假设一份基因组注释的质量报告写着“约百分之八十八的转录本达到要求”。你据此准备抽取序列,照着同一个阈值运行过滤程序,却发现按照百分比倒推应有一百七十九条,导出的文件里只有一百七十八条。这个差异小到很容易被当作四舍五入。但在我们用 MAKER 官方仓库两个示例实跑时,少掉的恰好是一条有编号、有坐标、也能在原文件里找回的转录本。理解这一个差额,可以同时解决三个常见的验收问题,分别是分母用什么、阈值是否包含边界,以及不同版本里的“同一个基因”怎样认定。
先问 AED 在和谁比较
MAKER 把转录序列、同源蛋白等证据与候选基因模型放在同一套基因组坐标上,给出注释与证据之间的符合程度。常用的注释编辑距离简称 AED,数值越小表示模型与参与评价的证据越一致。理解这个量,先想两个方向的问题。一段证据覆盖的区域,有多大比例落在模型里?模型给出的结构,又有多大比例得到证据覆盖?把模型延长到缺少支持的区域,和把有证据的一段外显子漏掉,对这两个方向的影响不同。方法论文将这两种符合程度综合成距离,令完全符合的一端为零,完全不符合的一端为一。MAKER2 方法论文
这也决定了该怎样解释低分。一条很短的候选恰好落在一个保守蛋白片段上,可能与手中覆盖这段的证据符合得很好。若准备把它作为完整蛋白加入家族树,还需要检查起止位置、上下游是否有未连接的编码段、基因座是否位于组装边缘。反过来,一个特异表达的首外显子恰好没有被已取材的组织覆盖,模型可能有合理的结构而证据稀疏。把论文里使用的阈值直接搬到一个取材和参考蛋白库都不同的物种,会让一条看似客观的横线继承完全不同的生物学含义。
拿到结果先明确文件是哪一步产生的。用于看分布的应是含有原始评价属性的注释。如果先挑出有蛋白结构域的一批记录,再算曲线,曲线反映的是这批容易获得外部支持的分子。若丢掉了从未写入评分的模型,分母又会再变一次。可以把全体转录本数、带有效分数的转录本数和进入统计的记录数写在图题旁边。若三个数不相等,先在原文件找出缺失值究竟来自哪种特征,再决定曲线能够代表哪一部分注释。

实跑经验 · 同一个阈值出现两个数
我们下载了作者仓库中两份历史示例注释,并在 Perl 中运行与它们来自同一提交的累计曲线和质量过滤脚本。这次起点是已有的基因结构与评分,实际执行了统计、过滤和结构比对。两个文件分别含二百三十七和二百零三条信使转录本,全部带有可解析的分数。这个数据碰巧是一基因对应一条转录本,若自己的项目保留多个异构体,就要分别数基因和转录本。练习包包括四份输入的下载方法、校验摘要和可以重新运行的驱动脚本。两个官方教学输入 · 脚本及预期结果
perl AED_cdf_generator.pl -b 0.25 legacy-set1.gff legacy-set2.gff > cdf.tsv
perl quality_filter.pl -a 0.5 legacy-set2.gff > set2.lt050.gff3
awk -F '\t' '$3=="mRNA"{n++} END{print n}' set2.lt050.gff3
awk -F '\t' '$3=="mRNA" && $9 ~ /(^|;)_AED=0\.50(;|$)/{print $1,$4,$5,$9}' legacy-set2.gff
| 核查口径 | 第一份注释 | 第二份注释 |
|---|---|---|
| 有评分的信使转录本 | 237 | 203 |
| AED 小于等于 0.25 | 132 | 120 |
| AED 小于等于 0.50 | 210 | 179 |
| AED 严格小于 0.50 | 210 | 178 |
| AED 小于等于 0.75 | 231 | 201 |
曲线脚本把等于当前刻度的记录计入累计值,第二份的结果是一百七十九除以二百零三,展示为零点八八二。过滤脚本对自定义上限执行严格小于,所以保留一百七十八条。再回源文件查,唯一等于零点五零的记录在正链,坐标为三十六万五千一百六十一到三十六万五千九百九十六,转录本名为 legacy2-gene-3.47-mRNA-1。同样的操作在第一份文件里恰巧给出同一个数,因为第一份没有任何记录正落在边界。用第一份测试“两个操作是否等价”会得出错误印象。累计曲线计算源码 · 质量过滤源码
在自己的项目中,先把筛选规则写成一句完整中文。想交付“距离不超过零点五”的集合,就要把等于零点五的记录一起带走。想交付作者脚本在指定上限下直接输出的集合,就在表中写明“严格低于”。若一份报告同时给出了分布图和交付蛋白条数,最好把刻度对应的整数也放进补充表。这样剩下一个差额时可以直接定位候选,不用从已经四舍五入的百分比反向猜测。用于文章图的数字保留三位小数,过滤时仍应直接读取原始属性。
读两条曲线,先还原各自的分母
