JPH11169172A - Ｄｎａ塩基配列上のタンパク質コード領域予測方法及び記録媒体 - Google Patents
Ｄｎａ塩基配列上のタンパク質コード領域予測方法及び記録媒体Info
- Publication number
- JPH11169172A JPH11169172A JP9336858A JP33685897A JPH11169172A JP H11169172 A JPH11169172 A JP H11169172A JP 9336858 A JP9336858 A JP 9336858A JP 33685897 A JP33685897 A JP 33685897A JP H11169172 A JPH11169172 A JP H11169172A
- Authority
- JP
- Japan
- Prior art keywords
- region
- coding region
- predicting
- base sequence
- dna base
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
(57)【要約】
【課題】 本発明の課題は、ＤＮＡ塩基配列上のタンパ
ク質コード領域を正確に予測するコード領域予測方法を
提供すること。 【解決手段】 異なるアルゴリズムを用いた複数のコー
ド領域予測方法の結果を入力として１、あらためてコー
ド領域を予測するコード領域予測方法であって、各予測
方法から出力されるスコアを予測領域が正解である確率
に変換し２、確率の値を比較する３ことで信頼度の高い
領域を選択して予測する。これによって、各方法に用い
られているアルゴリズムを組み合わせることが容易にで
き、その結果正解率を上げることができる。
ク質コード領域を正確に予測するコード領域予測方法を
提供すること。 【解決手段】 異なるアルゴリズムを用いた複数のコー
ド領域予測方法の結果を入力として１、あらためてコー
ド領域を予測するコード領域予測方法であって、各予測
方法から出力されるスコアを予測領域が正解である確率
に変換し２、確率の値を比較する３ことで信頼度の高い
領域を選択して予測する。これによって、各方法に用い
られているアルゴリズムを組み合わせることが容易にで
き、その結果正解率を上げることができる。
Description
【０００１】
【発明の属する技術分野】本発明はＤＮＡ塩基配列の情
報処理、特に配列上のタンパク質コード領域を検出する
方法に関する。
報処理、特に配列上のタンパク質コード領域を検出する
方法に関する。
【０００２】
【従来の技術】現在、ゲノム解析計画によってＤＮＡ配
列が大量に決定されている。何の情報も付加されていな
いＤＮＡ塩基配列のデータに対して、その中でタンパク
質がコードされている領域( コード領域) を予測するこ
とは、新しい遺伝子を発見し、医学、薬学的な研究をす
すめる上で重要である。配列を決定した後で情報処理に
より遺伝子領域を推定できれば効率的に新しい遺伝子を
特定することができる。ＤＮＡ配列中のコード領域を発
見する方法としては、既知の核酸配列データベースに対
して似た配列があるかどうかを検索する方法がある。新
しい配列の中で、既知の遺伝子に似ている配列は遺伝子
である可能性が高いからである。しかし、長い領域にわ
たって問題のＤＮＡ配列と似ている遺伝子がデータベー
スにない場合にはこの方法は有効でない。近年、ＧＲＡ
ＩＬ(Proceedings, The Second International Confere
nce on Intelligent Systems for Molecular Biology,
page376-384, 1994, ISBN 0-929280-68-7) という方法
などのように、統計情報をもとにしてコード領域を見つ
ける方法が発展してきた。
列が大量に決定されている。何の情報も付加されていな
いＤＮＡ塩基配列のデータに対して、その中でタンパク
質がコードされている領域( コード領域) を予測するこ
とは、新しい遺伝子を発見し、医学、薬学的な研究をす
すめる上で重要である。配列を決定した後で情報処理に
より遺伝子領域を推定できれば効率的に新しい遺伝子を
特定することができる。ＤＮＡ配列中のコード領域を発
見する方法としては、既知の核酸配列データベースに対
して似た配列があるかどうかを検索する方法がある。新
しい配列の中で、既知の遺伝子に似ている配列は遺伝子
である可能性が高いからである。しかし、長い領域にわ
たって問題のＤＮＡ配列と似ている遺伝子がデータベー
スにない場合にはこの方法は有効でない。近年、ＧＲＡ
ＩＬ(Proceedings, The Second International Confere
nce on Intelligent Systems for Molecular Biology,
page376-384, 1994, ISBN 0-929280-68-7) という方法
などのように、統計情報をもとにしてコード領域を見つ
ける方法が発展してきた。
【０００３】このＧＲＡＩＬで使われるコード領域予測
方法のアルゴリズムは、主にコード領域に現れる数塩基
の配列の統計、すなわち６塩基の短い配列( 以下、6mer
と呼ぶ) がコード領域に出現する頻度に基づいている。
ある6mer (例えば、Ｘ=acgttc)がデータベース中の配列
に出現した頻度のうち、コード領域に出て来た頻度Ｆc
(Ｘ) と非コード領域に出て来た頻度Ｆn(Ｘ) の比Ｐ
(Ｘ)=Ｆc(Ｘ)/Ｆn(Ｘ) をもって、この6merのスコアと
する。さらに、6merでなく、ある程度長い領域がコード
領域であるかどうかを識別するのには、その領域に現れ
た6merすべてについて、上記の6merのスコアを（数１）
にあるように乗じて、この領域のスコアとする。
方法のアルゴリズムは、主にコード領域に現れる数塩基
の配列の統計、すなわち６塩基の短い配列( 以下、6mer
と呼ぶ) がコード領域に出現する頻度に基づいている。
ある6mer (例えば、Ｘ=acgttc)がデータベース中の配列
に出現した頻度のうち、コード領域に出て来た頻度Ｆc
(Ｘ) と非コード領域に出て来た頻度Ｆn(Ｘ) の比Ｐ
(Ｘ)=Ｆc(Ｘ)/Ｆn(Ｘ) をもって、この6merのスコアと
する。さらに、6merでなく、ある程度長い領域がコード
領域であるかどうかを識別するのには、その領域に現れ
た6merすべてについて、上記の6merのスコアを（数１）
にあるように乗じて、この領域のスコアとする。
【０００４】
【数１】 この数値をコーディングポテンシャルと言い、その値の
大きさはその領域がコード領域らしい程度を示す。これ
以外にもいくつか類似の指標を計算し、それらをフィー
ドフォワード型のニューラルネットワークに入力するこ
とにより、最終的にその領域に０以上１以下の得点を与
え、一定値以上であればコード領域であると予測する。
大きさはその領域がコード領域らしい程度を示す。これ
以外にもいくつか類似の指標を計算し、それらをフィー
ドフォワード型のニューラルネットワークに入力するこ
