ในชีววิทยาเชิง คำนวณ การ ทำนายยีนหรือการค้นหายีนหมายถึงกระบวนการระบุบริเวณของดีเอ็นเอในจีโนมที่เข้ารหัสยีน ซึ่งรวมถึง ยีนที่เข้ารหัสโปรตีนและยีนอาร์เอ็นเอแต่ยังอาจรวมถึงการทำนายองค์ประกอบการทำงานอื่นๆ เช่นบริเวณควบคุมการค้นหายีนเป็นหนึ่งในขั้นตอนแรกและสำคัญที่สุดในการทำความเข้าใจจีโนมของสิ่งมีชีวิตชนิดหนึ่งเมื่อมีการจัดลำดับ จีโนม แล้ว

ในยุคแรกเริ่ม "การค้นหายีน" อาศัยการทดลองอย่างพิถีพิถันในเซลล์และสิ่งมีชีวิต การวิเคราะห์ทางสถิติของอัตราการเกิดการรวมตัวกันของยีนหลายชนิดที่แตกต่างกันสามารถกำหนดลำดับของยีนเหล่านั้นบนโครโมโซม ได้ และข้อมูลจากการทดลองจำนวนมากสามารถนำมารวมกันเพื่อสร้างแผนที่ทางพันธุกรรมที่ระบุตำแหน่งโดยประมาณของยีนที่รู้จักเมื่อเทียบกับยีนอื่นๆ ในปัจจุบัน ด้วยลำดับจีโนมที่ครอบคลุมและทรัพยากรการคำนวณที่ทรงพลังซึ่งอยู่ในความครอบครองของวงการวิจัย การค้นหายีนจึงถูกนิยามใหม่ว่าเป็นปัญหาทางด้านการคำนวณเป็นส่วนใหญ่

การพิจารณาว่าลำดับนั้นมีฟังก์ชันการทำงานหรือไม่ ควรแยกออกจากการพิจารณาฟังก์ชันของยีนหรือผลิตภัณฑ์ของยีน การทำนายฟังก์ชันของยีนและการยืนยันว่าการทำนายยีนนั้นถูกต้องแม่นยำยังคงต้องอาศัยการทดลองในร่างกาย^{[ 1 ]}ผ่านการกำจัดยีนและการทดสอบอื่นๆ แม้ว่าความก้าวหน้าของการวิจัยด้านชีวสารสนเทศ^{[ 2 ]}จะทำให้สามารถทำนายฟังก์ชันของยีนได้โดยอาศัยลำดับเพียงอย่างเดียวมากขึ้นเรื่อยๆ

การทำนายยีนเป็นขั้นตอนสำคัญอย่างหนึ่งในการระบุจีโนมต่อจากการประกอบลำดับการกรองบริเวณที่ไม่ใช่รหัส และการปิดบังส่วนที่ซ้ำกัน^{[ 3 ]}

การทำนายยีนมีความเกี่ยวข้องอย่างใกล้ชิดกับสิ่งที่เรียกว่า 'ปัญหาการค้นหาเป้าหมาย' ซึ่งเป็นการศึกษาว่าโปรตีนที่จับกับ DNA ( ปัจจัยการถอดรหัส ) ค้นหาตำแหน่งการจับที่ เฉพาะเจาะจง ภายในจีโนม ได้ อย่างไร^{[ 4 ] [ 5 ]}หลายแง่มุมของการทำนายโครงสร้างยีนนั้นขึ้นอยู่กับความเข้าใจในปัจจุบันเกี่ยวกับ กระบวนการ ทางชีวเคมี พื้นฐาน ในเซลล์เช่นการถอดรหัสยีนการแปลรหัสปฏิสัมพันธ์ระหว่างโปรตีนกับโปรตีนและกระบวนการควบคุมซึ่งเป็นหัวข้อของการวิจัยอย่างแข็งขันใน สาขา โอไมซ์ ต่างๆ เช่นทรานสคริปโต มิก ส์โปรตีโอ มิก ส์เมตาโบโลมิกส์และ โดยทั่วไปแล้ว จีโนมิกส์ เชิงโครงสร้างและเชิงหน้าที่

