Probabilistic Methods for Computational Annotation of Genomic Sequences

Abstract

Neue Sequenzier-Techniken haben die Herstellung neuer genomischer Sequenzen enorm beschleunigt. Da die manuelle Durchsicht solcher Datenmengen unmöglich ist, gibt es einen anhaltenden Bedarf an computergestützten Werkzeugen für die effiziente und korrekte Annotation der Daten. Die Vorhersage Protein-kodierender Gene und die Klassifikation der dadurch gewonnenen Proteinsequenzen sind wesentliche Teile des Annotationsprozesses. Zur Zeit sind automatische Vorhersagen nicht genau genug, um als verlässlich zu gelten. Während immer mehr neu produzierte Datenmengen analysiert werden müssen, wächst gleichzeitig die Verfügbarkeit von Daten, die für die Vorhersage benutzt werden können. Insbesondere sind Proteindatenbanken, die Sequenzen und zugehörige Funktion von Proteinfamilien enthalten, weit verbreitet und bequem verfügbar, und damit mögliche Quellen für zusätzliche Information als Eingabe für Genvorhersage-Programme. Im Mittelpunkt dieser Arbeit steht die Einführung einer neuen Methode, die zur Verbesserung der Vorhersagequalität gegenwärtiger Genvorhersage-Verfahren Proteinprofile nutzt, die aus einer Sammlung verwandter Proteine generiert werden. Diese wurde implementiert als Erweiterung des Genvorhersage-Programms AUGUSTUS, der Proteinprofil-Extension (PPX). Da für eine korrekte Klassifikation von Proteinsequenzen insbesondere die korrekte Vorhersage für die Proteinfamilie typischer Regionen wichtig ist, ist diese Methode eine Kombination von Genvorhersage und Protein-Klassifikation betrachtet werden, die auf die Verbesserung korrekter Klassifikationsraten abzielt. Sowohl in der Genvorhersage als auch in der Proteinklassifikation werden Sequenzen auf der Grundlage probabilistischer Modelle ausgewertet, die solche Sequenzen auswählen oder etikettieren, die in dem jeweiligen Modell hohe Wahrscheinlichkeit haben. Alle solche Modelle haben die Markov-Eigenschaft gemein, welche besagt, dass es keine Einflüsse weit entfernter Sequenzregion auf die lokale Verteilung gibt, wenn die direkte Nachbarschaft bekannt ist. Diese Arbeit stellt die speziellen Modelle für die implementierten Methoden vor.