とにより、最終的にその領域に０以上１以下の得点を与
え、一定値以上であればコード領域であると予測する。
【０００５】他にも、同様にＤＮＡ配列からコード領域
を予測する方法として、ＦＥＸＨ (Nucleic Acid Resea
rch, vol. 22, Num. 24, page 5156-5163, 1994)やＧen
eＰarser (Journal of Molecular Biology, 248, page
1-18, 1995)などがある。ＦＥＸＨで使われるコード領
域予測方法のアルゴリズムでは、ＧＲＡＩＬとは異なる
コーディングポテンシャルを用い、さらにコード領域の
境界のシグナル検出方法を用いている。ＦＥＸＨでは8m
erのスコアを（数２）によって計算する。
を予測する方法として、ＦＥＸＨ (Nucleic Acid Resea
rch, vol. 22, Num. 24, page 5156-5163, 1994)やＧen
eＰarser (Journal of Molecular Biology, 248, page
1-18, 1995)などがある。ＦＥＸＨで使われるコード領
域予測方法のアルゴリズムでは、ＧＲＡＩＬとは異なる
コーディングポテンシャルを用い、さらにコード領域の
境界のシグナル検出方法を用いている。ＦＥＸＨでは8m
erのスコアを（数２）によって計算する。
【０００６】
【数２】 ここで、Ｆc(Ｘ) は、8merＸがデータベース中のコード
領域に出て来た頻度、Ｆn(Ｘ) は、8merＸがデータベー
ス中の非コード領域に出て来た頻度である。ＦＥＸＨに
おけるコーディングポテンシャルの計算は（数２）を用
いて定義される。すなわち、任意の長さの配列につい
て、その配列のコーディングポテンシャルは、（数２）
を考える領域にわたって平均したもの（数３）である。
領域に出て来た頻度、Ｆn(Ｘ) は、8merＸがデータベー
ス中の非コード領域に出て来た頻度である。ＦＥＸＨに
おけるコーディングポテンシャルの計算は（数２）を用
いて定義される。すなわち、任意の長さの配列につい
て、その配列のコーディングポテンシャルは、（数２）
を考える領域にわたって平均したもの（数３）である。
【０００７】
【数３】 ＦＥＸＨで使われるコード領域予測方法におけるコード
領域の境界のシグナル検出方法について説明するが、そ
の前に境界に関する基本的事柄を述べる。境界から5'側
(左側)の塩基の位置を -1,-2,...と表現し、境界からす
ぐ3'側(右側)の塩基の位置を境界に近いほうから 1,
2,...と表現する。０の位置はない。以下では例えば、-
4から+3までの塩基位置の７文字からなる領域は(-4,3)
と表す。コード領域の境界では、境界からの位置によっ
て使われる塩基の種類に偏りがあり、よく出て来る配列
パターンを境界の「コンセンサス配列」という。コード
領域の境界の種類はいくつかあって、原核生物の場合は
開始コドンとよばれる配列'ＡＴＧ'で始まるか、終止コ
ドンと呼ばれる配列で終わるが、ヒトを初めとする真核
生物の場合はさらに、コード領域の5'側の境界と3'側の
境界とで２種類あり、この２つはそれぞれアクセプター
サイト, ドナーサイトと呼ばれる。この種類によって、
コンセンサス配列が違う。ほとんどの場合、コード領域
の間に存在する介在配列と呼ばれる領域は、ＧＴの２塩
基で始まり、ＡＧの２塩基で終わるので、配列ＧＴが見
つかればアクセプターサイトの候補であり、配列にＡＧ
が見つかればドナーサイトの候補である。これらのう
ち、実際にはコード領域の境界ではない位置を疑似境界
部位と呼ぶ。
領域の境界のシグナル検出方法について説明するが、そ
の前に境界に関する基本的事柄を述べる。境界から5'側
(左側)の塩基の位置を -1,-2,...と表現し、境界からす
ぐ3'側(右側)の塩基の位置を境界に近いほうから 1,
2,...と表現する。０の位置はない。以下では例えば、-
4から+3までの塩基位置の７文字からなる領域は(-4,3)
と表す。コード領域の境界では、境界からの位置によっ
て使われる塩基の種類に偏りがあり、よく出て来る配列
パターンを境界の「コンセンサス配列」という。コード
領域の境界の種類はいくつかあって、原核生物の場合は
開始コドンとよばれる配列'ＡＴＧ'で始まるか、終止コ
ドンと呼ばれる配列で終わるが、ヒトを初めとする真核
生物の場合はさらに、コード領域の5'側の境界と3'側の
境界とで２種類あり、この２つはそれぞれアクセプター
サイト, ドナーサイトと呼ばれる。この種類によって、
コンセンサス配列が違う。ほとんどの場合、コード領域
の間に存在する介在配列と呼ばれる領域は、ＧＴの２塩
基で始まり、ＡＧの２塩基で終わるので、配列ＧＴが見
つかればアクセプターサイトの候補であり、配列にＡＧ
が見つかればドナーサイトの候補である。これらのう
ち、実際にはコード領域の境界ではない位置を疑似境界
部位と呼ぶ。
【０００８】ＦＥＸＨにおいては、コード領域のシグナ
ルを検出するために、以下で定義される「3merのスコ
ア」を用いる。まず、領域（Ｌ,Ｒ）に注目する。Ｌ，
Ｒは領域の境界の位置である。ある3merＹk(k=1,...,6
4)が領域（Ｌ,Ｒ）内の位置ｉにでてくる頻度を、実際
の境界のデータと疑似部位に対してそれぞれＦi s,k，Ｆ
i p ,k とおき、「位置ｉでの3merのスコア」を（数４）
によって定義する。
ルを検出するために、以下で定義される「3merのスコ
ア」を用いる。まず、領域（Ｌ,Ｒ）に注目する。Ｌ，
Ｒは領域の境界の位置である。ある3merＹk(k=1,...,6
4)が領域（Ｌ,Ｒ）内の位置ｉにでてくる頻度を、実際
の境界のデータと疑似部位に対してそれぞれＦi s,k，Ｆ
i p ,k とおき、「位置ｉでの3merのスコア」を（数４）
によって定義する。
【０００９】
【数４】 この（数４）を領域（Ｌ,Ｒ）に渡って平均したもの
（数５）が領域（Ｌ,Ｒ）の「3merのスコア」である。
（数５）が領域（Ｌ,Ｒ）の「3merのスコア」である。
【００１０】
【数５】 ここで、ｍは領域（Ｌ,Ｒ）の長さである。さらに、
（数５）の和をとるときに、ある値α＝0.65を与えてお
き、Ｐ(i) がαよりも大きいＰ(i) の和をとったときの
スコアを特に、「有意な3merのスコア」と定義する。さ
て、ＦＥＸＨで使われるコード領域予測方法におけるコ
ード領域の境界のシグナル検出方法について説明する。
ドナーサイトについては、(-30,-5)のコーディングポテ
ンシャル、領域(-4,6)の3merのスコア、領域(-30,-5)の
3merのスコア、領域(7,50)の3merのスコア、領域(-4,6)
の有意な3merのスコア、領域(6,50)のＧ，ＧＧ，ＧＧＧ
の数などを計算し、統計的手法である判別分析によりこ
れらのスコアを組み合わせて、一つのドナーサイトに対
して一つの統合スコアを計算する。アクセプターサイト
については、領域(-48,-34) の3merのスコア、領域(-3
3,-7)の3merのスコア、領域(-6,5)の3merのスコア、領
