Übersicht
Bei der Genomannotation handelt es sich um den Prozess, der Rohsequenz eines zusammengesetzten Genoms eine biologische Bedeutung zuzuordnen. Es identifiziert die Positionen von Genen, ihre Exon-Intron-Grenzen, regulatorische Sequenzen, repetitive Elemente und nichtkodierende RNAs. Annotation schließt die Lücke zwischen einer statischen DNA-Sequenz und den dynamischen biologischen Funktionen, die sie kodiert. Sowohl rechnerische Vorhersagen als auch experimentelle Beweise werden integriert, um eine umfassende Karte genomischer Merkmale zu erstellen. Da die Genomsequenzierung immer schneller und kostengünstiger wird, wird der Annotationsengpass – die Umwandlung von Sequenzdaten in biologische Erkenntnisse – immer kritischer.
Methoden
Anmerkungsstrategien lassen sich in drei Kategorien einteilen. Ab-initio-Vorhersage verwendet statistische Modelle der Genstruktur (z. B. Hidden-Markov-Modelle), um kodierende Regionen direkt aus der Sequenzzusammensetzung zu identifizieren. Homologiebasierte Annotation ordnet ausgedrückte Sequenz-Tags, Proteine oder RNA-Seq-Reads derselben oder verwandter Spezies aneinander, um Genstrukturen abzuleiten. Vergleichende Annotation nutzt die Evolutionserhaltung über mehrere Arten hinweg, um funktionelle Elemente zu lokalisieren. Pipelines wie die NCBI Eukaryotic Genome Annotation Pipeline kombinieren alle drei Ansätze, gefolgt von einer manuellen Kuration, um mehrdeutige Fälle zu lösen. Die Qualität wird anhand von Metriken wie der Annotation Edit Distance (AED) bewertet.
Anwendungen
Eine genaue Annotation ist für die Interpretation von Sequenzierungsprojekten unerlässlich. In der biomedizinischen Forschung ermöglicht es die Entdeckung krankheitsverursachender Mutationen, indem es aufdeckt, welche Genomregionen Proteine oder regulatorische Elemente kodieren. Die Agrargenomik nutzt Annotation, um Gene mit Merkmalen wie Ertrag und Stresstoleranz zu verknüpfen. Techniken wie die rekombinante DNA-Technologie sind für das Klonen und die Expression auf zuverlässige Genmodelle angewiesen. Annotation unterstützt auch die [Bakteriengenetik](/guides/bakterielle-genetics.html) durch die Identifizierung von Operons und Virulenzfaktoren, während Studien zur Genregulierung und Epigenetik auf den genauen Koordinaten von Promotoren, Enhancern und anderen regulatorischen Merkmalen beruhen.
Praktisches Protokoll
Die MAKER-Annotationspipeline integriert Ab-initio-Vorhersagen, Protein- und Transkriptnachweise in einer einheitlichen Annotation. Bereiten Sie eine „maker_opts.ctl“-Datei vor, die das Genom-FASTA, die Wiederholungsbibliothek (z. B. von RepeatModeler) und EST/Protein-Alignments von eng verwandten Organismen angibt. Führen Sie RepeatMasker aus, um Wiederholungen weich zu maskieren: „RepeatMasker -species Mammutgenome.fa“. Führen Sie MAKER in drei iterativen Runden aus: zunächst nur mit EST- und Proteinnachweisen („maker -g genome.fa“), wodurch erste Genmodelle über gespleißte Alignments von Transkripten und Proteinen generiert werden. In der zweiten Runde trainieren Sie Ab-initio-Genprädiktoren (AUGUSTUS oder SNAP) auf hochzuverlässigen MAKER-Modellen aus Runde eins: „snap -train -c score 1 -gff maker.gff genome.fa“. In der dritten Runde wird MAKER mit aktivierten trainierten Prädiktoren erneut ausgeführt, wodurch die endgültige Anmerkung erstellt wird. BRAKER2 erweitert diesen Ansatz für Arten mit RNA-seq-Daten: Richten Sie Lesevorgänge mit „STAR“ aus, führen Sie „BRAKER2.pl –genome=genome.fa –bam=aligned.bam –species=species“ aus, wodurch GeneMark-ET und AUGUSTUS automatisch trainiert werden. Die Annotationsqualität wird mit der AED-Metrik (Annotation Edit Distance) bewertet: AED < 0,25 weist auf Modelle mit hoher Zuverlässigkeit hin. Für ein gut annotiertes Genom wird eine BUSCO-Vollständigkeit gegenüber der entsprechenden Abstammungslinie von über 90 % erwartet. Vergleichen Sie Ihre Anmerkung mit vorhandenen mit „gffcompare“. Für nicht-kodierende RNA-Annotationen führen Sie „Infernal“ mit Rfam-Kovarianzmodellen aus. Die funktionale Annotation vorhergesagter Proteine verwendet InterProScan: „interproscan.sh -i Proteine.faa -f TSV -dp“, das Begriffe der Genontologie und Domänenannotationen zuweist. Die endgültige GFF3-Datei sollte sortiert, mit „genometools gt gff3validator“ validiert und mit „tabix“ indiziert werden.
