ゲノムのアノテーションとアセンブリ

生物の全ゲノムを連続的な配列で配列決定することはできず、最新世代の配列決定技術でさえ、長さが50〜1000bpの範囲の何千もの短いDNA断片から断片化されたデータを生成します。

これらの短いDNA配列(リードと呼ばれる)は、ゲノムアセンブリと呼ばれるプロセスでゲノムの完全な配列を再構築するためにアセンブルする必要があります。

次世代のゲノムアセンブリには、生データ解析、コンティグアセンブリ、スキャフォールディング、そして最後にギャップクロージングという4つの主要なステップがあります。

最初のステップは、取得した生データの品質を分析し、汚染、偏ったデータ、または多数の未知のヌクレオチドによる低品質の読み取りを排除することです。

次に、クリーンリードをトリミングして、アダプタシーケンスをその端から削除します。フラグメント末端の塩基で品質しきい値を満たさないものもトリムされます。

次に、適切なアセンブリツールを使用して、オーバーラップするDNAセグメントに基づいてリードを連続した配列(コンティグと呼ばれる)にアセンブルします。

比較ゲノムアセンブリは、近縁生物の参照ゲノムが利用可能で、新しいゲノムの再構築を指示するために利用できる場合に使用できます。ここでは、リードが参照ゲノムにアラインメントされ、これによりゲノムアセンブリのさらなるステップのレイアウトが提供されます。

あるいは、参照ゲノムがない場合にde novoゲノムアセンブリを行う必要があります。ここでは、オーバーラップするリードを使用して、シーケンスをより長いコンティグに向けます。

次のステップでは、コンティグの末端に張り出したリードであるペアのショートリードを使用して、ゲノムのスキャフォールディングを行います。

隣接するコンティグ間のギャップは、未知の配列の場合に備えてNsで埋められます。ただし、長さが1kbを超える長いリードを使用してコンティグをつなぎ合わせると、ギャップを実際のシーケンスで埋めることができます。

その結果、アセンブルされたゲノムが作成され、自動化されたツールの助けを借りて注釈を付ける必要があります(これはゲノムアノテーションと呼ばれるプロセスです)。

ゲノムアノテーションの主な目的は、遺伝子構造と遺伝子機能予測の2つであり、それぞれ一般に構造アノテーションと機能アノテーションとして知られています。

構造アノテーションは、コード領域や調節モチーフなどのゲノム要素の同定につながりますが、機能アノテーションは、これらの構造要素、特にタンパク質コード遺伝子の生物学的機能を正しく特定するのに役立ちます。

ゲノムアノテーションツールは、既知の転写産物、タンパク質またはシグナル配列、他のシーケンシングされたゲノムからの予測遺伝子、保存されたドメインのシグネチャーなど、利用可能なデータを新しいアノテーションの参照として使用します。

ソフトウェアがこの利用可能なデータをドラフトゲノムにアライメントしたら、手動またはアノテーションツールを使用してフィルタリングおよび研磨し、遺伝子アノテーションの最終セットを取得する必要があります。