ในชีวสารสนเทศ GLIMMER ( Gene Locator and Interpolated Markov ModelER ) ใช้ในการค้นหายีนในDNA ของโปรคาริ โอ ต ^{[ 1 ]} "มีประสิทธิภาพในการค้นหายีนในแบคทีเรีย อา ร์เคียและไวรัสโดยทั่วไปจะพบยีนที่เข้ารหัสโปรตีนที่มีความยาวค่อนข้างยาวถึง98-99% " ^{[ 1 ]} GLIMMER เป็นระบบแรกที่ใช้แบบจำลอง Markov แบบแทรกสอด^{[ 2 ]}เพื่อระบุบริเวณที่เข้ารหัส ซอฟต์แวร์ GLIMMER เป็นโอเพนซอร์สและได้รับการดูแลโดยSteven Salzberg , Art Delcher และเพื่อนร่วมงานของพวกเขาที่Center for Computational Biology ^{[ 3 ]}ที่มหาวิทยาลัย Johns Hopkinsอัลกอริทึมและซอฟต์แวร์ GLIMMER ดั้งเดิมได้รับการออกแบบโดย Art Delcher, Simon Kasif และ Steven Salzberg และนำไปใช้กับการระบุตำแหน่งจีโนมของแบคทีเรียโดยร่วมมือกับOwen White

GLIMMER เวอร์ชันแรก "เช่น GLIMMER 1.0" เปิดตัวในปี 1998 และตีพิมพ์ในบทความเรื่องการระบุยีนจุลินทรีย์โดยใช้แบบจำลองมาร์คอฟแบบแทรกสอด [ ^{1 ] แบบ} จำลองมาร์คอฟถูกใช้เพื่อระบุยีนจุลินทรีย์ใน GLIMMER 1.0 GLIMMER พิจารณาการพึ่งพาของลำดับองค์ประกอบในท้องถิ่น ซึ่งทำให้ GLIMMER มีความยืดหยุ่นและมีประสิทธิภาพมากกว่าเมื่อเปรียบเทียบกับ แบบจำลองมาร์คอฟแบบลำดับคงที่

มีการเปรียบเทียบระหว่าง แบบจำลองมาร์คอฟแบบ แทรกสอดที่ใช้โดย GLIMMER และแบบจำลองมาร์คอฟลำดับที่ห้าในบทความการระบุยีนจุลินทรีย์โดยใช้แบบจำลองมาร์คอฟแบบแทรกสอด [ ^{1 ] "}อัลกอริทึม GLIMMER พบยีน 1680 ยีนจากยีนที่ระบุไว้ 1717 ยีนในHaemophilus influenzae ในขณะที่ แบบจำลองมาร์คอฟลำดับที่ห้า พบยีน 1574 ยีน GLIMMER พบยีนเพิ่มเติม 209 ยีนซึ่งไม่ได้รวมอยู่ในยีนที่ระบุไว้ 1717 ยีน ในขณะที่ แบบจำลองมาร์คอฟลำดับที่ห้าพบยีน 104 ยีน" ^{[ 1 ]}

GLIMMER เวอร์ชันที่สอง หรือ GLIMMER 2.0 ได้รับการเผยแพร่ในปี 1999 และตีพิมพ์ในบทความImproved microbial identification with GLIMMER [ ^{4 ] บทความ}นี้^{[ 4 ]}นำเสนอการปรับปรุงทางเทคนิคที่สำคัญ เช่น การใช้โมเดลบริบทแบบสอดแทรกแทนโมเดล Markov แบบสอดแทรก และการแก้ไขยีนที่ทับซ้อนกัน ซึ่งช่วยปรับปรุงความแม่นยำของ GLIMMER