域(6,30)の3merのスコア、領域(1,54)の8merのコーディ
ングポテンシャル、領域(-1,-54)の8merのコーディング
ポテンシャル、領域(-33,-7)のＴ，Ｃの数を判別分析に
よって組み合わせて、一つのアクセプターサイトに対し
て一つの統合スコアを計算する。
（数５）の和をとるときに、ある値α＝0.65を与えてお
き、Ｐ(i) がαよりも大きいＰ(i) の和をとったときの
スコアを特に、「有意な3merのスコア」と定義する。さ
て、ＦＥＸＨで使われるコード領域予測方法におけるコ
ード領域の境界のシグナル検出方法について説明する。
ドナーサイトについては、(-30,-5)のコーディングポテ
ンシャル、領域(-4,6)の3merのスコア、領域(-30,-5)の
3merのスコア、領域(7,50)の3merのスコア、領域(-4,6)
の有意な3merのスコア、領域(6,50)のＧ，ＧＧ，ＧＧＧ
の数などを計算し、統計的手法である判別分析によりこ
れらのスコアを組み合わせて、一つのドナーサイトに対
して一つの統合スコアを計算する。アクセプターサイト
については、領域(-48,-34) の3merのスコア、領域(-3
3,-7)の3merのスコア、領域(-6,5)の3merのスコア、領
域(6,30)の3merのスコア、領域(1,54)の8merのコーディ
ングポテンシャル、領域(-1,-54)の8merのコーディング
ポテンシャル、領域(-33,-7)のＴ，Ｃの数を判別分析に
よって組み合わせて、一つのアクセプターサイトに対し
て一つの統合スコアを計算する。
【００１１】ある領域がコード領域かどうかを決定する
ためのスコアは、コーディングポテンシャル、ドナーサ
イトのスコア、アクセプターサイトのスコアなどを判別
分析で組み合わせて、統合スコアが閾値より高い領域を
コード領域と予測する。ＧeneＰarser で使われるコー
ド領域予測方法のアルゴリズムでは、i 塩基目からｊ塩
基目までの領域のコーディングポテンシャルを計算する
のに、（数６）を用いている。
ためのスコアは、コーディングポテンシャル、ドナーサ
イトのスコア、アクセプターサイトのスコアなどを判別
分析で組み合わせて、統合スコアが閾値より高い領域を
コード領域と予測する。ＧeneＰarser で使われるコー
ド領域予測方法のアルゴリズムでは、i 塩基目からｊ塩
基目までの領域のコーディングポテンシャルを計算する
のに、（数６）を用いている。
【００１２】
【数６】 ここでfk は6mer ai+k,ai+k+1,...,ai+k+5(al∈｛Ａ，
Ｃ，Ｇ，Ｔ｝) が学習データのコード領域に現れた頻度
で、6merの第一番目の文字がコドンの一番目になってい
るときだけ数えたものである。Ｆk は、その配列と同じ
塩基組成でランダムに配列を生成した場合にその6merが
出て来る頻度の期待値である。
Ｃ，Ｇ，Ｔ｝) が学習データのコード領域に現れた頻度
で、6merの第一番目の文字がコドンの一番目になってい
るときだけ数えたものである。Ｆk は、その配列と同じ
塩基組成でランダムに配列を生成した場合にその6merが
出て来る頻度の期待値である。
【００１３】さらに、（数７）で定義される局所的複雑
度も用いている。
度も用いている。
【００１４】
【数７】 ここで、Ｌは考慮している配列の長さで、Ｎkは塩基ｋ
（ｋは、Ａ，Ｃ，Ｇ，Ｔのいずれか) が長さＬの配列に
現れた頻度である。ＧeneＰarser では、コード領域の
境界のスコアを以下のように計算する。境界の領域(i,
j) 内の配列sisi+1 ...sj に対してそのスコアＳ(i,j)
は（数８）で定義する。
（ｋは、Ａ，Ｃ，Ｇ，Ｔのいずれか) が長さＬの配列に
現れた頻度である。ＧeneＰarser では、コード領域の
境界のスコアを以下のように計算する。境界の領域(i,
j) 内の配列sisi+1 ...sj に対してそのスコアＳ(i,j)
は（数８）で定義する。
【００１５】
【数８】 ここで、fb,i は、位置ｉに塩基ｂ（ｂはＡ，Ｃ，Ｇ，
Ｔのいずれか）が出てきた頻度であり、pb は塩基ｂが
その配列に出てくる事前確率である。他にもコード領域
らしいかどうかのスコアや、ドナーサイトのスコア、ア
クセプターサイトのスコアを計算し、それらをフィード
フォワード型のニューラルネットワークで統合して、最
終的にその領域に０以上１以下の得点を与え、一定値以
上であればコード領域と予測結果を出す。ＧeneＰarser
は、ＧＲＡＩＬと同じくニューラルネットワークを用
いているが、先に述べたように考慮している特徴が異な
り、さらにその学習方法も異なっている。
Ｔのいずれか）が出てきた頻度であり、pb は塩基ｂが
その配列に出てくる事前確率である。他にもコード領域
らしいかどうかのスコアや、ドナーサイトのスコア、ア
クセプターサイトのスコアを計算し、それらをフィード
フォワード型のニューラルネットワークで統合して、最
終的にその領域に０以上１以下の得点を与え、一定値以
上であればコード領域と予測結果を出す。ＧeneＰarser
は、ＧＲＡＩＬと同じくニューラルネットワークを用
いているが、先に述べたように考慮している特徴が異な
り、さらにその学習方法も異なっている。
【００１６】このように、これらの予測方法は異なる特
徴検出方法を用いており、それらのスコアを統合化する
方法も異なっている。これらの方法の予測は不正解であ
ることも多く、同じ配列を解析しても、検出しにくいコ
ード領域に対しては方法によって予測結果が異なること
が多い。
徴検出方法を用いており、それらのスコアを統合化する
方法も異なっている。これらの方法の予測は不正解であ
ることも多く、同じ配列を解析しても、検出しにくいコ
ード領域に対しては方法によって予測結果が異なること
が多い。
【００１７】
【発明が解決しようとする課題】これまでは単一の方法
をもとにしていたため、精度が低かった。これは、各予
測方法の捉えている特徴が部分的なものだからである。
したがって、できるだけ多くの特徴をとらえた結果をま
とめて予測をして、正解率を上げることが課題である。
一方、各方法で採用している配列の特徴検出方法を一つ
の方法の中で実装するのは、人的コストがかかる。そこ
で、出来るだけ簡便な方法で多くの特徴をとらえること
が課題である。本発明の目的は、上記の課題を解決し、
信頼性の高いコード領域予測をする方法を提供すること
が目的である。
をもとにしていたため、精度が低かった。これは、各予
測方法の捉えている特徴が部分的なものだからである。
したがって、できるだけ多くの特徴をとらえた結果をま
とめて予測をして、正解率を上げることが課題である。
一方、各方法で採用している配列の特徴検出方法を一つ
の方法の中で実装するのは、人的コストがかかる。そこ
で、出来るだけ簡便な方法で多くの特徴をとらえること
が課題である。本発明の目的は、上記の課題を解決し、
信頼性の高いコード領域予測をする方法を提供すること
が目的である。
【００１８】
【課題を解決するための手段】上記課題を解決するため
に本発明では、ＤＮＡ配列上にある遺伝子の様々な特徴
