GENSCAN

El objetivo principal al desarrollar un modelo de secuencia genómica para GENSCAN fue identificar las propiedades generales y específicas que componen las unidades funcionales individuales de los genes eucariotas (p. ej. , exones , intrones , sitios de empalme , promotores ). Se hizo especial hincapié en las características reconocibles por la maquinaria general de transcripción, empalme y traducción que procesa la mayoría de los genes codificadores de proteínas , en contraposición a las señales asociadas con la transcripción o el empalme de genes y familias de genes (p. ej. , caja TATA ). Además, se utiliza un modelo de Markov general de quinto orden con tres periodos para las regiones codificantes, en contraposición a los modelos de motivos proteicos específicos o la información de homología de bases de datos . Asimismo, el modelo tiene en cuenta las diferencias estructurales y de densidad entre las regiones compositivas del genoma humano. ^{[ 3 ]}

Debido al uso de estos elementos, GENSCAN funciona sin necesidad de consultar bases de datos de secuencias de proteínas que muestren genes similares. En cambio, las predicciones generadas por GENSCAN complementan las obtenidas mediante métodos de identificación de genes basados ​​en homología (por ejemplo, consultando bases de datos de proteínas con BLASTX ). En general, la estructura del modelo utilizado en GENSCAN es similar al Modelo Oculto de Markov Generalizado . ^{[ 3 ]}

La implementación de GENSCAN difiere de otros programas en múltiples aspectos. Una diferencia notable es que GENSCAN utiliza un modelo de secuencia genómica que se centra exclusivamente en el ADN de doble cadena, donde los genes presentes en ambas cadenas se analizan simultáneamente. Además, GENSCAN es capaz de analizar genomas con genes parciales o inexistentes, en lugar de limitarse a analizar secuencias de genes individuales y completas como otros programas de la época. Estos dos factores contribuyen a que GENSCAN sea particularmente útil para analizar genomas humanos más largos. Asimismo, GENSCAN emplea el concepto de Descomposición de Dependencia Máxima, lo que permite modelar señales funcionales en secuencias de ADN y proteínas, posibilitando que el programa considere las dependencias entre las posiciones de las señales. Esto se implementa en GENSCAN mediante la generación de un modelo de la señal de empalme donante, que captura las dependencias asociadas a los mecanismos de reconocimiento de los sitios de empalme donante en las secuencias de pre-ARNm . ^{[ 3 ]}

GENSCAN tiene la capacidad de calcular la precisión de cada una de sus predicciones utilizando el algoritmo de avance-retroceso . ^{[ 3 ]}

La predicción de la estructura y composición general de los genes humanos en relación con la ubicación de exones y genes en secuencias más largas es un componente adicionalmente útil de GENSCAN. Esto incluye varias características. Una de ellas es la capacidad de capturar diferencias en la estructura y composición de los genes entre regiones C + G en el genoma humano, utilizando conjuntos de parámetros de modelo generados empíricamente. Otra característica derivada es, como se mencionó anteriormente, la predicción de múltiples genes en una secuencia, además de la capacidad de trabajar con genes parciales y ADN de doble cadena. Por último, esto también permite a GENSCAN capturar dependencias entre posiciones de señales con nuevos modelos de sitios de empalme donadores y aceptores. ^{[ 3 ]}

El tiempo de ejecución de GENSCAN aumenta casi linealmente cuando se proporcionan secuencias de tamaño realista (varios kilobits como mínimo), pero en el peor de los casos es cuadrático. ^{[ 3 ]}

GENSCAN, al igual que otros programas de predicción genómica, no produce resultados que coincidan totalmente con los de otros programas. Esto se debe a múltiples factores, entre los que se incluyen, pero no se limitan a: diferencias en los algoritmos, los parámetros y los conjuntos de entrenamiento. Por lo tanto, GENSCAN se ha utilizado para combinar los resultados de dos programas de predicción genética, de modo que si uno de los programas combinados confía en una predicción de secuencia, se utiliza dicha secuencia. Por otro lado, si ninguno de los programas confía en sus predicciones, la secuencia predicha solo se utiliza si ambos programas coinciden en ella. ^{[ 6 ]}