ในระบบการค้นหายีนเชิงประจักษ์ (ความคล้ายคลึง ความเหมือนกัน หรือหลักฐาน) จะทำการค้นหาลำดับในจีโนมเป้าหมายโดยอ้างอิงจากหลักฐานภายนอก เช่นแท็กแสดงลำดับยีนที่รู้จัก (expressed sequence tags ) อาร์เอ็นเอส่งสาร (mRNA) ผลิตภัณฑ์ โปรตีนและลำดับที่เหมือนกันหรือลำดับที่เทียบเคียงกันได้ เมื่อทราบลำดับ mRNA แล้ว การหาลำดับดีเอ็นเอในจีโนมที่ไม่ซ้ำกันซึ่งใช้ในการถอดรหัส mRNA นั้นทำได้ง่าย เมื่อทราบลำดับโปรตีนแล้ว สามารถสร้างลำดับดีเอ็นเอที่เข้ารหัสได้หลายลำดับโดยการแปลรหัสพันธุกรรม ย้อนกลับ เมื่อกำหนดลำดับดีเอ็นเอที่เป็นไปได้แล้ว การค้นหาการจับคู่ในจีโนมเป้าหมายอย่างมีประสิทธิภาพ ไม่ว่าจะเป็นการจับคู่แบบสมบูรณ์หรือบางส่วน และแบบตรงกันหรือแบบไม่ตรงกัน ก็เป็นปัญหาทางอัลกอริทึมที่ค่อนข้างตรงไปตรงมา เมื่อได้รับลำดับแล้ว อัลกอริทึมการจัดเรียงแบบโลคอล เช่นBLAST , FASTAและSmith-Watermanจะค้นหาบริเวณที่มีความคล้ายคลึงกันระหว่างลำดับเป้าหมายและการจับคู่ที่เป็นไปได้ การจับคู่สามารถเป็นแบบสมบูรณ์หรือบางส่วน และแบบตรงกันหรือแบบไม่ตรงกันก็ได้ ความสำเร็จของแนวทางนี้ถูกจำกัดด้วยเนื้อหาและความถูกต้องของฐานข้อมูลลำดับดีเอ็นเอ

ความคล้ายคลึงกันในระดับสูงกับ mRNA หรือผลิตภัณฑ์โปรตีนที่รู้จัก เป็นหลักฐานที่ชัดเจนว่าบริเวณหนึ่งของจีโนมเป้าหมายเป็นยีนที่เข้ารหัสโปรตีน อย่างไรก็ตาม การนำวิธีการนี้ไปใช้อย่างเป็นระบบ จำเป็นต้องมีการลำดับเบสของ mRNA และผลิตภัณฑ์โปรตีนอย่างกว้างขวาง ซึ่งไม่เพียงแต่มีราคาแพงเท่านั้น แต่ในสิ่งมีชีวิตที่ซับซ้อน มีเพียงยีนบางส่วนในจีโนมของสิ่งมีชีวิตเท่านั้นที่แสดงออกในเวลาใดเวลาหนึ่ง หมายความว่าหลักฐานภายนอกสำหรับยีนจำนวนมากนั้นไม่สามารถเข้าถึงได้ง่ายในเซลล์เพาะเลี้ยงเพียงเซลล์เดียว ดังนั้น การรวบรวมหลักฐานภายนอกสำหรับยีนส่วนใหญ่หรือทั้งหมดในสิ่งมีชีวิตที่ซับซ้อน จำเป็นต้องศึกษาเซลล์หลายร้อยหรือหลายพันชนิดซึ่งก่อให้เกิดความยากลำบากเพิ่มเติม ตัวอย่างเช่น ยีนบางตัวในมนุษย์อาจแสดงออกเฉพาะในช่วงการพัฒนาของตัวอ่อนหรือทารกในครรภ์ ซึ่งอาจศึกษาได้ยากด้วยเหตุผลทางจริยธรรม

ถึงแม้จะมีอุปสรรคเหล่านี้ แต่ก็มีการสร้างฐานข้อมูลลำดับพันธุกรรมและโปรตีนที่ครอบคลุมสำหรับมนุษย์ รวมถึงสิ่งมีชีวิตต้นแบบที่สำคัญอื่นๆ ในทางชีววิทยา เช่น หนูและยีสต์ ตัวอย่างเช่น ฐานข้อมูล RefSeqมีลำดับพันธุกรรมและโปรตีนจากหลายสายพันธุ์ และ ระบบ Ensemblก็ได้ทำการแมปหลักฐานเหล่านี้ไปยังจีโนมของมนุษย์และจีโนมอื่นๆ อย่างครอบคลุม อย่างไรก็ตาม เป็นไปได้ว่าฐานข้อมูลเหล่านี้ไม่สมบูรณ์และมีข้อมูลที่ผิดพลาดอยู่บ้างเล็กน้อยแต่มีความสำคัญ