を異なるアルゴリズムよって学習した遺伝子予測方法の
結果を入力に用いて、それらを総合した予測を行う。こ
れによって、一つの予測方法で考慮できない多くの特徴
を考慮した予測結果を容易に得られる。また、異なる予
測方法による予測結果の信頼性を比較したうえで最終予
測を行うために、各予測方法のスコアを正解率に変換
し、正解率を比較することによって、より信頼の高い予
測結果を得る。
に本発明では、ＤＮＡ配列上にある遺伝子の様々な特徴
を異なるアルゴリズムよって学習した遺伝子予測方法の
結果を入力に用いて、それらを総合した予測を行う。こ
れによって、一つの予測方法で考慮できない多くの特徴
を考慮した予測結果を容易に得られる。また、異なる予
測方法による予測結果の信頼性を比較したうえで最終予
測を行うために、各予測方法のスコアを正解率に変換
し、正解率を比較することによって、より信頼の高い予
測結果を得る。
【００１９】
【発明の実施の形態】図１は本発明の実施の概要で、複
数の予測プログラムの結果を使って、新たな予測をする
方法の流れ図である。各予測方法による予測処理部１
で、入力されたＤＮＡ配列データを各コード領域予測方
法で解析し、各々の予測結果を得る。各コード領域予測
プログラムの出力結果の中から、入力配列の何塩基目か
ら何塩基目までがコード領域であるかという情報と、そ
のスコア( 確からしさ) の情報を保持しておく。次に、
スコア変換部２で、各予測された領域のスコアからその
領域が正解である確率を求める。正解であるとは、予測
した領域と実際のコード領域がオーバーラップしている
ことである。この確率は、あらかじめ設定してある変換
関数で得られる。この確率は、以下Ｐscore と呼ぶ。変
換関数の作成方法については、後述する。
数の予測プログラムの結果を使って、新たな予測をする
方法の流れ図である。各予測方法による予測処理部１
で、入力されたＤＮＡ配列データを各コード領域予測方
法で解析し、各々の予測結果を得る。各コード領域予測
プログラムの出力結果の中から、入力配列の何塩基目か
ら何塩基目までがコード領域であるかという情報と、そ
のスコア( 確からしさ) の情報を保持しておく。次に、
スコア変換部２で、各予測された領域のスコアからその
領域が正解である確率を求める。正解であるとは、予測
した領域と実際のコード領域がオーバーラップしている
ことである。この確率は、あらかじめ設定してある変換
関数で得られる。この確率は、以下Ｐscore と呼ぶ。変
換関数の作成方法については、後述する。
【００２０】各予測結果をもとにして、あらためてコー
ド領域を予測する組み合わせ処理３を行い、最終予測結
果を出力して終了である。図２はこの組み合わせ処理３
の詳細についての説明図である。図３は複数の予測方法
によって、異なる領域がコード領域と予測された例であ
る。図３の上部に、３つのコード領域予測方法によって
コード領域と予測された領域を描いた。すなわち、ＦＥ
ＸＨによってコード領域と予測された領域21、ＧeneＰa
rser によってコード領域と予測された領域22、ＧＲＡ
ＩＬによってコード領域と予測された領域23である。そ
れぞれのＰscore は、0.8 、 0.4、 0.9である。横軸は
入力したＤＮＡ配列上での塩基の位置を示す。まず、記
録配列24を用意し、その全領域に整数０を入れて初期化
11を行う。次に、各予測方法で予測された各塩基に対応
する記録配列24の部分に1 を足して予測結果を記録する
処理12を行う。これによってどの場所がいくつの予測方
法によってコード領域と予測されたかが、記録配列24に
記録される。図３では、重なった予測方法の数を四角の
高さで表しているが、実際には0 以上の整数が入ってい
る。
ド領域を予測する組み合わせ処理３を行い、最終予測結
果を出力して終了である。図２はこの組み合わせ処理３
の詳細についての説明図である。図３は複数の予測方法
によって、異なる領域がコード領域と予測された例であ
る。図３の上部に、３つのコード領域予測方法によって
コード領域と予測された領域を描いた。すなわち、ＦＥ
ＸＨによってコード領域と予測された領域21、ＧeneＰa
rser によってコード領域と予測された領域22、ＧＲＡ
ＩＬによってコード領域と予測された領域23である。そ
れぞれのＰscore は、0.8 、 0.4、 0.9である。横軸は
入力したＤＮＡ配列上での塩基の位置を示す。まず、記
録配列24を用意し、その全領域に整数０を入れて初期化
11を行う。次に、各予測方法で予測された各塩基に対応
する記録配列24の部分に1 を足して予測結果を記録する
処理12を行う。これによってどの場所がいくつの予測方
法によってコード領域と予測されたかが、記録配列24に
記録される。図３では、重なった予測方法の数を四角の
高さで表しているが、実際には0 以上の整数が入ってい
る。
【００２１】次に、スキャン処理13によって、記録配列
24をスキャンし、１以上が記録されている重なり領域29
をみつける。重なり領域29がなければ条件式14によって
終了し、あればコード領域の境界を決定する処理15に進
む。境界決定処理15と、最終スコアの決定16に関して、
５つの方法を述べる。１つめの方法では、使用した全て
の予測方法が予測した領域をコード領域の候補とする。
このときの最終スコアは、各方法のＰscore の平均とす
る。この例では、最終スコアは(0.8+0.4+0.9)/3 = 0.7
である。以下これを「ＡＮＤ法」と呼ぶ。この方法によ
ってコード領域と予測され得る領域25を図３に示した。
この時点では、まだ候補であって、コード領域と予測さ
れたわけではない。２つめの方法では、使用した予測方
法のいずれかが予測した領域をコード領域の候補とす
る。このときの最終スコアは、各方法のスコアから換算
した各Ｐscore の平均とする。もし、いくつかの予測方
法がその重なり領域中のどこもコード領域と予測してい
なかった場合の最終スコアは、予測しなかった予測方法
のＰscore を０として、計算する。この例では、最終ス
コアは(0.8+0.4+0.9)/3 = 0.7 である。以下これを「Ｏ
Ｒ法」と呼ぶ。この方法によってコード領域と予測され
得る領域26を図３に示した。
24をスキャンし、１以上が記録されている重なり領域29
をみつける。重なり領域29がなければ条件式14によって
終了し、あればコード領域の境界を決定する処理15に進
む。境界決定処理15と、最終スコアの決定16に関して、
５つの方法を述べる。１つめの方法では、使用した全て
の予測方法が予測した領域をコード領域の候補とする。
このときの最終スコアは、各方法のＰscore の平均とす
る。この例では、最終スコアは(0.8+0.4+0.9)/3 = 0.7
である。以下これを「ＡＮＤ法」と呼ぶ。この方法によ
ってコード領域と予測され得る領域25を図３に示した。
この時点では、まだ候補であって、コード領域と予測さ
れたわけではない。２つめの方法では、使用した予測方
法のいずれかが予測した領域をコード領域の候補とす
る。このときの最終スコアは、各方法のスコアから換算
