevanju genoma vrste, nakon sekvenciranja.
U svojim najranijim pokušajima, predikcija gena zasnivala se na mukotrpnom eksperimentiranju na živim ćelijama i organizmima. Statistička analiza brzine homologne rekombinacije nekoliko različitih gena, mogla j odrediti njihov redoslijed na određenom hromosomu, a informacije iz mnogih takvih eksperimenata mogle bi se kombinirati za kreiranje genetičke mape koja specificira grubi raspored poznatih gena, u prostornom međuodnosu njihoih lokusa. Danas, sa sveobuhvatnom sekvencom genoma i moćnim računskim resursima na raspolaganju je predikcija gena redefinirana kao uglavnom računarski problem.
Utvrđivanje funkcionalnosti neke sekvence treba razlikovati od utvrđivanja funkcija gena ili njegovog proizvoda. Predviđanje funkcije gena i potvrđivanje tačnosti predviđanja gena i dalje zahtijeva eksperimentiranje in vivo putem nokaut gena i drugih testova, iako granice bioinformatičkih istraživanja čine sve više mogućim predviđanje funkcije gena samo na osnovu njegove sekvence.
Predviđanje gena jedan je od ključnih koraka u označavanju genoma, nakon sastavljanja sekvence, filtriranja nekodirajućih područja i maskiranja ponavljanja.
Predviđanje gena usko je povezano s takozvanim „problemom pretraživanja cilja“, koji istražuje kako proteini koji vežu DNK (faktori transkripcije) pronalaze specifična mjesta vezanja unutar genoma. Mnogi aspekti strukturnog predviđanja gena temelje se na trenutnom razumijevanju osnovnih biohemijskih procesa u ćeliji kao što su geni transkripcije, translacije, interakcije protein-protein i procesi regulacije, koji su predmet aktivnih istraživanja u raznim omikama, kao što su transkriptomika, proteomika, metabolomika i općenito strukturna i funkcionalna genomika.
Empirijski metodi U empirijskim sistemima za pronalaženje gena (sličnosti, homologije ili dokaza), ciljani genom se traži za sekvence koje su slične vanjskim dokazima u obliku poznate izražene oznake sekvence, informacijske RNK (iRNK ), proteinskog proizvoda i homologne ili ortologne sekvence. S obzirom na sekvencu iRNK, trivijalno je izvesti jedinstvenu genomsku sekvencu DNK, iz koje je ona trebala biti transkribirana. Imajući u vidu sekvencu proteina, porodica mogućih kodirajućih sekvenci DNK može se dobiti obrnutim prevođenjem genetičkog koda. Kada se utvrde kandidatske sekvence DNK, relativno je jednostavan algoritamski problem efikasno pretraživati ciljni genom za podudaranja, potpuna ili djelimična, te egzaktna ili netačna. Prema sekvencama, algoritmi lokalnog poravnanja poput BLAST-a, FASTA-a i Smith-Watermanovog algoritma traže regije sličnosti između ciljne sekvence i mogućih kandidatskih podudaranja. Podudaranja mogu biti potpuna ili djelomična, te egzaktna ili netačna. Uspjeh ovog pristupa ograničen je sadržajem i tačnošću baze podataka o sekvencama.
Visok stepen sličnosti sa poznatim iRNK ili proteinskim proizvodom snažan je dokaz da je regija ciljnog genoma protein koji kodira protein. Međutim, za sistemsku primjenu ovog pristupa potrebno je opsežno sekvenciranje iRNK i proteinskih proizvoda. Ne samo da je ovo skupo, već se u složenim organizmima u bilo kojem trenutku izražava samo podskup svih gena u njeihovim genomima, što znači da vanjski dokazi za mnoge gene nisu lahko dostupni u bilo kojoj pojedinačnoj ćelijskoj kulturi. Dakle, za prikupljanje vanjskih dokaza za većinu ili sve gene u složenom organizmu potrebno je proučiti stotine ili hiljade tipova ćelija, što predstavlja dodatne poteškoće. Naprimjer, neki ljudski geni mogu se izraziti samo tokom embrionskog ili fetusnog razvoja, što bi iz etičkih razloga moglo biti teško proučiti.
