さまざまな生物のゲノム配列が次々と明らかにされ報告されています。そのデータを集めたデータバンクには、毎日新しい配列が登録されています。しかし、言うまでもなく、それだけで生物がわかるわけではありません。ゲノム配列を眺めてみたところで、Ａ、Ｔ、Ｇ、Ｃがただ延々と並んでいるだけで、わかるのは、せいぜいゲノムの大きさ程度です。これは、コンピュータプログラムで言えば、意味不明の０と１の配列（マシン語）しか知らされていないのと同じ状況です。現在のゲノム科学は、それとよく似た状況にあります。

これを生き物の理解につなげるには、まず遺伝子がどこにあるのかを知り、その遺伝子がどのような順番で読み出され、それが細胞の中でどのように働くかを明らかにしなくてはなりません。しかし、一体どこから手を付ければいいのか。それがハッキリしません。まだ、わからないことが多すぎるのです。そこで、いろいろな方向から研究が進められていますが、何はともあれ、ゲノム配列の中から遺伝子に当たる部分を探し出す必要があります。

見ただけでは意味不明なＡ、Ｔ、Ｇ、Ｃの並びからのGene finding（遺伝子の同定）の方法は、大きくわけると３つになります。１つは、既知の遺伝子と類似した配列を探し出しそれを遺伝子として推測するもので、非常に信頼がおける方法です。既知の遺伝子としては、実験で遺伝子としての働きが確認された他の生物のDNA塩基配列のほか、DNAからアミノ酸に翻訳すると既知のタンパク質アミノ酸配列データと一致する領域があります。２つ目は、いろいろな生物のゲノムを比較し、配列が保存されている領域を遺伝子として推測する方法です。重要な働きをしている遺伝子は、進化の過程である程度配列が保持されているという事実を利用するわけです。マウス（哺乳類）やフグ（魚類）など、ヒトゲノムと比較すると面白そうなゲノムが決定されつつあるので、今後注目される方法です。そして、３つ目が、配列がもっているパターンから遺伝子を同定する方法で、その最大の特徴は、未知の遺伝子が発見できるという点にあります。情報科学者にとって最もチャレンジングで最も関心があるのがこの方法なので、多くの人が取り組んでいますが答えはそう簡単には出てきません。

我々を含む多くの研究者が、「確率モデル」を利用してこの3つ目の方法にチャレンジしています。

ある塩基配列が端から順番にモニタに映し出されているとします。この配列がランダムであれば、Ａ、Ｔ、Ｇ、Ｃは前後の配列とは無関係にいつも１／４、つまり２５％の確率で出力されるはずです。しかし、Ｇの次はＣになりやすいとか、ＡＴＴは組み合わせとして意味があるとかいうように前後の配列に依存していれば、その依存の仕方にしたがって出てくる確率は違うはずです。その規則が確率モデルなのです。たとえば、出力される確率が、直前の塩基にのみ依存している場合、定常１次マルコフモデルという確率モデルがその配列を特徴づけることになります。

そこで、遺伝子領域と非遺伝子領域、遺伝子の中でもエクソン領域とイントロン領域などそれぞれの配列に最適な確率モデルを推定する必要があります。たとえば、イントロン領域（関連記事：生命誌29号「遺伝子の中の厄介者 イントロンはどうしてなくからないか：大濱」）の配列を集め、その配列群から最適な確率モデルを推定しておけば、その確率モデルは、イントロン領域の配列を入力したときに最も高い確率で正しいＡ、Ｔ、Ｇ、Ｃ配列を出力することになります。逆に、ある配列が、この確率モデルによって高い確率で正しく出力された場合には、この配列はイントロン領域と考えてよいことになります。

ゲノムは、非遺伝子領域、エクソン、イントロンなどさまざまな構造が組み合わさってできています。ゲノム情報科学はこれらを同定していきたいわけですが、そのためには、さまざまな構造に対応する内部状態をもつ確率モデルが必要です。内部状態としていろいろな確率モデルをもつ確率モデルがいるわけです。そしてつぎに、配列のどの部分が確率モデルのどの内部状態に対応するかを計算し、配列にラベル付けしていきます。

我々の多重出力隠れマルコフモデルをベースに使った方法で遺伝子を同定すると、原核生物のゲノムの場合には、９０％以上の確率、真核生物では７０％程度の的中率で遺伝子を探し出せます。今後モデルを改良し、次々と遺伝子を探し出していくのが当面の狙いです。

---

遺伝子はどこでしょうか？

正解解はコチラ

---

遺伝子はここです。