した各Ｐscore の平均とする。もし、いくつかの予測方
法がその重なり領域中のどこもコード領域と予測してい
なかった場合の最終スコアは、予測しなかった予測方法
のＰscore を０として、計算する。この例では、最終ス
コアは(0.8+0.4+0.9)/3 = 0.7 である。以下これを「Ｏ
Ｒ法」と呼ぶ。この方法によってコード領域と予測され
得る領域26を図３に示した。
【００２２】３つめの方法では、その重なり領域29をコ
ード領域と予測した予測方法のうち、最も高いＰscore
を持っている予測方法を選択し、その予測方法が予測し
た領域をコード領域の候補とする。このときの最終スコ
アは、ＯＲ法と同様に各Ｐscore の平均とする。もし、
いくつかの予測方法がその重なり領域中のどこもコード
領域と予測していなかった場合の最終スコアは、予測し
なかった予測方法のＰscore を０として、計算する。こ
の例では、最終スコアは(0.8+0.4+0.9)/3 = 0.7 であ
る。以下これを「ＨＩＧＨＥＳＴ法」と呼ぶ。この方法
によってコード領域と予測され得る領域27を図３に示し
た。
ード領域と予測した予測方法のうち、最も高いＰscore
を持っている予測方法を選択し、その予測方法が予測し
た領域をコード領域の候補とする。このときの最終スコ
アは、ＯＲ法と同様に各Ｐscore の平均とする。もし、
いくつかの予測方法がその重なり領域中のどこもコード
領域と予測していなかった場合の最終スコアは、予測し
なかった予測方法のＰscore を０として、計算する。こ
の例では、最終スコアは(0.8+0.4+0.9)/3 = 0.7 であ
る。以下これを「ＨＩＧＨＥＳＴ法」と呼ぶ。この方法
によってコード領域と予測され得る領域27を図３に示し
た。
【００２３】４つめの方法では、その重なり領域30をコ
ード領域と予測した予測方法のうち、あらかじめつけて
おいた優先順位の高い予測方法の結果を選択する。その
予測方法が予測した領域をコード領域の候補とする。優
先順位は、あらかじめ各予測方法のテストをしておきそ
の成績の良い順にする。例えば、バーセットらの行った
遺伝子予測プログラムのテスト(Genomics, 34, page 35
3-367, 1996)において、境界も正確に予測したエキソン
( コード領域の単位) の数の割合が高い順に設定すれば
よい。この順は、順位の高いほうからＦＥＸＨ, Ｇene
Ｐarser,ＧＲＡＩＬである。このときの最終スコアは、
選択した予測方法のＰscore とする。この例では、最終
スコアはＦＥＸＨのＰscore になるので 0.8である。以
下これを「ＲＵＬＥ法」と呼ぶ。この方法によってコー
ド領域と予測され得る領域28を図３に示した。
ード領域と予測した予測方法のうち、あらかじめつけて
おいた優先順位の高い予測方法の結果を選択する。その
予測方法が予測した領域をコード領域の候補とする。優
先順位は、あらかじめ各予測方法のテストをしておきそ
の成績の良い順にする。例えば、バーセットらの行った
遺伝子予測プログラムのテスト(Genomics, 34, page 35
3-367, 1996)において、境界も正確に予測したエキソン
( コード領域の単位) の数の割合が高い順に設定すれば
よい。この順は、順位の高いほうからＦＥＸＨ, Ｇene
Ｐarser,ＧＲＡＩＬである。このときの最終スコアは、
選択した予測方法のＰscore とする。この例では、最終
スコアはＦＥＸＨのＰscore になるので 0.8である。以
下これを「ＲＵＬＥ法」と呼ぶ。この方法によってコー
ド領域と予測され得る領域28を図３に示した。
【００２４】５つめの方法では、その重なり領域30それ
ぞれに対して、Ｐscore と境界のタイプを考慮して新し
いスコアＥscore を計算する。境界のタイプとは、開始
コドン、ドナーサイト、アクセプターサイト、終止コド
ンのうちのいずれかである。この４つを以下では、i,d,
a,t と表記する。Ｅscore は以下のように計算する。ま
ず、ある予測方法が予測したコード領域のうち、コード
領域のＰscore がpsで、境界のタイプtypeにおける正解
率をＰe(type,ps)とする。これは、各予測方法毎に学習
データから近似関数を作成しておく。この例では、ＦＥ
ＸＨの境界のタイプがa,t でＰscore が0.8 であるか
ら、ＦＥＸＨのＰ(a,0.8) とＰ(t,0.8) を計算してお
く。また、ＧeneＰarser の境界のタイプがa,d でＰsco
re が0.4 であるからＧeneＰarser のＰ(a,0.4) とＰ
(d,0.4) を計算しておく。さらに、ＧＲＡＩＬの境界の
タイプがi,t でＰscore が0.9 であるから、ＧＲＡＩＬ
のＰ(i,0.9) とＰ(t,0.9) を計算しておく。次に、ある
予測方法が予測した領域の左右の境界のタイプがｌ及び
ｒならば（l,r はi,d,a,t のいずれかである）、このと
きのＥscore は、（数９）と定義する。
ぞれに対して、Ｐscore と境界のタイプを考慮して新し
いスコアＥscore を計算する。境界のタイプとは、開始
コドン、ドナーサイト、アクセプターサイト、終止コド
ンのうちのいずれかである。この４つを以下では、i,d,
a,t と表記する。Ｅscore は以下のように計算する。ま
ず、ある予測方法が予測したコード領域のうち、コード
領域のＰscore がpsで、境界のタイプtypeにおける正解
率をＰe(type,ps)とする。これは、各予測方法毎に学習
データから近似関数を作成しておく。この例では、ＦＥ
ＸＨの境界のタイプがa,t でＰscore が0.8 であるか
ら、ＦＥＸＨのＰ(a,0.8) とＰ(t,0.8) を計算してお
く。また、ＧeneＰarser の境界のタイプがa,d でＰsco
re が0.4 であるからＧeneＰarser のＰ(a,0.4) とＰ
(d,0.4) を計算しておく。さらに、ＧＲＡＩＬの境界の
タイプがi,t でＰscore が0.9 であるから、ＧＲＡＩＬ
のＰ(i,0.9) とＰ(t,0.9) を計算しておく。次に、ある
予測方法が予測した領域の左右の境界のタイプがｌ及び
ｒならば（l,r はi,d,a,t のいずれかである）、このと
きのＥscore は、（数９）と定義する。
【００２５】
【数９】 この例でＦＥＸＨ、ＧeneＰarser 、ＧＲＡＩＬのＥsco
re は、それぞれ0.72,0.48,0.54である。このＥscore
が最も高い予測方法が予測した領域をコード領域の候補
とする。このときの最終スコアは、選択した予測方法の
Ｅscore とする。この例では、最終スコアは0.8*0.9=0.
72である。以下これを「ＥＤＧＥ法」と呼ぶ。この方法
によってコード領域と予測される領域29を図３に示し
た。
re は、それぞれ0.72,0.48,0.54である。このＥscore
が最も高い予測方法が予測した領域をコード領域の候補
とする。このときの最終スコアは、選択した予測方法の
Ｅscore とする。この例では、最終スコアは0.8*0.9=0.