มีการใช้โมเดลบริบทแบบแทรกสอด (Interpolated Context Model) แทน โมเดล Markov แบบ แทรกสอด (Interpolated Markov Model) ซึ่งให้ความยืดหยุ่นในการเลือกเบสใดก็ได้ ในโมเดล Markov แบบแทรกสอด การกระจายความน่าจะเป็นของเบสจะถูกกำหนดจากเบสที่อยู่ก่อนหน้าโดยตรง หากเบสที่อยู่ก่อนหน้าโดยตรงไม่เกี่ยวข้องกับ การแปล กรดอะมิโนโมเดล Markov แบบแทรกสอดจะยังคงพิจารณาเบสที่อยู่ก่อนหน้าเพื่อกำหนดความน่าจะเป็นของเบสที่กำหนด ในขณะที่โมเดลบริบทแบบแทรกสอดที่ใช้ใน GLIMMER 2.0 สามารถละเว้นเบสที่ไม่เกี่ยวข้องได้ มีการเพิ่มจำนวนการทำนายผลบวกเท็จใน GLIMMER 2.0 เพื่อลดจำนวนการทำนายผลลบเท็จ นอกจากนี้ GLIMMER 2.0 ยังแก้ไขปัญหาเรื่องยีนที่ทับซ้อนกันได้อีกด้วย

มีการเปรียบเทียบต่างๆ ระหว่าง GLIMMER 1.0 และ GLIMMER 2.0 ในเอกสารImproved microbial identification with GLIMMER ^{[ 4 ]}ซึ่งแสดงให้เห็นถึงการปรับปรุงในเวอร์ชันหลัง “ความไวของ GLIMMER 1.0 อยู่ในช่วง 98.4 ถึง 99.7% โดยเฉลี่ย 99.1% ในขณะที่ GLIMMER 2.0 มีความไวอยู่ในช่วง 98.6 ถึง 99.8% โดยเฉลี่ย 99.3% GLIMMER 2.0 มีประสิทธิภาพมากในการค้นหายีนที่มีความหนาแน่นสูง ปรสิตTrypanosoma bruceiซึ่งเป็นสาเหตุของโรคไข้หลับแอฟริกันได้รับการระบุโดย GLIMMER 2.0” ^{[ 4 ]}

GLIMMER เวอร์ชันที่สาม "GLIMMER 3.0" เปิดตัวในปี 2550 และตีพิมพ์ในบทความเรื่อง " การระบุยีนแบคทีเรียและดีเอ็นเอเอนโดซิมไบออนด้วย Glimmer " ^{[ 5 ]}บทความนี้อธิบายถึงการเปลี่ยนแปลงที่สำคัญหลายประการที่เกิดขึ้นกับระบบ GLIMMER รวมถึงวิธีการปรับปรุงในการระบุบริเวณการเข้ารหัสและรหัส เริ่มต้น การให้คะแนน ORF ใน GLIMMER 3.0 ทำในลำดับย้อนกลับ กล่าวคือ เริ่มจากรหัสหยุดและย้อนกลับไปยังรหัสเริ่มต้นการสแกนแบบย้อนกลับช่วยในการระบุส่วนที่เข้ารหัสของยีนได้อย่างแม่นยำยิ่งขึ้น ซึ่งอยู่ในหน้าต่างบริบทของ IMM GLIMMER 3.0 ยังปรับปรุงข้อมูลชุดฝึกอบรมที่สร้างขึ้นโดยการเปรียบเทียบ ORF ยาวกับการกระจายกรดอะมิโนสากลของจีโนมแบคทีเรียที่แตกต่างกันอย่างกว้างขวาง "GLIMMER 3.0 มีผลลัพธ์ ORF ยาวเฉลี่ย 57% สำหรับสิ่งมีชีวิตต่างๆ ในขณะที่ GLIMMER 2.0 มีผลลัพธ์ ORF ยาวเฉลี่ย 39%" ^{[ 5 ]}