เทคโนโลยีการจัด ลำดับจีโนมแบบความเร็วสูงรุ่นใหม่เช่นRNA-SeqและChIP-sequencingเปิดโอกาสให้สามารถนำหลักฐานภายนอกเพิ่มเติมมาใช้ในการทำนายและตรวจสอบยีน และเป็นทางเลือกที่มีโครงสร้างที่สมบูรณ์และแม่นยำกว่าวิธีการวัดการแสดงออกของยีน แบบเดิม เช่นexpressed sequence tagหรือDNA microarray

ความท้าทายหลักในการทำนายยีน ได้แก่ การจัดการกับข้อผิดพลาดในการจัดลำดับข้อมูลดีเอ็นเอดิบ การพึ่งพาคุณภาพของการประกอบลำดับการจัดการกับลำดับสั้นการกลายพันธุ์แบบเลื่อนเฟรม ยีนที่ทับซ้อนกันและยีนที่ไม่สมบูรณ์

ในโปรคาริโอต จำเป็นต้องพิจารณาการถ่ายทอดยีนในแนวนอนเมื่อค้นหาความคล้ายคลึงของลำดับ ยีน ปัจจัยสำคัญอีกประการหนึ่งที่ยังไม่ได้ใช้ประโยชน์อย่างเต็มที่ในเครื่องมือตรวจจับยีนในปัจจุบันคือ การมีอยู่ของกลุ่มยีน — โอเปรอน (ซึ่งเป็นหน่วยการทำงานของดีเอ็นเอที่ประกอบด้วยกลุ่มยีนภายใต้การควบคุมของโปรโมเตอร์ เดียว ) ทั้งในโปรคาริโอตและยูคาริโอต เครื่องมือตรวจจับยีนยอดนิยมส่วนใหญ่จะพิจารณาแต่ละยีนแยกจากกัน โดยไม่ขึ้นกับยีนอื่น ซึ่งไม่ถูกต้องทางชีววิทยา

การทำนายยีนแบบ Ab Initio เป็นวิธีการภายในที่อาศัยเนื้อหาของยีนและการตรวจจับสัญญาณ เนื่องจากค่าใช้จ่ายและความยากลำบากในการหาหลักฐานภายนอกสำหรับยีนจำนวนมาก จึงจำเป็นต้องใช้ การค้นหายีน แบบ Ab Initioซึ่ง เป็นการค้นหา ลำดับดีเอ็นเอ ในจี โนม อย่างเป็นระบบเพื่อหาสัญญาณบ่งชี้ของยีนที่สร้างโปรตีน สัญญาณเหล่านี้สามารถแบ่งออกได้เป็นสองประเภทใหญ่ๆ คือสัญญาณ (ลำดับเฉพาะที่บ่งชี้ว่ามียีนอยู่ใกล้เคียง) หรือเนื้อหา (คุณสมบัติทางสถิติของลำดับที่สร้างโปรตีนนั้นเอง) การค้นหายีน แบบ Ab Initioอาจเรียกได้ว่าเป็นการทำนาย ยีนมากกว่า เนื่องจากโดยทั่วไปแล้วจำเป็นต้องมีหลักฐานภายนอกเพื่อยืนยันอย่างแน่ชัดว่ายีนที่คาดว่าจะมีอยู่นั้นทำงานได้