72である。以下これを「ＥＤＧＥ法」と呼ぶ。この方法
によってコード領域と予測される領域29を図３に示し
た。
【００２６】各方法のいずれかで候補の領域と最終スコ
アを決定した後、その候補をコード領域として予測する
かどうかを閾値によって決定する。すなわち、最終スコ
アと閾値とを比較する部分17によって最終スコアが高い
かどうかを判断し、高ければこれをコード領域と予測し
て、領域を出力する処理18を行う。ここで閾値の設定方
法について述べる。閾値を設定するときに高く設定する
と、偽陽性の数は減るが感度が悪くなる。逆に、閾値を
低く設定すると、感度が上がるが偽陽性の数が増えてし
まう。そこで、閾値は何らかの指標が最適になるような
適当な値に決めなければならない。ここでは、多くの配
列データに対して、予測と正解の相関を示すファイ相関
係数の全データに渡っての平均が、最高になるように定
める。このファイ相関係数は、正解の分かっている配
列、すなわち、コード領域の位置が分かっているＤＮＡ
配列一つに対して一つの値が求められる。また、このフ
ァイ相関係数の定義は、（数１０）である。
アを決定した後、その候補をコード領域として予測する
かどうかを閾値によって決定する。すなわち、最終スコ
アと閾値とを比較する部分17によって最終スコアが高い
かどうかを判断し、高ければこれをコード領域と予測し
て、領域を出力する処理18を行う。ここで閾値の設定方
法について述べる。閾値を設定するときに高く設定する
と、偽陽性の数は減るが感度が悪くなる。逆に、閾値を
低く設定すると、感度が上がるが偽陽性の数が増えてし
まう。そこで、閾値は何らかの指標が最適になるような
適当な値に決めなければならない。ここでは、多くの配
列データに対して、予測と正解の相関を示すファイ相関
係数の全データに渡っての平均が、最高になるように定
める。このファイ相関係数は、正解の分かっている配
列、すなわち、コード領域の位置が分かっているＤＮＡ
配列一つに対して一つの値が求められる。また、このフ
ァイ相関係数の定義は、（数１０）である。
【００２７】
【数１０】 ただし、コード領域という予測を陽性、非コード領域と
いう予測を陰性として、ＴＰは真陽性の塩基数、ＴＮは
真陰性の塩基数、ＦＰは偽陽性の塩基数、ＦＮは偽陰性
の塩基数、ＰＰは陽性の塩基数、ＰＮは陰性の塩基数、
ＡＰはコード領域の塩基数、ＡＮは非コード領域の塩基
数とする。−１≦ＣＣ≦１であり、完全に正解であれば
ＣＣ＝１であり、完全に正解と逆の予測をしたときはＣ
Ｃ＝−１となる。ランダムな予測に対しては、ファイ相
関係数の期待値は０である。
いう予測を陰性として、ＴＰは真陽性の塩基数、ＴＮは
真陰性の塩基数、ＦＰは偽陽性の塩基数、ＦＮは偽陰性
の塩基数、ＰＰは陽性の塩基数、ＰＮは陰性の塩基数、
ＡＰはコード領域の塩基数、ＡＮは非コード領域の塩基
数とする。−１≦ＣＣ≦１であり、完全に正解であれば
ＣＣ＝１であり、完全に正解と逆の予測をしたときはＣ
Ｃ＝−１となる。ランダムな予測に対しては、ファイ相
関係数の期待値は０である。
【００２８】閾値の決定に際しては、各方法毎に、多く
の配列データにおいてあらかじめ０から１までのいろい
ろな閾値でファイ相関係数の平均を求めて、ＣＣが最高
値をとるときの閾値を、その方法の閾値と決める。閾値
の決定に関しては、上記の方法の他に第１種の誤り率Ｅ
1＝ＦＮ／ＡＰと、第２種の誤り率Ｅ2＝ＦＰ／ＡＮの平
均ＥAV＝（Ｅ1＋Ｅ2）／２ が最低値をとるときの閾値
にする方法も考えられる。あるいは、上記の誤り率を計
算する際に塩基数でなくコード領域の数で計算した誤り
率の平均を最低値にするような閾値を採用する方法も考
えられる。
の配列データにおいてあらかじめ０から１までのいろい
ろな閾値でファイ相関係数の平均を求めて、ＣＣが最高
値をとるときの閾値を、その方法の閾値と決める。閾値
の決定に関しては、上記の方法の他に第１種の誤り率Ｅ
1＝ＦＮ／ＡＰと、第２種の誤り率Ｅ2＝ＦＰ／ＡＮの平
均ＥAV＝（Ｅ1＋Ｅ2）／２ が最低値をとるときの閾値
にする方法も考えられる。あるいは、上記の誤り率を計
算する際に塩基数でなくコード領域の数で計算した誤り
率の平均を最低値にするような閾値を採用する方法も考
えられる。
【００２９】ここで、各予測方法のスコアを予測した領
域が正解である確率に変換する関数の作成方法を図４に
沿って述べる。多くのデータを解析する必要があるの
で、はじめにさまざまな条件を満たすデータのみを集め
る処理31を行う。例えば、核酸配列データベースである
ＧenＢank リリース100 (1997 年4 月) の中から、項
目'ＳＯＵＲＣＥ' が'Ｈomo sapiens'であり、一つ以上
の'ＣＤＳ' を含んでいるＤＮＡ配列のエントリーを集
める。これらはコード領域の位置が分かっているＤＮＡ
配列データである。また、イントロン領域を含むものに
ついては、イントロン領域がＧＴで始まるかＡＧで終る
ことが条件であるので、この条件を満たさないデータは
捨てる。また、pseudo, putative, ＯＲＦ, alternativ
e, predict,fusionのうちいずれかの記述が項目'ＣＤ
Ｓ' の中にあれば、それは実験的にコード領域とは確認
されていないか、確実なコード領域がわかっていない可
能性が強いため、これを除く。さらに、各コード領域予
測方法が学習に用いたデータをここで使わないようにす
るため、1996年6月より前に登録されたデータを除く。
域が正解である確率に変換する関数の作成方法を図４に
沿って述べる。多くのデータを解析する必要があるの
で、はじめにさまざまな条件を満たすデータのみを集め
る処理31を行う。例えば、核酸配列データベースである
ＧenＢank リリース100 (1997 年4 月) の中から、項
目'ＳＯＵＲＣＥ' が'Ｈomo sapiens'であり、一つ以上
の'ＣＤＳ' を含んでいるＤＮＡ配列のエントリーを集
める。これらはコード領域の位置が分かっているＤＮＡ
配列データである。また、イントロン領域を含むものに
ついては、イントロン領域がＧＴで始まるかＡＧで終る
ことが条件であるので、この条件を満たさないデータは
捨てる。また、pseudo, putative, ＯＲＦ, alternativ
e, predict,fusionのうちいずれかの記述が項目'ＣＤ
Ｓ' の中にあれば、それは実験的にコード領域とは確認
されていないか、確実なコード領域がわかっていない可
能性が強いため、これを除く。さらに、各コード領域予
測方法が学習に用いたデータをここで使わないようにす
るため、1996年6月より前に登録されたデータを除く。
【００３０】これらの処理31を経てデータセット32を作
成する。データ一つについて各予測方法での解析33を実
行した後、各予測方法のスコアとエラー率の関係を調べ
る処理34をする。実際に調べたＦＥＸＨのヒストグラム
を図５に、ＧeneＰarser のヒストグラムを図６に、Ｇ
ＲＡＩＬのヒストグラムを図７に示す。これらのヒスト
グラムから、各予測方法ごとに（数１１）で仮定した変
換関数を求めるため最小自乗法によるパラメータ推定35
を行う。こうして出来た関数が、求める変換関数であ
る。この変換関数は、一次式でなく二次式でもよい。
成する。データ一つについて各予測方法での解析33を実
行した後、各予測方法のスコアとエラー率の関係を調べ
る処理34をする。実際に調べたＦＥＸＨのヒストグラム
を図５に、ＧeneＰarser のヒストグラムを図６に、Ｇ
ＲＡＩＬのヒストグラムを図７に示す。これらのヒスト
グラムから、各予測方法ごとに（数１１）で仮定した変
換関数を求めるため最小自乗法によるパラメータ推定35
を行う。こうして出来た関数が、求める変換関数であ
る。この変換関数は、一次式でなく二次式でもよい。
【００３１】
【数１１】 本方法によって正解率がどの程度変わるかを示す。ＤＮ
Ａ配列データセット32を本方法で解析し、配列一つごと
に以下の正解率（数１２）を計算し、これをデータの本
数で割ったものである。なお、この正解率の計算方法は
バーセットらによって提案された正解率であり(Genomic
s, 34, page 353-367, 1996)、広く使われているもので
ある。
Ａ配列データセット32を本方法で解析し、配列一つごと
に以下の正解率（数１２）を計算し、これをデータの本
数で割ったものである。なお、この正解率の計算方法は
バーセットらによって提案された正解率であり(Genomic
s, 34, page 353-367, 1996)、広く使われているもので
ある。
【００３２】
【数１２】 各予測方法単独のときの数6 の値はＦＥＸＨが0.64、Ｇ
eneＰarser が0.63、ＧＲＡＩＬが0.67であったのに対
し、３方法の組合せを本発明のように行うと、ＡＮＤ法
では 0.53 と低くなったが、ＯＲ法で 0.76 、ＨＩＧＨ
