En los últimos años se han estado obteniendo las secuencias completas de los genomas de diferentes organismos. El genoma humano , por ejemplo, tiene aproximadamente una extensión de tres mil millones (3x10exp9) bp (pares de bases). Las cantidades ingentes de información de que disponemos harán necesario, en estos años venideros, un gran esfuerzo en la interpretación i dilucidación de lo que oculta esta información “en bruto”. Se tendrá que recorrer, en definitiva, el camino que conduce desde la información hacia el conocimiento verdadero.

La predicción de genes en secuencias de ADN es una parte fundamental para resolver del problema de comprender el genoma anotado de qualquier organismo. Tan sólo un 2% del genoma humano es codificante para proteina, y es por lo tanto en este pequeño porcentaje donde tenemos que buscar los genes des de los que se desarrolla un determinado organismo.

Existen programas que son capaces de predecir los exones contenidos en una secuencia genómica dada ( GeneID ). Estos programas hacen una predicción degenerada de los exones, es decir, predicen muchos más exones de los que existe realmente. La razón que explica este hecho es muy sencilla: los modelos que utilizan estos programas trabajan únicamente con la secuencia de ADN reduciendo la información genética a los símbolos A, T, G, C. Se trata de un modelo teórico válido para aproximarnos a la complejidad que entraña la información genética, pero seguramente estamos dejando de lado algunos aspectos relevantes como la conformación tridimensional o los factores en trans asociados al dsDNA los cuales complicarían en extremo qualquier intento de modelización.

El programa CERCAGEN que hemos desarrollado es complementario a los programas de predicción de exones que mencionamos anteriormente. Partiendo de una colección de exones predecidos, CERCAGEN calculará, teniendo en cuenta la puntuación asociada a cada exón , cual es el gen (el subconjunto de exones) que más probablemente emanará de entre todos los exones predecidos.