Aperçu
L’annotation du génome est le processus consistant à attacher une signification biologique à la séquence brute d’un génome assemblé. Il identifie l’emplacement des gènes, leurs limites exon-intron, les séquences régulatrices, les éléments répétitifs et les ARN non codants. L’annotation comble le fossé entre une séquence d’ADN statique et les fonctions biologiques dynamiques qu’elle code. Les prédictions informatiques et les preuves expérimentales sont intégrées pour produire une carte complète des caractéristiques génomiques. À mesure que le séquençage du génome devient plus rapide et moins coûteux, le goulot d’étranglement de l’annotation – transformer les données de séquence en informations biologiques – est devenu de plus en plus critique.
Méthodes
Les stratégies d’annotation se répartissent en trois catégories. La prédiction ab initio utilise des modèles statistiques de structure génétique (tels que des modèles de Markov cachés) pour identifier les régions codantes directement à partir de la composition des séquences. Annotation basée sur l’homologie aligne les étiquettes de séquence exprimées, les protéines ou les lectures de séquences d’ARN provenant de la même espèce ou d’espèces apparentées pour déduire des structures génétiques. Annotation comparative exploite la conservation évolutive de plusieurs espèces pour identifier les éléments fonctionnels. Des pipelines tels que le pipeline d’annotation du génome eucaryote NCBI combinent les trois approches, suivies d’une curation manuelle pour résoudre les cas ambigus. La qualité est évaluée à l’aide de mesures telles que la distance d’édition des annotations (AED).
### Candidatures
Une annotation précise est essentielle pour interpréter les projets de séquençage. Dans la recherche biomédicale, elle permet la découverte de mutations pathogènes en révélant quelles régions génomiques codent pour des protéines ou des éléments régulateurs. La génomique agricole utilise l’annotation pour relier les gènes à des caractéristiques telles que le rendement et la tolérance au stress. Des techniques telles que la technologie de l’ADN recombinant dépendent de modèles génétiques fiables pour le clonage et l’expression. L’annotation prend également en charge la génétique bactérienne en identifiant les opérons et les facteurs de virulence, tandis que les études de régulation génique et épigénétique s’appuient sur les coordonnées précises des promoteurs, des activateurs et d’autres caractéristiques de régulation.
Protocole pratique
Le pipeline d’annotation MAKER intègre des prédictions ab initio, des preuves de protéines et de transcription dans une annotation unifiée. Préparez un fichier maker_opts.ctl spécifiant le génome FASTA, la bibliothèque de répétitions (par exemple, de RepeatModeler) et les alignements EST/protéines d’organismes étroitement apparentés. Exécutez RepeatMasker pour masquer les répétitions : RepeatMasker -species mammifère génome.fa. Exécutez MAKER en trois cycles itératifs : d’abord avec uniquement des preuves d’EST et de protéines (“maker -g genome.fa”), qui génère des modèles de gènes initiaux via des alignements épissés de transcrits et de protéines. Au deuxième tour, entraînez des prédicteurs de gènes ab initio (AUGUSTUS ou SNAP) sur des modèles MAKER à haute confiance du premier tour : snap -train -c score 1 -gff maker.gff genome.fa. Le troisième tour réexécute MAKER avec les prédicteurs entraînés activés, produisant l’annotation finale. BRAKER2 étend cette approche aux espèces avec des données RNA-seq : alignez les lectures avec STAR, exécutez BRAKER2.pl --genome=genome.fa --bam=aligned.bam --species=species, qui entraîne automatiquement GeneMark-ET et AUGUSTUS. La qualité des annotations est évaluée à l’aide de la métrique Annotation Edit Distance (AED) : AED < 0,25 indique des modèles de confiance élevée. L’exhaustivité de BUSCO par rapport à la lignée appropriée est attendue au-dessus de 90 % pour un génome bien annoté. Comparez votre annotation à celles existantes avec gffcompare. Pour l’annotation d’ARN non codant, exécutez « Infernal » avec les modèles de covariance Rfam. L’annotation fonctionnelle des protéines prédites utilise InterProScan : interproscan.sh -i protéines.faa -f TSV -dp, qui attribue des termes d’ontologie génétique et des annotations de domaine. Le fichier GFF3 final doit être trié, validé avec genometools gt gff3validator et indexé avec tabix.