ＥＳＴ法で 0.74 、ＲＵＬＥ法で 0.71 、ＥＤＧＥ法で
0.74と高くなり、後者４つの方法では正解率が上がっ
た。
eneＰarser が0.63、ＧＲＡＩＬが0.67であったのに対
し、３方法の組合せを本発明のように行うと、ＡＮＤ法
では 0.53 と低くなったが、ＯＲ法で 0.76 、ＨＩＧＨ
ＥＳＴ法で 0.74 、ＲＵＬＥ法で 0.71 、ＥＤＧＥ法で
0.74と高くなり、後者４つの方法では正解率が上がっ
た。
【００３３】ＡＮＤ法は全体の正解率では、単独の結果
より悪いが実際のコード領域のうち、検出できなかった
コード領域の率をみると、単独では、ＦＥＸＨが0.47、
ＧeneＰarser が0.45、ＧＲＡＩＬが0.27であるのに対
し、ＡＮＤ法による３つのコード領域予測方法を組合せ
ると、0.07と低くなり、93％のコード領域を検出するこ
とができた。ＡＮＤ方法は、感度と特定度のバランスで
は、単独のときの正解率におよばないが、特別な場合、
すなわち偽陽性が多くてもコード領域として可能性のあ
る領域を出来るだけ多くリストアップしたい場合には有
効である。
より悪いが実際のコード領域のうち、検出できなかった
コード領域の率をみると、単独では、ＦＥＸＨが0.47、
ＧeneＰarser が0.45、ＧＲＡＩＬが0.27であるのに対
し、ＡＮＤ法による３つのコード領域予測方法を組合せ
ると、0.07と低くなり、93％のコード領域を検出するこ
とができた。ＡＮＤ方法は、感度と特定度のバランスで
は、単独のときの正解率におよばないが、特別な場合、
すなわち偽陽性が多くてもコード領域として可能性のあ
る領域を出来るだけ多くリストアップしたい場合には有
効である。
【００３４】なお、上記以外にも他のアルゴリズムを用
いたコード領域予測方法が知られているので、（表１）
に例示する。これらの予測方法も任意に選択して用いる
ことができる。
いたコード領域予測方法が知られているので、（表１）
に例示する。これらの予測方法も任意に選択して用いる
ことができる。
【００３５】
【表１】
【００３６】
【発明の効果】従来、一つのアルゴリズムによる場合は
少ない指標にもとづいて予測していたため、効率良く多
くのコード領域を得ることができなかった。本発明によ
って、複数のアルゴリズムで多角的に候補を選定できる
ので偽陽性があまり増えずに効率的に多くのコード領域
を検出できる。その結果、全体的に精度が上がる。
少ない指標にもとづいて予測していたため、効率良く多
くのコード領域を得ることができなかった。本発明によ
って、複数のアルゴリズムで多角的に候補を選定できる
ので偽陽性があまり増えずに効率的に多くのコード領域
を検出できる。その結果、全体的に精度が上がる。
【図１】本発明におけるコード領域予測手順
【図２】組合せ処理の説明図
【図３】重なり領域での境界決定方法の説明図
【図４】スコアを確率へ変換する関数を作成する方法の
説明図
説明図
【図５】予測方法ＦＥＸＨのスコアとエラー率の関係を
示す図である。
示す図である。
【図６】予測方法ＧeneＰarser のスコアとエラー率の
関係を示す図である。
関係を示す図である。
【図７】予測方法ＧＲＡＩＬのスコアとエラー率の関係
を示す図である。
を示す図である。
1 …ＤＮＡ配列を各予測方法で解析する処理部 2 …予測方法のスコアを正解である確率に変換する部分 3 …組み合わせ処理部 11…記録配列の初期化 12…各方法の予測領域を記録配列に記録する処理 13…記録配列のスキャン処理 14…重なり領域のチェック 15…境界の決定 16…最終スコアの決定 17…最終スコアと閾値の比較 18…コード領域と判定した領域の出力 21…予測方法ＦＥＸＨが予測したコード領域 22…予測方法ＧeneＰarser が予測したコード領域 23…予測方法ＧＲＡＩＬが予測したコード領域 24…ＤＮＡ配列に対応する記録配列 25…「ＡＮＤ法」によってコード領域と予測される領域 26…「ＯＲ法」によってコード領域と予測される領域 27…「ＨＩＧＨＥＳＴ法」によってコード領域と予測さ
れる領域 28…「ＲＵＬＥ法」によってコード領域と予測される領
域 29…「ＥＤＧＥ法」によってコード領域と予測される領
域 30…各予測方法による予測の重なり領域 31…核酸データベースから条件にあうデータを取得する
処理 32…条件にあうデータの集合 33…各予測方法で解析する部分 34…エラー率とスコアの関係を計算する部分 35…変換関数のパラメータを計算する部分
れる領域 28…「ＲＵＬＥ法」によってコード領域と予測される領
域 29…「ＥＤＧＥ法」によってコード領域と予測される領
域 30…各予測方法による予測の重なり領域 31…核酸データベースから条件にあうデータを取得する
処理 32…条件にあうデータの集合 33…各予測方法で解析する部分 34…エラー率とスコアの関係を計算する部分 35…変換関数のパラメータを計算する部分
Claims (11)
- 【請求項１】 ＤＮＡ塩基配列データ上でタンパク質を
コードする領域（これをコード領域と呼ぶ）を検出する
方法において、異なるアルゴリズムを用いた複数のコー
ド領域予測方法の予測結果を入力として、あらためてコ
ード領域を予測することを特徴とするＤＮＡ塩基配列上
のタンパク質コード領域予測方法。 - 【請求項２】 請求項１に記載のＤＮＡ塩基配列上のタ
ンパク質コード領域予測方法において、各予測方法が共
通にコード領域と予測した領域をとり、その領域をコー
ド領域と予測することを特徴とするＤＮＡ塩基配列上の
タンパク質コード領域予測方法。 - 【請求項３】 請求項１に記載のＤＮＡ塩基配列上のタ
ンパク質コード領域予測方法において、各予測方法のい
ずれかが予測した領域のすべてをとり、その領域をコー
ド領域と予測することを特徴とするＤＮＡ塩基配列上の
タンパク質コード領域予測方法。 - 【請求項４】 請求項１に記載のＤＮＡ塩基配列上のタ
ンパク質コード領域予測方法において、あらかじめ各予
測方法に優先順位をつけておき、もし、重なる領域を複
数の予測方法がコード領域と予測した場合、その境界の
決定については、優先順位の高い予測方法の予測による
境界を採用してコード領域と予測することを特徴とする
ＤＮＡ塩基配列上のタンパク質コード領域予測方法。 - 【請求項５】 請求項１乃至４のいずれかに記載のＤＮ
Ａ塩基配列上のタンパク質コード領域予測方法におい
て、各コード領域予測方法がコード領域と予測した領域
に与えられたスコアを、あらかじめ定めた関数によって
その領域が正しくコード領域である確率に変換し、その
確率の平均値があらかじめ定めた閾値よりも大きい時に
その領域をコード領域と予測することを特徴とするＤＮ
Ａ塩基配列上のタンパク質コード領域予測方法。 - 【請求項６】 請求項１に記載のＤＮＡ塩基配列上のタ
ンパク質コード領域予測方法において、もし、重なる領
域を複数の予測方法がコード領域と予測した場合、その
境界の決定については各コード領域予測方法がコード領
域と予測した領域に与えられたスコアをあらかじめ定め
た関数によってその領域が正しくコード領域である確率
に変換し、確率が高い予測方法の予測による境界を採用
してコード領域と予測することを特徴とするＤＮＡ塩基
配列上のタンパク質コード領域予測方法。 - 【請求項７】 請求項６に記載のＤＮＡ塩基配列上のタ
ンパク質コード領域予測方法において、その選択したコ
ード領域予測方法の確率があらかじめ定めた閾値よりも
大きい時にその領域をコード領域と予測することを特徴
とするＤＮＡ塩基配列上のタンパク質コード領域予測方
法。 - 【請求項８】 請求項６又は７に記載のＤＮＡ塩基配列
上のタンパク質コード領域予測方法において、各コード
領域予測方法がコード領域と予測した領域に与えたスコ
アを確率に変換する関数が、コード領域予測方法と、そ
の方法が与えるスコアと、予測した領域の5'側及び3'側
の境界の種類の関数であることを特徴とするＤＮＡ塩基
配列上のタンパク質コード領域予測方法。 - 【請求項９】 請求項５、７又は８に記載のＤＮＡ塩基
配列上のタンパク質コード領域予測方法において、各予
測方法の確率の平均値をその領域の最終スコアとするも
のであって、コード領域という予測を陽性、非コード領
域という予測を陰性として、ＴＰを真陽性の塩基数、Ｔ
Ｎを真陰性の塩基数、ＦＰを偽陽性の塩基数、ＦＮを偽
陰性の塩基数、ＰＰを陽性の塩基数、ＰＮを陰性の塩基
数、ＡＰをコード領域全体の塩基数、ＡＮを非コード領
域全体の塩基数として、（ＴＰ)(ＴＮ)−(ＦＰ)(ＦＮ）
を（ＰＰ)(ＰＮ)(ＡＰ)(ＡＮ）の平方根で割ったものと
して定義されるファイ相関係数を計算した時に、この相
関係数が既知の配列データを解析した場合に最大になる
ようなスコアの閾値をもうけておき、領域の最終スコア
がこの閾値以上の場合に、その領域をコード領域と予測