ในจีโนมของโปรคาริโอต ยีนจะมีลำดับ โปรโมเตอร์ (สัญญาณ) ที่จำเพาะและเข้าใจได้ค่อนข้างดีเช่นกล่องพริบนาว (Pribnow box)และตำแหน่งการจับของ ปัจจัยการถอดรหัส (transcription factor binding sites ) ซึ่งง่ายต่อการระบุอย่างเป็นระบบ นอกจากนี้ ลำดับที่เข้ารหัสโปรตีนจะอยู่ในรูปของกรอบการอ่านแบบเปิด (Open Reading Frame , ORF) ที่ต่อเนื่องกัน ซึ่งโดยทั่วไปมีความยาวหลายร้อยหรือหลายพันคู่เบส สถิติของรหัสหยุด (stop codons)เป็นเช่นนั้น แม้แต่การค้นพบกรอบการอ่านแบบเปิดที่มีความยาวขนาดนี้ก็ถือเป็นสัญญาณที่ให้ข้อมูลได้ดีพอสมควร (เนื่องจาก 3 ใน 64 โคดอนที่เป็นไปได้ในรหัสพันธุกรรมเป็นรหัสหยุด ดังนั้นจึงคาดว่าจะพบรหัสหยุดประมาณทุกๆ 20-25 โคดอน หรือ 60-75 คู่เบส ในลำดับแบบสุ่ม ) ยิ่งไปกว่านั้น ดีเอ็นเอที่เข้ารหัสโปรตีนมีลักษณะเป็นคาบและคุณสมบัติทางสถิติอื่นๆ ที่ตรวจจับได้ง่ายในลำดับที่มีความยาวขนาดนี้ ลักษณะเหล่านี้ทำให้การค้นหายีนในโปรคาริโอตค่อนข้างตรงไปตรงมา และระบบที่ออกแบบมาอย่างดีสามารถบรรลุระดับความแม่นยำสูงได้

การค้นหาตำแหน่งยีน ตั้งแต่เริ่มต้นในยูคาริโอตโดยเฉพาะอย่างยิ่งในสิ่งมีชีวิตที่ซับซ้อนอย่างมนุษย์ เป็นเรื่องที่ท้าทายกว่ามากด้วยเหตุผลหลายประการ ประการแรก โปรโมเตอร์และสัญญาณควบคุมอื่นๆ ในจีโนมเหล่านี้มีความซับซ้อนและเข้าใจได้ยากกว่าในโปรคาริโอต ทำให้ยากต่อการระบุอย่างน่าเชื่อถือ ตัวอย่างคลาสสิกสองประการของสัญญาณที่ระบุโดยโปรแกรมค้นหายีนในยูคาริโอต ได้แก่เกาะ CpGและตำแหน่งการจับของ หาง โพ ลี(A)

ประการที่สอง กลไก การตัดต่อที่เซลล์ยูคาริโอตใช้หมายความว่าลำดับการเข้ารหัสโปรตีนเฉพาะในจีโนมจะถูกแบ่งออกเป็นหลายส่วน ( เอ็กซอน ) คั่นด้วยลำดับที่ไม่เข้ารหัส ( อินทรอน ) (ตำแหน่งการตัดต่อเองก็เป็นสัญญาณอีกอย่างหนึ่งที่เครื่องมือค้นหายีนยูคาริโอตมักได้รับการออกแบบมาเพื่อระบุ) ยีนที่เข้ารหัสโปรตีนทั่วไปในมนุษย์อาจถูกแบ่งออกเป็นเอ็กซอนประมาณสิบสองเอ็กซอน แต่ละเอ็กซอนมีความยาวน้อยกว่าสองร้อยคู่เบส และบางเอ็กซอนอาจสั้นเพียงยี่สิบถึงสามสิบคู่เบส ดังนั้นจึงยากกว่ามากที่จะตรวจจับความถี่และคุณสมบัติอื่นๆ ที่ทราบของดีเอ็นเอที่เข้ารหัสโปรตีนในยูคาริโอต