Uprkos tim poteškoćama, stvorene su opsežne baze podataka o transkriptima i sekvencama ljudskih proteina, kao i za druge važne modelne organizme u biologiji, poput miševa i kvasaca. Naprimjer, baza podataka RefSeq sadrži transkripte i sekvence proteina mnogih različitih vrsta, a sistem Ensembl sveobuhvatno preslikava ove dokaze na ljude i nekoliko drugih genoma. Međutim, vjerovatno je da su ove baze podataka nepotpune i sadrže male, ali značajne količine pogrešnih podataka.
Nove visokopropusne tehnologije transkriptomskih sekvenciranja kao što su RNK-Seq i ChIP-sekvenciranje otvaraju mogućnosti za uključivanje dodatnih vanjskih dokaza u predviđanju i validaciji gena, i omogućavaju strukturno bogatu i tačniju alternativu prethodnog metoda merenja ekspresije gena, kao što su izražena oznaka sekvence ili mikromreža DNK.
Glavni izazovi u predviđanju gena uključuju rješavanje grešaka sirovih podataka u sekvenciranju DNK, ovisnost o kvalitetu sekvencnog slopa, rukovanju kratkim očitavanjima, mutacijskim okvirima, preklapajućim i nepotpunim genima.
Kada se traži homologija genske sekvence, kod prokariota je neophodno uzeti u obzir i horizontalni prijenos gena. Dodatni važan faktor koji se nedovoljno koristi u sadašnjim alatima za otkrivanje gena je postojanje genskih klastera – operona (koji su funkcionalne jedinice DNK koje sadrže klaster gena pod kontrolom jednog promotora) i kod prokariota i kod eukariota. Najpopularniji detektori gena, svaki gen tretiraju izolirano, neovisno o drugima, što biološki nije korektno.
Metodi ab initio Ab initio predviđanje gena je metod koji je suštinski zasnovana na sadržaju gena i detekciji signala. Zbog inherentnih troškova i poteškoća u pribavljanju vanjskih dokaza za mnoge gene, također je potrebno pribjeći pronalaženju gena ab initio, u kojem samo sekvenca genomske DNK, sistemski se traga za određenim kontrolnim znacima gena koji kodiraju proteine. Ovi se znakovi mogu široko kategorizirati kao signali specifične sekvence koji ukazuju na prisustvo gena u blizini ili kao sadržaja, statistička svojstva same sekvence koja kodira protein. Nalaženja gena ab initio mogao bi se preciznije okarakterizirati kao "predviđanje" gena, jer su obično potrebni vanjski dokazi da bi se definitivno utvrdilo da je navodni gen funkcionalan. thumb|300px|Prikaz korištenja otvorenog okvira čitanja (ORF) za predikciju gena. Predviđanje gena je postupak određivanja polčožaja kodirajućeg gena u genomskoj sekvenci. Funkcijski proteini moraju započeti startnim kodonom (tamo gdje započinje transkripcija DNK), a završiti stop kodonom (gdje transkripcija završava). Gledajući gdje bi ti kodoni mogli biti u sekvenci DNK, može se znati i gdje se može nalaziti djelotvorni protein. Ovo je važno u predviđanju gena, jer može otkriti gdje su geni koji kodiraju u cijelom genomskom nizu. U ovom primjeru, funkcionalni protein može se otkriti pomoću ORF3, jer započinje start kodonom, ima više aminokiselina, a zatim se završava stop kodonom, sve u istom okviru za čitanje. U genomima prokariota, geni imaju specifične i relativno dobro razumljive promotorne sekvence (signale), kao što su Pribnowov boks i faktor transkripcije mjesta vezanja, koje je lahko sistematski prepoznati. Također, sekvenca koja se kodira protein javlja se kao jedan susjedni otvoreni okvir čitanja (ORF), koji je obično dug stotinama ili hiljadama baznih parova. Statistika stop codona je takva da je čak i pronalazak otvorenog okvira čitanje ove dužine prilično informativan znak. (Budući da su tri od 64 moguća kodona u genetičkom kodu stop kodoni, u slučajnoj sekvenci očekivao bi se stop kodon na otprilike svakih 20-25 kodona ili 60-75 baznih parova.) Nadalje, protein- kodirajuća DNK ima određenu periodičnost i druga statistička svojstva, koja je lahko otkriti u sekvenci ove dužine. Ove karakteristike čine pronalaženje prokariotskih gena relativno jednostavnim, a dobro dizajnirani sistemi mogu postići visok nivo preciznosti.