することを特徴とするＤＮＡ塩基配列上のタンパク質コ
ード領域予測方法。 - 【請求項１０】 請求項５、７又は８に記載のＤＮＡ塩
基配列上のタンパク質コード領域予測方法において、各
予測方法の確率の平均値をその領域の最終スコアとし
て、ＦＰを偽陽性の塩基数、ＦＮを偽陰性の塩基数、Ａ
Ｐをコード領域の塩基数、ＡＮを非コード領域の塩基数
とするとき、Ｅ＝（ＦＮ／ＡＰ＋ＦＰ／ＡＮ）／２によ
って定義される平均誤り率が既知のデータを解析した場
合に最低になるような閾値をもうけ、領域の最終スコア
がこの閾値以上をコード領域と予測することを特徴とす
るＤＮＡ塩基配列上のタンパク質コード領域予測方法。 - 【請求項１１】 請求項１乃至１０のいずれかに記載さ
れたＤＮＡ塩基配列上のタンパク質コード領域予測方法
をコンピュータに実行させるためのプログラムを記録し
たコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9336858A JPH11169172A (ja) | 1997-12-08 | 1997-12-08 | Ｄｎａ塩基配列上のタンパク質コード領域予測方法及び記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9336858A JPH11169172A (ja) | 1997-12-08 | 1997-12-08 | Ｄｎａ塩基配列上のタンパク質コード領域予測方法及び記録媒体 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH11169172A true JPH11169172A (ja) | 1999-06-29 |
Family
ID=18303315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9336858A Pending JPH11169172A (ja) | 1997-12-08 | 1997-12-08 | Ｄｎａ塩基配列上のタンパク質コード領域予測方法及び記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH11169172A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001086003A3 (en) * | 2000-02-04 | 2003-05-22 | Aeomica Inc | Human genome-derived single exon nucleic acid probes useful for analysis of gene expression in human lung |
| JP2007265268A (ja) * | 2006-03-29 | 2007-10-11 | Fujitsu Ltd | 抗原決定基予測プログラム、抗原決定基予測装置、および抗原決定基予測方法 |
| JP2010205206A (ja) * | 2009-03-06 | 2010-09-16 | Nippon Software Management Kk | 塩基配列決定方法、塩基配列決定装置およびそのプログラム |
-
1997
- 1997-12-08 JP JP9336858A patent/JPH11169172A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001086003A3 (en) * | 2000-02-04 | 2003-05-22 | Aeomica Inc | Human genome-derived single exon nucleic acid probes useful for analysis of gene expression in human lung |
| JP2007265268A (ja) * | 2006-03-29 | 2007-10-11 | Fujitsu Ltd | 抗原決定基予測プログラム、抗原決定基予測装置、および抗原決定基予測方法 |
| JP2010205206A (ja) * | 2009-03-06 | 2010-09-16 | Nippon Software Management Kk | 塩基配列決定方法、塩基配列決定装置およびそのプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ewing et al. | Base-calling of automated sequencer traces using phred. II. Error probabilities | |
| JP4369922B2 (ja) | 生体画像照合装置およびその照合方法 | |
| JP2501771B2 (ja) | 不所望のソフトウェア・エンティティの複数の有効なシグネチャを得る方法及び装置 | |
| CN107408163B (zh) | 用于分析基因的方法及装置 | |
| JP2008511058A (ja) | コンピュータシステムを用いるデータ品質および／または部分異数染色体の決定 | |
| JP2003271960A (ja) | 指紋照合装置および指紋照合方法とプログラム | |
| US6321163B1 (en) | Method and apparatus for analyzing nucleic acid sequences | |
| CN110335248B (zh) | 医学图像病灶检测方法、装置、计算机设备和存储介质 | |
| JP6892606B2 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
| US6522768B1 (en) | Predicting system behavior of a managed system using pattern recognition techniques | |
| CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 | |
| KR20140090296A (ko) | 유전 정보를 분석하는 방법 및 장치 | |
| JP2004173748A (ja) | 類似医用画像データベース作成方法、類似医用画像データベース並びに類似医用画像検索方法及び装置 | |
| JPH11169172A (ja) | Ｄｎａ塩基配列上のタンパク質コード領域予測方法及び記録媒体 | |
| Grundy | Family-based homology detection via pairwise sequence comparison | |
| AU2022218581B2 (en) | Sequencing data-based itd mutation ratio detecting apparatus and method | |
| CN113782092B (zh) | 一种生存期预测模型的生成方法及装置、存储介质 | |
| CN116525108A (zh) | 基于snp数据的预测方法、装置、设备及存储介质 | |
| CN113539357B (zh) | 基因检测方法、模型训练方法、装置、设备及系统 | |
| US20050050129A1 (en) | Method of estimating a penetrance and evaluating a relationship between diplotype configuration and phenotype using genotype data and phenotype data | |
| US20200105374A1 (en) | Mixture model for targeted sequencing | |
| US20200194099A1 (en) | Machine learning-based variant calling using sequencing data collected from different subjects | |
| JP3771809B2 (ja) | 材料寿命の評価システム | |
| US7917300B2 (en) | Method and program for predicting gene network | |
| US20090138209A1 (en) | Prognostic apparatus, and prognostic method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060404 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20060725 |