GLIMMER 3.0 ลดอัตราการทำนายผลบวกเท็จซึ่งเพิ่มขึ้นใน GLIMMER 2.0 เพื่อลดจำนวนการทำนายผลลบเท็จ “GLIMMER 3.0 มีความแม่นยำในการทำนายตำแหน่งเริ่มต้น 99.5% สำหรับการจับคู่ 3'5' ในขณะที่ GLIMMER 2.0 มีความแม่นยำ 99.1% สำหรับการจับคู่ 3'5' GLIMMER 3.0 ใช้อัลกอริทึมใหม่สำหรับการสแกนบริเวณการเข้ารหัส โมดูลการตรวจจับตำแหน่งเริ่มต้นใหม่ และสถาปัตยกรรมที่รวมการทำนายยีนทั้งหมดทั่วทั้งจีโนม” ^{[ 5 ]}

ความยาวคำอธิบายขั้นต่ำ

โครงการ GLIMMER ช่วยแนะนำและทำให้การใช้แบบจำลองความยาวแปรผันเป็นที่นิยมในชีววิทยาเชิงคำนวณและชีวสารสนเทศ ซึ่งต่อมาได้ถูกนำไปประยุกต์ใช้กับปัญหาต่างๆ มากมาย เช่น การจำแนกประเภทโปรตีนและอื่นๆ การสร้างแบบจำลองความยาวแปรผันนั้นริเริ่มโดยนักทฤษฎีสารสนเทศ และต่อมาได้ถูกนำไปประยุกต์ใช้และทำให้เป็นที่นิยมอย่างชาญฉลาดในการบีบอัดข้อมูล (เช่น การบีบอัดแบบ Ziv-Lempel) การทำนายและการบีบอัดมีความเชื่อมโยงกันอย่างใกล้ชิดโดยใช้ หลักการ ความยาวคำอธิบายขั้นต่ำแนวคิดพื้นฐานคือการสร้างพจนานุกรมของคำที่พบบ่อย (รูปแบบในลำดับทางชีววิทยา) โดยมีข้อสันนิษฐานว่ารูปแบบที่เกิดขึ้นบ่อยนั้นมีแนวโน้มที่จะทำนายและให้ข้อมูลได้ดีที่สุด ใน GLIMMER แบบจำลองที่แทรกเข้าไปนั้นเป็นแบบจำลองผสมของความน่าจะเป็นของรูปแบบที่พบบ่อยเหล่านี้ ในทำนองเดียวกันกับการพัฒนา HMM ในชีววิทยาเชิงคำนวณ ผู้เขียน GLIMMER ได้รับอิทธิพลทางแนวคิดจากการประยุกต์ใช้แบบจำลอง Markov ที่แทรกเข้าไปอีกรูปแบบหนึ่งในการรู้จำเสียงพูดโดยนักวิจัยเช่น Fred Jelinek (IBM) และ Eric Ristad (Princeton) อัลกอริทึมการเรียนรู้ใน GLIMMER แตกต่างจากวิธีการก่อนหน้านี้

สามารถดาวน์โหลด GLIMMER ได้จากหน้าหลักของ Glimmer (ต้องใช้ คอมไพเลอร์ C++ ) หรืออีกทางเลือกหนึ่งคือ เวอร์ชันออนไลน์มีให้ใช้งานบนNCBI [1 ]

