Meta基因预测：概念

什么是基因预测

基因的基本结构

所谓基因预测，简单地讲就是预测编码区（CDS）。

原核生物与真核生物基因的差别：

• 真核生物基因有内含子（非连续）
• 更加丰富的调控信息
• 可变剪切
• CpG岛
• GC等值区
• 密码子使用偏性

基本概念

• CDS是Coding sequence的缩写，是编码蛋白产物的序列，是结构基因组学术语。

• Open Reading Frame, ORF 开放阅读框是DNA上的一段碱基序列，由于拥有特殊的起始密码子（ATG）和直到可以从该段碱基序列产生合适大小蛋白才出现的终止密码子（TAA，TAG或TGA），该段碱基序列可能编码一个蛋白。

• CDS必定是一个ORF（开放读码框），但也可能包括很多ORF。反之，每个ORF不一定都是CDS。

为什么要做基因预测

• 组装序列的生物学意义

怎样做基因预测

基因识别的方法：

• 最长ORFs法（朴素扫雷）
• 基于密码子出现的频率（期望与落差）
• 同源性方法（数据库比对）
• 神经网络法（训练拟合）
• 模式识别法（统计量）
• 动态规划（步步紧逼）

隐马尔可夫模型（我们用的算法）
用隐马尔可夫模型建立预测模型
一文搞懂HMM（隐马尔可夫模型）

  03.Gene_Prediction/lib/gmhmmp   -a  -d -f G -p 1   -m   lib/MetaGeneMark_v1.mod  -o B11.1.mgm B11.1.scaf.500.fa

 -a 输出所预测基因的蛋白质序列
 -d 输出所预测基因的核算序列
 -f   [L|G] Output format: [L] LST or [G] GFF2 
 -p  [1|0] Gene overlap are allowed [1] or prohibited [0]
 -m 确定要使用的物种模型
 -o 输出文件名。默认为输入文件名后加上“.lst”的后缀

基因预测流程
宏基因组分析——基因预测篇
GeneMark使用教程
宏基因组ORF预测
GeneMark