โดยทั่วไป แล้ว โปรแกรมค้นหายีนขั้นสูงสำหรับจีโนมทั้งโปรคาริโอตและยูคาริโอตจะใช้แบบจำลองความน่าจะเป็น ที่ซับซ้อน เช่นแบบจำลองมาร์คอฟที่ซ่อนอยู่ (HMM) เพื่อรวมข้อมูลจากการวัดสัญญาณและเนื้อหาที่แตกต่างกันหลากหลายประเภท ระบบ GLIMMERเป็นโปรแกรมค้นหายีนที่ใช้กันอย่างแพร่หลายและมีความแม่นยำสูงสำหรับโปรคาริโอต GeneMarkเป็นอีกแนวทางหนึ่งที่ได้รับความนิยม ในทางกลับกัน โปรแกรมค้นหายีนแบบ ab initio สำหรับยูคาริโอต ประสบความสำเร็จเพียงเล็กน้อย ตัวอย่างที่โดดเด่นคือโปรแกรมGENSCANและgeneidโปรแกรมค้นหายีน GeneMark-ES และ SNAP ใช้ GHMM เช่นเดียวกับ GENSCAN โดยพยายามแก้ไขปัญหาที่เกี่ยวข้องกับการใช้โปรแกรมค้นหายีนกับลำดับจีโนมที่ไม่ได้ใช้ในการฝึกฝน^{[ 7 ] [ 8 ]}แนวทางล่าสุดบางแนวทาง เช่น mSplicer ^{[ 9 ]} CONTRAST ^{[ 10 ]}หรือmGene ^{[ 11 ]}ยังใช้ เทคนิค การเรียนรู้ของเครื่องเช่นเครื่องเวกเตอร์สนับสนุนเพื่อการทำนายยีนที่ประสบความสำเร็จ พวกเขาสร้างแบบจำลองการจำแนกโดยใช้เครื่องสนับสนุนเวกเตอร์มาร์คอฟแบบซ่อนเร้นหรือฟิลด์สุ่มแบบมีเงื่อนไขเพื่อเรียนรู้ฟังก์ชันการให้คะแนนการทำนายยีนที่แม่นยำ

วิธีการ Ab Initioได้รับการวัดประสิทธิภาพ โดยบางวิธีเข้าใกล้ความไว 100% ^{[ 3 ]}อย่างไรก็ตาม เมื่อความไวเพิ่มขึ้น ความแม่นยำจะลดลงเนื่องจากผลบวก เท็จที่ เพิ่มขึ้น

สัญญาณที่ได้มาซึ่งใช้ในการทำนาย ได้แก่ สถิติที่ได้จากสถิติลำดับย่อย เช่น สถิติ k-mer , Isochore (พันธุศาสตร์)หรือ องค์ประกอบ GC/ความสม่ำเสมอ/เอนโทรปี ของโดเมนองค์ประกอบ, ความยาวลำดับและเฟรม, คำศัพท์เกี่ยวกับอินตรอน/เอ็กซอน/ผู้ให้/ผู้รับ/โปรโมเตอร์ และไซต์การจับไรโบโซม, มิติแฟรกทัล , การแปลงฟูริเยร์ของ DNA ที่เข้ารหัสด้วยตัวเลขเทียม, พารามิเตอร์ เส้นโค้ง Zและคุณลักษณะการทำงานบางอย่าง^{[ 12 ]}

มีการเสนอแนะว่าสัญญาณอื่นนอกเหนือจากสัญญาณที่ตรวจจับได้โดยตรงในลำดับอาจช่วยปรับปรุงการทำนายยีนได้ ตัวอย่างเช่น มีรายงานบทบาทของโครงสร้างทุติยภูมิในการระบุโมทีฟควบคุม^{[ 13 ]}นอกจากนี้ ยังมีการเสนอแนะว่าการทำนายโครงสร้างทุติยภูมิของ RNA ช่วยในการทำนายตำแหน่งการเชื่อมต่อ^{[ 14 ] [ 15 ] [ 16 ] [ 17 ]}

เครือข่ายประสาทเทียมเป็นแบบจำลองการคำนวณที่โดดเด่นในด้านการเรียนรู้ของเครื่องและการจดจำรูปแบบ เครือข่าย ประสาทต้องได้รับการฝึกฝนด้วยข้อมูลตัวอย่างก่อนที่จะสามารถสรุปผลสำหรับข้อมูลการทดลอง และทดสอบกับข้อมูลมาตรฐาน เครือข่ายประสาทสามารถคิดค้นวิธีแก้ปัญหาโดยประมาณสำหรับปัญหาที่ยากต่อการแก้ไขด้วยอัลกอริทึมได้ หากมีข้อมูลการฝึกฝนเพียงพอ เมื่อนำไปใช้กับการทำนายยีน เครือข่ายประสาทสามารถใช้ร่วมกับ วิธีการ ab initio อื่นๆ เพื่อทำนายหรือระบุคุณลักษณะทางชีวภาพ เช่น ตำแหน่งการเชื่อมต่อ^{[ 18 ]}แนวทางหนึ่ง^{[ 19 ]}เกี่ยวข้องกับการใช้หน้าต่างเลื่อน ซึ่งสำรวจข้อมูลลำดับในลักษณะที่ทับซ้อนกัน ผลลัพธ์ในแต่ละตำแหน่งคือคะแนนโดยพิจารณาจากว่าเครือข่ายคิดว่าหน้าต่างนั้นมีตำแหน่งการเชื่อมต่อผู้ให้หรือตำแหน่งการเชื่อมต่อผู้รับหรือไม่ หน้าต่างขนาดใหญ่ขึ้นจะให้ความแม่นยำมากขึ้น แต่ก็ต้องการพลังการคำนวณมากขึ้นเช่นกัน เครือข่ายประสาทเป็นตัวอย่างของเซนเซอร์สัญญาณ เนื่องจากเป้าหมายของมันคือการระบุตำแหน่งการทำงานในจีโนม