1. GLIMMER ค้นหาORF ที่มีความยาวเป็นหลัก กรอบการอ่านแบบเปิดหนึ่งอาจทับซ้อนกับกรอบการอ่านแบบเปิดอื่น ๆ ซึ่งจะถูกแยกแยะโดยใช้เทคนิคที่อธิบายไว้ในหัวข้อย่อย โดยใช้ ORF ที่มีความยาวเหล่านี้และปฏิบัติตามการกระจายตัวของกรดอะมิโนที่กำหนดไว้ GLIMMER จะสร้างข้อมูลชุดฝึกฝน ขึ้นมา
2. GLIMMER ใช้ข้อมูลฝึกฝนเหล่านี้ในการฝึกฝนโมเดล Markov ทั้งหกแบบของ DNA ที่เข้ารหัส ตั้งแต่ลำดับที่ศูนย์ถึงแปด และยังฝึกฝนโมเดลสำหรับDNA ที่ไม่เข้ารหัส ด้วย
3. GLIMMER พยายามคำนวณความน่าจะเป็นจากข้อมูล โดยพิจารณาจากจำนวนการสังเกต GLIMMER จะกำหนดว่าควรใช้แบบจำลองมาร์คอฟ ลำดับคงที่ หรือแบบจำลองมาร์คอฟแบบ สอดแทรก
   1. หากจำนวนข้อมูลสังเกตการณ์มากกว่า 400 รายการ GLIMMER จะใช้แบบจำลองมาร์คอฟลำดับคงที่เพื่อหาความน่าจะเป็น
   2. หากจำนวนข้อมูลน้อยกว่า 400 รายการ GLIMMER จะใช้ แบบจำลองมาร์คอฟแบบ แทรกสอดซึ่งจะอธิบายโดยย่อในหัวข้อถัดไป
4. GLIMMER จะคำนวณคะแนนสำหรับ ORF ยาวทุกตัวที่สร้างขึ้นโดยใช้แบบจำลอง DNA ที่เข้ารหัสทั้งหกแบบ รวมถึงแบบจำลอง DNA ที่ไม่เข้ารหัสด้วย
5. หากคะแนนที่ได้ในขั้นตอนก่อนหน้านี้มากกว่าเกณฑ์ที่กำหนดไว้ GLIMMER จะทำนายว่าเป็นยีน

ขั้นตอนที่อธิบายไว้ข้างต้นอธิบายถึงฟังก์ชันพื้นฐานของ GLIMMER มีการปรับปรุง GLIMMER ในหลายด้าน และบางส่วนจะอธิบายไว้ในหัวข้อย่อยต่อไปนี้

ระบบ GLIMMER ประกอบด้วยโปรแกรมสองโปรแกรม โปรแกรมแรกชื่อ build-imm ซึ่งรับชุดลำดับเป็นอินพุตและส่งออกแบบ จำลอง Markov ที่ผ่านการประมาณค่าแบบสอดแทรกดังต่อไปนี้

คำนวณ ความน่าจะเป็นสำหรับแต่ละเบส ได้แก่ A, C, G, T สำหรับk-mer ทั้งหมด โดยที่ 0 ≤ k ≤ 8 จากนั้น สำหรับแต่ละk-merโปรแกรม GLIMMER จะคำนวณน้ำหนัก ความน่าจะเป็นของลำดับใหม่จะคำนวณดังนี้

${\displaystyle \operatorname {P(S|M)=\sum _{x=1}^{n}{IMM_{8}(S_{x})}} }$

โดยที่ n คือความยาวของลำดับ และโอลิโกเมอร์อยู่ที่ตำแหน่ง x คะแนนของแบบจำลองมาร์คอฟ ที่แทรกสอดลำดับที่ n จะคำนวณได้ดังนี้ ${\displaystyle S_{x}}$${\displaystyle IMM_{8}(S_{x})}$${\displaystyle 8^{th}}$

${\displaystyle \operatorname {IMM_{k}(S_{x})=Y_{k}(S_{x-1})\cdot P_{k}(S_{x})+[1-{Y_{k}(S_{x-1})]\cdot IMM_{k-1}(S_{x})}} }$

" น้ำหนักของk-merที่ตำแหน่ง x-1 ในลำดับ S และค่าประมาณที่ได้จากข้อมูลการฝึกอบรมของความน่าจะเป็นของฐานที่ตำแหน่ง x ในแบบจำลองลำดับ -" ^{[ 1 ]}${\displaystyle Y_{k}(S_{x-1})}$${\displaystyle P_{k}(S_{x})}$${\displaystyle k^{th}}$

ความน่าจะเป็นของฐานที่กำหนดโดยฐานก่อนหน้า i ฐาน คำนวณได้ดังนี้ ${\displaystyle S_{x}}$

