二、从头预测方法

从头预测的核心是利用基因组的统计特征和信号特征：
（1）开放阅读框（ORF）检测
- 寻找起始于ATG、终止于TAA/TAG/TGA的连续密码子序列
- 计算ORF长度：真核生物外显子通常>300 bp（100个氨基酸），短ORF可能是假阳性
- 计算密码子使用频率（Codon Usage Frequency, CUF）：真实基因通常偏好使用特定密码子
（2）隐马尔可夫模型（HMM）
HMM是基因预测中最常用的统计框架：
- 隐藏状态：基因间区、外显子（起始/中间/终止）、内含子（起始/中间/终止）、UTR等
- 观测符号：A、C、G、T
- 状态转移概率：从一个状态转移到另一个状态的概率（如外显子→内含子的概率）
- 发射概率：在某个状态下观察到特定碱基的概率
- Viterbi算法：寻找最可能的隐藏状态序列（即基因结构）
经典HMM基因预测软件：
- Genscan：针对人类和脊椎动物，基于广义HMM
- Augustus：支持真核和原核生物，可整合外部证据
- Glimmer/GlimmerHMM：Glimmer用于原核，GlimmerHMM用于真核
- GeneMark/GeneMark-ES：自训练HMM，适合新物种
- SNAP：可训练参数，适合非模式生物
（3）支持向量机（SVM）和深度学习方法
近年来，机器学习方法也被用于基因预测：
- 将序列特征（k-mer频率、GC含量、密码子偏好等）编码为特征向量
- 用已知基因训练分类器（SVM、随机森林、神经网络）
- 对新序列进行预测