โปรแกรมต่างๆ เช่น Maker ผสานวิธีการแบบภายนอกและ แบบ ab initio เข้า ด้วย กัน โดยการแมปข้อมูลโปรตีนและESTเข้ากับจีโนมเพื่อตรวจสอบ ความถูกต้องของการทำนายแบบ ab initio Augustus ซึ่งอาจใช้เป็นส่วนหนึ่งของกระบวนการ Maker ยังสามารถรวมคำแนะนำในรูปแบบของการจัดเรียง EST หรือโปรไฟล์โปรตีนเพื่อเพิ่มความแม่นยำของการทำนายยีนได้อีกด้วย

เนื่องจากมีการถอดรหัสจีโนมทั้งหมดของสิ่งมีชีวิตหลายชนิดแล้ว แนวทาง การวิจัย เชิงเปรียบเทียบจีโนมิกส์จึงเป็นแนวทางที่มีแนวโน้มดีในการวิจัยค้นหายีนในปัจจุบัน

หลักการนี้อิงตามแรงของการคัดเลือกโดยธรรมชาติที่ทำให้ยีนและองค์ประกอบการทำงานอื่นๆ เกิดการกลายพันธุ์ในอัตราที่ช้ากว่าส่วนอื่นๆ ของจีโนม เนื่องจากการกลายพันธุ์ในองค์ประกอบการทำงานมีแนวโน้มที่จะส่งผลเสียต่อสิ่งมีชีวิตมากกว่าการกลายพันธุ์ในส่วนอื่นๆ ดังนั้นจึงสามารถตรวจจับยีนได้โดยการเปรียบเทียบจีโนมของสายพันธุ์ที่เกี่ยวข้องเพื่อตรวจจับแรงกดดันทางวิวัฒนาการเพื่อการอนุรักษ์ วิธีการนี้ถูกนำมาใช้กับจีโนมของหนูและมนุษย์เป็นครั้งแรก โดยใช้โปรแกรมต่างๆ เช่น SLAM, SGP และ TWINSCAN/N-SCAN และ CONTRAST ^{[ 20 ]}

TWINSCAN ตรวจสอบเฉพาะความสัมพันธ์ทางพันธุกรรมระหว่างมนุษย์และหนูเพื่อค้นหายีนออร์โธล็อกัส โปรแกรมต่างๆ เช่น N-SCAN และ CONTRAST อนุญาตให้รวมการจัดเรียงลำดับจากสิ่งมีชีวิตหลายชนิด หรือในกรณีของ N-SCAN สิ่งมีชีวิตทางเลือกเพียงชนิดเดียวจากเป้าหมาย การใช้ผู้ให้ข้อมูลหลายรายสามารถนำไปสู่การปรับปรุงความแม่นยำอย่างมีนัยสำคัญ^{[ 20 ]}

CONTRAST ประกอบด้วยองค์ประกอบสองส่วน ส่วนแรกคือตัวจำแนกขนาดเล็กกว่า ซึ่งระบุไซต์การเชื่อมต่อผู้บริจาคและไซต์การเชื่อมต่อผู้รับ รวมถึงรหัสเริ่มต้นและรหัสหยุด ส่วนที่สองเกี่ยวข้องกับการสร้างแบบจำลองเต็มรูปแบบโดยใช้การเรียนรู้ของเครื่อง การแบ่งปัญหาออกเป็นสองส่วนหมายความว่าสามารถใช้ชุดข้อมูลเป้าหมายขนาดเล็กกว่าในการฝึกตัวจำแนก และตัวจำแนกนั้นสามารถทำงานได้อย่างอิสระและได้รับการฝึกฝนด้วยหน้าต่างขนาดเล็กกว่า แบบจำลองเต็มรูปแบบสามารถใช้ตัวจำแนกอิสระได้ และไม่ต้องเสียเวลาในการคำนวณหรือความซับซ้อนของแบบจำลองในการจัดประเภทขอบเขตอินตรอน-เอ็กซอนใหม่ บทความที่นำเสนอ CONTRAST เสนอว่าวิธีการของพวกเขา (และของ TWINSCAN เป็นต้น) ควรได้รับการจัดประเภทเป็นการ ประกอบยีน แบบ de novoโดยใช้จีโนมทางเลือก และระบุว่าแตกต่างจากab initioซึ่งใช้จีโนม 'ผู้ให้ข้อมูล' เป้าหมาย^{[ 20 ]}