${\displaystyle \operatorname {P_{i}(S_{x})=P(s_{x}|S_{x,j})={\frac {f(S_{x,j})}{\sum _{b\in {[acgt]}}\operatorname {f(S_{x,i},b)} }}} }$

"ค่าที่เกี่ยวข้องกับสามารถถือได้ว่าเป็นการวัดความเชื่อมั่นในความถูกต้องของค่านี้ในฐานะการประมาณความน่าจะเป็นที่แท้จริง GLIMMER ใช้เกณฑ์สองข้อในการกำหนดค่าข้อแรกคือความถี่ที่เกิดขึ้นอย่างง่าย ซึ่งจำนวนครั้งของการเกิดขึ้นของสตริงบริบท ในข้อมูลการฝึกอบรมเกินค่าเกณฑ์ที่กำหนด จากนั้นจะถูกตั้งค่าเป็น 1.0 ค่าเริ่มต้นปัจจุบันสำหรับเกณฑ์คือ 400 ซึ่งให้ความเชื่อมั่น 95% เมื่อมีจำนวนครั้งของการเกิดขึ้นของสตริงบริบทไม่เพียงพอ build-imm จะใช้เกณฑ์เพิ่มเติมในการกำหนดค่า สำหรับสตริงบริบทที่กำหนดที่มีความยาว i build-imm จะเปรียบเทียบความถี่ที่สังเกตได้ของฐานต่อไปนี้, , , กับความน่าจะเป็นของแบบจำลอง Markov ที่คำนวณไว้ก่อนหน้านี้โดย ใช้บริบทที่สั้นกว่าถัดไป , , , , โดยใช้การทดสอบ build-imm จะพิจารณาว่ามีความน่าจะเป็นมากน้อยเพียงใดที่ความถี่ที่สังเกตได้สี่ค่าจะสอดคล้องกับค่า IMM จากบริบทที่สั้นกว่าถัดไป" ^{[ 1 ]}${\displaystyle Y_{i}(S_{x})}$${\displaystyle P_{i}(S_{x})}$${\displaystyle Y_{i}(S_{x})}$${\displaystyle S_{x,i}}$${\displaystyle Y_{i}(S_{x})}$${\displaystyle Y}$${\displaystyle S_{x,i}}$${\displaystyle f(S_{x,i},a)}$${\displaystyle f(S_{x,i},c)}$${\displaystyle f(S_{x,i},g)}$${\displaystyle f(S_{x,i},t)}$${\displaystyle IMM_{i-1}(S_{x,{i-1}},a)}$${\displaystyle IMM_{i-1}(S_{x,{i-1}},c)}$${\displaystyle IMM_{i-1}(S_{x,{i-1}},g)}$${\displaystyle IMM_{i-1}(S_{x,{i-1}},t)}$${\displaystyle X^{2}}$

โปรแกรมที่สองชื่อ Glimmer จะใช้ IMM นี้ในการระบุยีนที่อาจเป็นไปได้ในจีโนมทั้งหมด GLIMMER จะระบุเฟรมการอ่านแบบเปิด ทั้งหมด ที่มีคะแนนสูงกว่าเกณฑ์ และตรวจสอบยีนที่ซ้ำกัน การแก้ไขปัญหายีนที่ซ้ำกันจะอธิบายในหัวข้อถัดไป

สมการและคำอธิบายของคำศัพท์ที่ใช้ข้างต้นนำมาจากบทความ 'การระบุยีนจุลินทรีย์โดยใช้แบบจำลองมาร์คอฟแบบสอดแทรก^{[ 1 ]}

ใน GLIMMER 1.0 เมื่อยีน A และ B มีส่วนทับซ้อนกัน ระบบจะให้คะแนนบริเวณที่ทับซ้อนกัน หากยีน A ยาวกว่ายีน B และยีน A ได้คะแนนสูงกว่าในบริเวณที่ทับซ้อนกัน และหากการเลื่อนตำแหน่งเริ่มต้นของยีน B ไม่สามารถแก้ไขส่วนที่ทับซ้อนกันได้ ยีน B จะถูกปฏิเสธ