Predikcija gena ab initio kod eukariota, posebno složenih organizama poput ljudi, znatno je izazovnija iz nekoliko razloga. Prvo, promotor i drugi regulatorni signali u ovim genomima složeniji su i manje razumljivi nego u prokariotima, što ih čini težim za pouzdano prepoznavanje. Dva klasična primjera signala koje identificiraju pronalazači eukariotskih gena su CpG otok i mjesta vezanja za poli (A) rep.
Drugo, mehanizmi prerade RNK u eukariotskim ćelijama znače da je određena sekvenca koja kodira protein u genomu podijeljena na nekoliko dijelova (egzona), odvojenih nekodirajućim sekvencama (intronima). (Mjesta prerade su sama po sebi još jedan signal koji su prediktori eukariotskih gena često dizajnirani da identificiraju.) Tipski gen koji kodira protein može se podijeliti na desetak egzona, svaki duži od manje od dvjesto baznih parova, a neki i do dvadeset do trideset. Stoga je u eukariotima mnogo teže otkriti periodičnost i druga poznata svojstva sadržaja DNK koja kodira protein.
Napredni prediktori gena i za prokariotske i za eukariotske genome obično koriste složene modele vjerovatnoće, kao što je skriveni Markovljev model (HMM) za kombiniranje podataka iz različitih mjerenja signala i sadržaja. Sistem GLIMMER je široko korišten i vrlo precizan pretraživač gena za prokariote. GeneMark je još jedan popularni pristup. Poređenja radi, eukariotski prediktori gena ab initio postigli su samo ograničeni uspjeh; zapaženi primjeri su programi GENSCAN i geneid. SNAP pronalazač gena zasnovan je na HMM-u poput Genscana i pokušava biti prilagodljiviji različitim organizmima, rješavajući probleme povezane s korištenjem genskog tragača na sekvencama genoma za koje nije bio uvježban. Nekoliko nedavnih pristupa, kao što su mSplicer, CONTRAST, ili mGene također koristite mašinsko učenje, tehnike kao što su podržavanje vektorskih mašina za uspešno predviđanje gena. Oni grade diskriminativni model, koristeći skriveni Markovljev mašinski vektor za podršku ili uslovno slučajno polje, da bi naučili preciznu funkciju bodovanja za predviđanje gena.
Metodi ab initio su referentni, a neki se približavaju osjetljivosti od 100% , ali kako se osjetljivost povećava, preciznost pati kao rezultat povećane lažno pozitivne vrijednosti.
Ostali signali Među izvedenim signalima koji se koriste za predviđanje su statistika koja proizlazi iz statistike podredov, kao št o su k-mer-statistike, izohor ili kompozicijski domen GC- sastav/ujednačenost/ entropija, sekvence i dužina okvira, intron/ egzon/donor/akceptor/promotor i rječnik ribosomnog veznog mjesta, fraktalna dimenzija, Fourierova transformacija pseudo-brojevne DNK, Z-kriva parametri i određene značajke pokretanja.
Sugerira se da signali koji nisu direktno otkriveni u sekvencama mogu poboljšati predviđanje gena. Naprimjer, zabilježena je uloga sekundarne strukture u identificiranju regulacijskih motiva. Pored toga, predloženo je da predviđanje sekundarne strukture RNK pomaže u predviđanju mjesta njene prerade.
Nervne mreže