การค้นหายีนแบบเปรียบเทียบยังสามารถใช้เพื่อคาดการณ์ข้อมูลทางพันธุกรรมที่มีคุณภาพสูงจากจีโนมหนึ่งไปยังอีกจีโนมหนึ่งได้ ตัวอย่างที่โดดเด่น ได้แก่ Projector, GeneWise, GeneMapper และ GeMoMa เทคนิคเหล่านี้มีบทบาทสำคัญอย่างยิ่งในการระบุข้อมูลทางพันธุกรรมของจีโนมทั้งหมดในปัจจุบัน

ยีนเทียมเป็นญาติใกล้ชิดของยีน โดยมีลำดับความคล้ายคลึงกันสูงมาก แต่ไม่สามารถเข้ารหัส ผลิตภัณฑ์ โปรตีน เดียวกัน ได้ แม้ว่าในอดีตจะถูกจัดว่าเป็นผลพลอยได้จากการจัดลำดับยีน แต่ เมื่อมีการค้นพบบทบาทในการควบคุมมากขึ้น ยีนเทียมก็กลายเป็นเป้าหมายในการทำนายมากขึ้น^{[ 21 ]}การทำนายยีนเทียมใช้ความคล้ายคลึงของลำดับที่มีอยู่และวิธีการ ab initio พร้อมทั้งเพิ่มการกรองและวิธีการระบุลักษณะเฉพาะของยีนเทียมเพิ่มเติม

วิธีการความคล้ายคลึงของลำดับสามารถปรับแต่งเพื่อทำนายยีนเทียมได้โดยใช้การกรองเพิ่มเติมเพื่อค้นหายีนเทียมที่เป็นไปได้ ซึ่งอาจใช้การตรวจจับการปิดใช้งาน ซึ่งจะมองหาการกลายพันธุ์แบบไร้ความหมายหรือแบบเลื่อนเฟรมที่จะตัดทอนหรือยุบลำดับการเข้ารหัสที่ใช้งานได้^{[ 22 ]}นอกจากนี้ การแปล DNA เป็นลำดับโปรตีนอาจมีประสิทธิภาพมากกว่าความคล้ายคลึงของ DNA โดยตรง^{[ 21 ]}

เซ็นเซอร์เนื้อหาสามารถกรองได้ตามความแตกต่างของคุณสมบัติทางสถิติระหว่างยีนเทียมและยีน เช่น จำนวนเกาะ CpG ที่ลดลงในยีนเทียม หรือความแตกต่างของเนื้อหา GC ระหว่างยีนเทียมและยีนข้างเคียง เซ็นเซอร์สัญญาณยังสามารถปรับให้เหมาะกับยีนเทียมได้ โดยมองหาการไม่มีอินทรอนหรือหางโพลีอะดีนีน ^{[ 23 ]}

เมตาจีโนมิกส์คือการศึกษาวัสดุพันธุกรรมที่ได้จากสิ่งแวดล้อม ซึ่งทำให้ได้ข้อมูลลำดับพันธุกรรมจากกลุ่มสิ่งมีชีวิต การทำนายยีนมีประโยชน์สำหรับเมตาจีโนมิกส์เชิงเปรียบเทียบ

เครื่องมือเมตาจีโนมิกส์ยังแบ่งออกเป็นประเภทพื้นฐานสองประเภท ได้แก่ การใช้แนวทางความคล้ายคลึงของลำดับ (MEGAN4) และเทคนิคแบบ ab initio (GLIMMER-MG)

