GWIscan: an automated pipeline for genome-wide identification and in silico characterization of gene families
GWIscan 是一个自动化的多物种流水线，它整合了 BLAST、谱图 HMM 和 InterPro 分析，以全面识别并表征基因家族，通过回收额外的、高置信度的成员并重现已建立的清单，其表现优于单一方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
生命是由被称为 DNA 的代码中的指令构建而成的，细胞通过阅读这些代码来制造蛋白质。这些蛋白质是执行生物体内几乎所有任务的“工人”，从消化食物到抵御疾病。通常，这些工人以群体形式出现，许多成员因为拥有共同的祖先而具有相似的形状或功能。科学家们称这些群体为基因家族。为了了解一个生物是如何运作的，研究人员必须首先在其遗传代码中寻找并计数这些家族。然而，随着新基因组以极快的速度被测序，海量的数据使得这项任务变得异常困难。传统方法依赖于在已知蛋白质形状与新遗传序列之间寻找匹配项，但没有一种单一的搜索方法是完美的。一些家族会被遗漏，因为它们看起来与已知的范例过于不同；而另一些则会被错误识别，因为它们共享了一个微小的、无关的特征。这导致研究人员面临着不完整的列表，以及繁琐的手动检查和整理工作。
由比文·曼延格瓦（Beaven Manjengwa）开发的一种名为 GWIscan 的新工具提供了一种解决方案，它实现了整个过程的自动化。该软件作为一个综合扫描仪，可以在整个基因组中寻找基因家族，它结合了两种不同的搜索策略以确保没有任何遗漏。它首先寻找与已知蛋白质序列的直接匹配，类似于通过书名寻找一本特定的书。随后，它进行第二次更微妙的搜索，寻找蛋白质潜在的结构蓝图，即使书名已经改变。通过合并这两次搜索的结果，该工具创建了一个更完整的候选名单。接着，它扮演一名严格编辑的角色，通过检查特定的、定义性的特征来验证每个候选者是否真正属于该家族。一旦名单得到确认，软件会自动收集每个成员的详细信息，例如其大小、化学性质以及它可能在细胞内的哪个位置工作。整个工作流在一次自动运行中即可完成，消除了研究人员将不同程序拼接在一起或手动汇编数据的需求。
为了测试这种方法是否奏效，研究人员将 GWIscan 应用于三种不同植物的遗传代码：一种小型开花杂草、玉米和一种常见豆类。他们专注于一类被称为凝集素（lectins）的特定蛋白质，这类蛋白质帮助植物识别并与其环境进行互动。团队将 GWIscan 的结果与之前在这些植物中手动计数这些蛋白质的研究进行了对比。在杂草的研究中，该新工具找到了此前研究报告的 217 个基因中的 211 个，这一成功率匹配甚至超过了以往的研究成果。在玉米和豆类的研究中，该工具不仅重现了已知的计数，还发现了旧有的、仅使用单一方法搜索时所忽略的其他成员。例如，在豆类植物中，该工具识别出了数十个新的凝集素基因，这些基因之所以被遗漏，是因为它们的结构与标准范例略有不同。这些新发现并非随机猜测；该工具证实了这些额外的基因确实具备属于该家族的正确结构特征。
这项研究表明，结合不同的搜索方法比仅依赖一种方法更为有效。当研究人员仔细观察那些被旧方法遗漏的基因时，他们发现其中一些由于序列过于不同而无法被简单的匹配捕捉，而另一些则对于单纯的结构搜索而言过于复杂。通过将这两种方法结合使用，GWIscan 找回了这些缺失的部分。该工具还证明了能够同时处理来自多个物种的数据，并将结果组织成清晰的对比，展示基因家族在不同植物间是如何变化的。虽然该软件旨在适用于任何生物，但研究人员指出，某些高级分析步骤需要特定的学术使用许可。最终，GWIscan 为科学家提供了一种可靠、自动化的方式来绘制任何物种的基因家族图谱，将一项复杂的、手工的任务转变为一个高效且能产生高置信度结果的流程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。