GlimmerHMM指南

官方用户手册

GlimmerHMM是一种De novo的新基因预测软件。

新基因发现基于Generalized Hidden Markov Model (GHMM)。

GlimmerHMM把一个基因看做几种特征序列（状态）的有序切换，这些特征序列包括内含子，基因间隔区，四种外显子（第一个外显子，中间的外显子，最后一个外显子，唯一的外显子），切换的过程形成马尔科夫链。

特征序列内部序列基于Nth-order interpolated Markov models (IMM) (N=8)处理。

描述基因中个特征序列转化关系的马尔科夫状态变化图如下：

特征：

GlimmerHMM使用的模型基于以下几个假设，这些假设导致了GlimmerHMM的一些优点的不足：

- 假设每个基因都开始于起始密码子ATG

- 假设每个基因阅读框内除最后一个密码子外没有终止密码子（no in-frame stop codons）。

- 每个外显子与前一个外显子在同一个阅读框中。（翻译阅读时外显子间没有移框）

优点：GlimmerHMM的搜索范围下降，从而计算效率得以提高。

缺点：真正的移框外显子（genuine frame shifts）无法被检测到。

软件精度

参看官网数据

总体看比Genscan略好

安装

前往官网ftp下载最新版本，解压后即可使用。

Training

由于GlimmerHMM使用的数学模型是HMM，因此需要一个已经研究清楚的物种进行training(学习)之后再对新物种进行prediction（预测），用于trainning的物种应该和需要预测的物种具有较近的亲缘关系。

Input

GHMM的Training需要两个文件输入，即：

- mfasta_file

包含序列的fasta文件

>seq1

AGTCGTCGCTAGCTAGCTAGCATCGAGTCTTTTCGATCGAGGACTAGACTT

CTAGCTAGCTAGCATAGCATACGAGCATATCGGTCATGAGACTGATTGGGC

>seq2

TTTAGCTAGCTAGCATAGCATACGAGCATATCGGTAGACTGATTGGGTTTA

TGCGTTA

- exon_file

包含外显子位置信息，这个文件要求与mfasta_file一致：序列名称一致，位置序号正确指代mfasta_file的序列，不同的序列之间用空行隔开。

seq1 5 15

seq1 20 34

 

seq1 50 48

seq1 45 36

 

seq2 17 20

这个例子中，序列sep1具有两个基因，第一个在先导链上（the direct strand）后一个在互补链上（the complementary strand）,每个基因有两个外显子。这里有一份真实的mfasta_file和exon_file，可用于理解exon_file，即后续程序的测试文件。

Training数据获取

一般来说，Trainning数据的获取主要有：

已经有良好实验背景的该物种基因信息（理想状况，一般不会太多）
从非冗余蛋白数据库（nr）中搜索能够map到基因组上的长ORFs（大于500bp），获取外显子位置信息（比较常见）

Trainning

training的命令结构如下：

GlimmerHMM/train/trainGlimmerHMM <mfasta_file> <exon_file> [optional_parameters]

如果训练集中序列太少，程序会自动警告并且退出，默认情况下要求至少50个具有完整起始密码子（ATG）和终止密码子（TAA/TAG/TGA）的基因在训练集中。

[optional_parameters]中的参数在首次或常规运行中可以省略。

包括的可选项有：

-i ----考虑isochores问题，例如：存在两种isochores，一种gc含量0-40%，另一种40-100%，则写为-i 0,40,100默认为-i 0,100

（isochore是指对温血动物的基因组片段做密度梯度离心实验时，发现的有的基因在离心管中聚集在一层，如同等高（体）线（isochore），这些基因的GC含量被认为相对均匀，长度大多大于300kb，这类DNA片段被命名为isochore。被认为是与脊椎动物的温血、冷血与否有关。）

-f -l -n -v分别是在已知上游UTR区、下游UTR区、基因间隔区、基因群周边序列的序列特征值的情况下输入特征值。（一般不需要填写）
-b 为splice位点简历1阶或2阶马尔科夫链（默认为1阶）

一般情况请直接输入

GlimmerHMM/train/trainGlimmerHMM <mfasta_file> <exon_file>

Trainning后的手动调整：

一般情况下，Trainning后用户不需要进行手动调整，但是手动调整可以一定程度上提高精度。这是因为，一些Trainning系统中的必要参数对于不同的物种有所区别，而系统并不知道（比如，基因间隔区的平均长度），因此，适当调整这些参数能够提升精度。

Majoros and Salzberg 2004描述了一种梯度渐进修改参数的方法慢慢提升精度。

除了提高精度外，修改参数还有很多意义。选择适当的假阳性和假阴性的容忍率，可以解决大量假阳性事件或者预测量太少的问题，从而在不减少太多预测结果的情况下提高准确率。例如，GlimmerHMM在预测一个剪切位点真实与否的时候会权衡假阳性概率，这会使得你错过一些位点，默认情况下这个假阳性的threshold是低于1%。你可以在调整GHMM的这些参数。

完成trainGlimmerHMM后，系统会在training产生的目录（就在工作目录下）下产生一个log文件来记录这次Trainning后GHMM自动产生的参数。

这个参数文件为train_0_100.cfg(前文Trainning时isochores没有被考虑时文件名是这样的,否则每个isochore会产生一个对应的cfg文件）每个可以改变的参数在这个文件中为一行，下表是参数和参数的描述（翻译后可能会失真，请阅读英文翻译）。

line in the .cfg file	Description
acceptor_threshold value	acceptor site threshold value; the false negative/false positive rates for different acceptor thresholds can be consulted from the false.acc file.
donor_threshold value	donor site threshold value; the false negative/false positive rates for different donor thresholds can be consulted from the false.don file.
ATG_threshold value	start codon threshold value; the false negative/false positive rates for different start codon thresholds can be consulted from the false.atg file.
Stop_threshold value	stop codon threshold value; the false negative/false positive rates for different stop codon thresholds can be consulted from the false.stop file.
split_penalty value	a factor penalizing the gene finder's tendency to split genes.
intergenic_val value	the minimum intergenic distance espected between genes.
intergenic_penalty value	a penalty factor for genes situated closer than the intergenic_val value.
MeanIntergen value	the average size of intergenic regions.
BoostExon value	a factor to increase the sensitivity of exon prediction.
BoostSplice value	a factor to increase the score of good scoring splice sites.
BoostSgl value	a factor to increase the predicted number of single exon genes.
onlytga value	set this value to 1 if TGA is the only stop codon in the genome.
onlytaa value	set this value to 1 if TAA is the only stop codons in the genome.
onlytag value	set this value to 1 if TAG is the only stop codons in the genome.

Running

GlimmerHMM的input文件包括两个，一个是fasta的序列文件，另一个是包含trainning结果的目录，一般来说，最好把他们放在一个工作目录下，这一步没有别的调整值（需要调整的都在*.cfg文件中完成）

GlimmerHMM/bin/glimmerhmm_linux fasta.file -d ./arabidopsis/