Glimmer-MG ^{[ 24 ]}เป็นส่วนขยายของGLIMMERที่อาศัยแนวทาง ab initio เป็นหลักในการค้นหายีนและใช้ชุดข้อมูลฝึกฝนจากสิ่งมีชีวิตที่เกี่ยวข้อง กลยุทธ์การทำนายได้รับการเสริมด้วยการจำแนกและจัดกลุ่มชุดข้อมูลยีนก่อนที่จะใช้วิธีการทำนายยีนแบบ ab initio ข้อมูลจะถูกจัดกลุ่มตามสายพันธุ์ วิธีการจำแนกประเภทนี้ใช้ประโยชน์จากเทคนิคจากการจำแนกประเภททางวิวัฒนาการของเมตาจีโนมิกส์ ตัวอย่างของซอฟต์แวร์สำหรับวัตถุประสงค์นี้คือ Phymm ซึ่งใช้แบบจำลองมาร์คอฟแบบแทรกสอด และ PhymmBL ซึ่งรวม BLAST เข้ากับขั้นตอนการจำแนกประเภท

MEGAN4 ^{[ 25 ]}ใช้แนวทางความคล้ายคลึงของลำดับ โดยใช้การจัดเรียงแบบโลคอลกับฐานข้อมูลของลำดับที่รู้จัก แต่ยังพยายามจำแนกประเภทโดยใช้ข้อมูลเพิ่มเติมเกี่ยวกับบทบาทการทำงาน เส้นทางชีวภาพ และเอนไซม์ เช่นเดียวกับการทำนายยีนของสิ่งมีชีวิตเดี่ยว แนวทางความคล้ายคลึงของลำดับมีข้อจำกัดอยู่ที่ขนาดของฐานข้อมูล

FragGeneScan และ MetaGeneAnnotator เป็นโปรแกรมทำนายยีนยอดนิยมที่ใช้แบบจำลองHidden Markov Modelโปรแกรมเหล่านี้คำนึงถึงข้อผิดพลาดในการเรียงลำดับดีเอ็นเอ ยีนที่ไม่สมบูรณ์ และใช้งานได้กับลำดับดีเอ็นเอสั้นๆ

เครื่องมือที่รวดเร็วและแม่นยำอีกตัวหนึ่งสำหรับการทำนายยีนในเมตาจีโนมคือ MetaGeneMark ^{[ 26 ]}เครื่องมือนี้ถูกใช้โดย DOE Joint Genome Institute เพื่อระบุคำอธิบายประกอบ IMG/M ซึ่งเป็นชุดเมตาจีโนมที่ใหญ่ที่สุดในปัจจุบัน

• รายชื่อซอฟต์แวร์ทำนายยีน
• ร่องรอยทางวิวัฒนาการ
• การทำนายหน้าที่ของโปรตีน
• การทำนายโครงสร้างโปรตีน
• การทำนายปฏิสัมพันธ์ระหว่างโปรตีนกับโปรตีน
• ยีนเทียม (ฐานข้อมูล)
• การขุดลำดับ
• ความคล้ายคลึงของลำดับ (โฮโมโลจี)

• ออกัสตัส
• FGENESH ลิงก์ที่เลิกใช้งานแล้วถูกเก็บถาวรเมื่อ 2013-01-04 ที่archive.today
• GeMoMa - การทำนายยีนโดยอาศัยความคล้ายคลึงกันของลำดับกรดอะมิโนและตำแหน่งอินทรอน รวมถึงข้อมูล RNA-Seq
• ยีน , SGP2
• Glimmer ถูกเก็บถาวรเมื่อวันที่ 26 สิงหาคม 2011 ที่Wayback Machine , GlimmerHMM ถูกเก็บถาวรเมื่อวันที่ 18 สิงหาคม 2011 ที่Wayback Machine
• จีโนมเธรดเดอร์
• เคมจีโนม
• ยีนมาร์ค
• กิสโม
• เอ็มจีเน
• StarORF — เครื่องมือแบบหลายแพลตฟอร์มและบนเว็บสำหรับทำนาย ORF และหาลำดับเสริมย้อนกลับ
• Maker ถูกเก็บถาวรไว้ เมื่อวันที่ 3 เมษายน 2559 ในWayback Machine - เครื่องมือสำหรับการระบุตำแหน่งยีนในจีโนมที่พกพาได้และปรับแต่งได้ง่าย