GLIMMER 2.0 นำเสนอวิธีการแก้ปัญหาการทับซ้อนที่ดีกว่า ใน GLIMMER 2.0 เมื่อยีนที่มีศักยภาพสองตัวคือ A และ B ทับซ้อนกัน ระบบจะให้คะแนนบริเวณที่ทับซ้อนกัน สมมติว่ายีน A ได้คะแนนสูงกว่า ระบบจะพิจารณาทิศทางที่แตกต่างกันสี่แบบ

ในกรณีข้างต้น การเลื่อนตำแหน่งจุดเริ่มต้นไม่ได้ช่วยขจัดส่วนที่ทับซ้อนกัน หาก A ยาวกว่า B อย่างมีนัยสำคัญ B จะถูกปฏิเสธ หรือมิเช่นนั้นทั้ง A และ B จะถูกเรียกว่ายีน โดยมีส่วนที่ทับซ้อนกันอย่างไม่แน่ชัด

ในกรณีข้างต้น การเคลื่อนย้าย B สามารถแก้ไขปัญหาการทับซ้อนได้ A และ B สามารถเรียกได้ว่าเป็นยีนที่ไม่ทับซ้อนกัน แต่ถ้า B สั้นกว่า A อย่างมีนัยสำคัญ B ก็จะถูกปฏิเสธ

ในกรณีข้างต้น การย้าย A สามารถแก้ไขปัญหาการทับซ้อนได้ A จะถูกย้ายก็ต่อเมื่อการทับซ้อนเป็นเพียงเศษส่วนเล็กน้อยของ A เท่านั้น มิฉะนั้น B จะถูกปฏิเสธ

ในกรณีข้างต้น ทั้ง A และ B สามารถเคลื่อนย้ายได้ ขั้นแรก เราจะเคลื่อนย้ายจุดเริ่มต้นของ B จนกว่าบริเวณที่ทับซ้อนกันจะมีคะแนนสูงกว่าสำหรับ B จากนั้นเราจะเคลื่อนย้ายจุดเริ่มต้นของ A จนกว่าจะมีคะแนนสูงกว่า แล้วจึงเคลื่อนย้าย B อีกครั้ง และทำเช่นนี้ต่อไปเรื่อยๆ จนกว่าบริเวณที่ทับซ้อนกันจะหมดไป หรือไม่สามารถเคลื่อนย้ายได้อีกต่อไป

ตัวอย่างข้างต้นนำมาจากบทความ 'การระบุยีนแบคทีเรียและดีเอ็นเอเอนโดซิมไบออนด้วย Glimmer' ^{[ 5 ]}

สัญญาณ บริเวณจับกับไรโบโซม (RBS) สามารถใช้ค้นหาตำแหน่งเริ่มต้นที่แท้จริงของการถอดรหัสได้ ผลลัพธ์จาก GLIMMER จะถูกส่งเป็นข้อมูลป้อนเข้าสำหรับโปรแกรม RBSfinder เพื่อทำนายบริเวณจับกับไรโบโซม GLIMMER 3.0 ได้รวมโปรแกรม RBSfinder เข้ากับฟังก์ชันการทำนายยีนโดยตรง