只看低端的一个刻度,第二份似乎更理想。在零点二五处,第一份累计比例约百分之五十五点七,第二份约百分之五十九点一。可是达到该条件的模型实际是第一份一百三十二条、第二份一百二十条。第二份的分母更小,比例较高与绝对条数较少可以同时成立。再往右看,到零点五处第一份的比例反而略高,到零点七五处第二份又更高。曲线在不同刻度上的相对位置告诉我们,给两版注释排出笼统的高低顺序会掩盖分布变化。若目标是挑选一组证据很强的训练基因,应看严格区间里实际可用的数量和覆盖的基因家族。
另一个容易忽视的分母变化来自转录本数量。设想一个基因座有十种很相似的剪接模型,每种都有较强证据,而其余九个基因座各只有一条候选。如果按转录本画曲线,第一个位点会投十票。按基因座画曲线,先为每个基因选代表转录本,它就只有一票。若评价工作关注可用于蛋白比较的基因座覆盖,可以预先规定代表转录本的选择方法,再同时保留全转录本分布。若关注异构体,则应保留每条转录本,还要检验独有的外显子连接有没有读段支持。两套口径服务的问题不同,报告应让读者知道自己看到的是哪一种。
还要注意作者这个版本的累计脚本如何识别输入。它逐行查找特定格式的评分属性,遇到内嵌序列起始标志就停止。对原生的示例很方便,但如果项目曾用自己的脚本重排属性、把分数写成整数、放到属性列末尾并去掉尾部分隔符,或者额外把分数复制到了基因和外显子行,匹配到的数量就可能变化。移植时可独立按特征类型解析第九列,统计有效分数的行数,并把它和曲线的原始分母核对。若存在空字符串或未赋值,先单列其数量,再查为何没有参与评分。实验示例能够对上,不能代替这一步输入检查。
还有两个随软件提供的过滤模式值得分开检验。默认模式接受距离小于一的转录本,标准模式还可以放行带有指定家族结构域标记的候选。我们在两份输入上分别运行这两个模式,第一份都保留二百三十七条,第二份都保留二百零三条。回查原分数,两份文件中等于一的记录均为零,从而没有可以靠结构域条件额外找回的对象。如果打算依靠这一模式保留少见的蛋白家族,要先确认交付文件的属性列已写入相应的结构域交叉引用,再找一个确实会使两种规则给出不同答案的位点。仅在两份输出行数相等时声明结构域注释已成功接入,漏掉了检验这个功能最关键的条件。
两个版本只有八十二条编码结构完全相同
这次最值得细看的结果出现在阈值之外。我们从每份注释取出每条转录本名下的全部编码区,用序列名、方向、每段的两端和相位构成坐标链。第一份有二百三十七条不同的链,第二份有二百零三条。二者严格相同的只有八十二条,另外分别有一百五十五条和一百二十一条仅出现在其中一份。总体曲线即使贴得很近,也无法回答两个版本是否交付了相同的蛋白编码结构。反过来,那些只在一份里出现的链也不能直接当成新基因。某个旧模型只要有一个剪接位点移动,严格匹配就会把它列入差异。
这里的匹配定义还刻意保留了阅读相位。两个模型可能在外显子坐标上重合,实际翻译边界或相位却不同。若项目正在整理蛋白家族,应继续比较按各自模型导出的蛋白序列,并记录蛋白末端是否完整。若关心启动子或可变非翻译区,则需要另建一张包含所有转录外显子的坐标链,编码链完全相同也不能覆盖这项需求。序列名要预先和组装版本一起核实。把来自另一版组装的坐标未经映射直接参加集合运算,往往会得到一串看似精确的差异数,却难以解释真实位点。
在八十二条相同编码链中,有一条的评分还发生了变化。它在同一条序列的负链上,两段编码区分别为四十三万三千二百八十五到四十三万三千六百一十七、四十三万三千七百零八到四十三万三千八百五十七。第一份给零点零八,第二份给零点零九。这个细节适合作为复核起点,不能据此推断当年的评分为何改变。要进一步归因,需要对照两条转录本的完整外显子结构、评价输入和软件配置。如果报告只留下蛋白序列和最终分数,下一位分析者就很难判断变化来自哪一层。
用三类位点验收下一轮注释
我会先挑在阈值边界附近、两个版本都有近邻但编码链不同、只在新版出现这三类位点。对第一类,复算原始分数并验证纳入规则。对第二类,把变化先标为首末端移动、内部剪接修改或整个编码段增减,然后针对变动部位看独立证据。对第三类,核对是否只是基因编号重排、旧版在同位置漏注,还是组装问题造成的新片段。抽取位点时覆盖长短不同的基因和不同证据来源,避免只展示一个漂亮示例就把整版结论定下来。
过滤后还要做一项很便宜的检查。遍历保留的转录本及其子特征,确认每个外显子和编码区的父标识都能在交付文件中找到,再用同版组装导出蛋白。对需要保留非编码转录本或转运核糖核酸的项目,分别规定它们怎样进入结果,别把编码基因的评分规则机械套过去。最终把曲线原始分母、阈值等号、版本间共有编码链数和若干待审阅位点一起交付。这样就算下游同事问“某条感兴趣的基因为什么消失了”,也有一条从汇总指标走回原始证据的路径。
当多个组装都要按同一套标准重新比对证据、出注释和做版本审阅时,可用一次完整样本的输入和中间文件规模与云生信生物分析服务器团队估算整批任务。