ซอฟต์แวร์ ELPH (ซึ่งได้รับการพิจารณาว่ามีประสิทธิผลสูงในการระบุ RBS ในเอกสาร^{[ 5 ]} ) ใช้สำหรับระบุ RBS และสามารถดาวน์โหลดได้จากเว็บไซต์ นี้ (เก็บถาวรเมื่อ วันที่ 27 พฤศจิกายน 2013 ) ที่Wayback Machine อัลกอริทึม การสุ่มตัวอย่างของ Gibbsใช้ในการระบุโมทีฟ ร่วม ในชุดลำดับใดๆ ลำดับ โมทีฟ ร่วม และความยาวจะถูกป้อนเป็นอินพุตให้กับ ELPH จากนั้น ELPH จะคำนวณเมทริกซ์น้ำหนักตำแหน่ง (PWM) ซึ่งจะถูกใช้โดย GLIMMER 3 เพื่อให้คะแนน RBS ที่อาจเกิดขึ้นซึ่งพบโดย RBSfinder กระบวนการข้างต้นจะดำเนินการเมื่อเรามีจำนวนยีนฝึกฝนจำนวนมาก หากมีจำนวนยีนฝึกฝนไม่เพียงพอ GLIMMER 3 สามารถบูตสแตรปตัวเองเพื่อสร้างชุดการทำนายยีนซึ่งสามารถใช้เป็นอินพุตให้กับ ELPH ได้ ELPH จะคำนวณ PWM และ PWM นี้สามารถนำไปใช้กับชุดยีนเดียวกันอีกครั้งเพื่อให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้นสำหรับตำแหน่งเริ่มต้น กระบวนการนี้สามารถทำซ้ำได้หลายครั้งเพื่อให้ได้ PWM และผลลัพธ์การทำนายยีนที่สอดคล้องกันมากขึ้น

Glimmer สนับสนุนความพยายามในการระบุตำแหน่งจีโนมในแบคทีเรีย อาร์เคีย และไวรัสหลากหลายชนิด ในความพยายามในการระบุตำแหน่งจีโนมใหม่ขนาดใหญ่ที่DNA Data Bank of Japan (DDBJ ซึ่งจำลองGenbank ) Kosuge et al. (2006) ^{[ 6 ]}ได้ตรวจสอบวิธีการค้นหายีนที่ใช้สำหรับจีโนม 183 จีโนม พวกเขารายงานว่าจากโครงการเหล่านี้ Glimmer เป็นตัวค้นหายีนสำหรับ 49% ตามด้วยGeneMark 12% และอัลกอริทึมอื่นๆ ที่ใช้ใน 3% หรือน้อยกว่าของโครงการ (พวกเขายังรายงานด้วยว่า 33% ของจีโนมใช้โปรแกรม "อื่นๆ" ซึ่งในหลายกรณีหมายความว่าพวกเขาไม่สามารถระบุวิธีการได้ หากไม่นับกรณีเหล่านั้น Glimmer ถูกใช้สำหรับ 73% ของจีโนมที่สามารถระบุวิธีการได้อย่างชัดเจน) Glimmer ถูกใช้โดย DDBJ เพื่อระบุคำอธิบายประกอบจีโนมแบคทีเรียทั้งหมดในฐานข้อมูลลำดับนิวคลีโอไทด์ระหว่างประเทศอีกครั้ง^{[ 7 ]} กลุ่มนี้ยังใช้ Glimmer เพื่อระบุคำอธิบายประกอบไวรัสด้วย^{[ 8 ]} Glimmer เป็นส่วนหนึ่งของกระบวนการระบุคำอธิบายประกอบแบคทีเรียที่ศูนย์ข้อมูลเทคโนโลยีชีวภาพแห่งชาติ (NCBI) ^{[ 9 ]}ซึ่งยังดูแลเว็บเซิร์ฟเวอร์สำหรับ Glimmer ด้วย^{[ 10 ]}เช่นเดียวกับเว็บไซต์ในเยอรมนี^{[ 11 ]}และแคนาดา^{[ 12 ]}

จากข้อมูลของ Google Scholar ณ ต้นปี 2011 บทความ Glimmer ฉบับดั้งเดิม (Salzberg et al., 1998) ^{[ 1 ]}ได้รับการอ้างอิง 581 ครั้ง และบทความ Glimmer 2.0 (Delcher et al., 1999) ^{[ 4 ]}ได้รับการอ้างอิง 950 ครั้ง

• หน้าหลักของ Glimmer ที่ CCB มหาวิทยาลัย Johns Hopkinsซึ่งสามารถดาวน์โหลดซอฟต์แวร์ได้จากที่นี่