翻译搜索中,一条核酸序列可能与蛋白参考高度一致,却只报告后半段匹配。原因未必是缺少前半段序列,也可能是一个碱基的插入或缺失改变了阅读框。是否允许跨越移码,以及是否只保留一个局部片段,会直接影响最终看到的结果。
本文实际安装 DIAMOND 2.2.9,构造一条三百个氨基酸的人工蛋白和对应核酸,再分别加入一个碱基、删除一个碱基及反向互补。通过普通翻译搜索、多片段输出和移码容忍三组对照,检查完整命中的含义与局限。

先分清蛋白搜索与翻译搜索
DIAMOND 的蛋白搜索使用蛋白查询匹配蛋白数据库,翻译搜索则把核酸查询与蛋白参考联系起来。二者可以产生外观相似的表格,但查询坐标的单位并不相同。
官方命令说明介绍了两种模式及移码参数。本次实际运行翻译搜索,数据库是人工蛋白,查询是由密码子编码生成的核酸,不涉及真实基因功能或物种注释。
这一区分应写进分析记录。若读表程序默认所有长度都是氨基酸,就可能把核酸坐标除以错误的分母。文件扩展名和字段名称相似,并不能保证单位一致。
构造一个能知道偏差位置的对照
我们先生成三百个氨基酸的人工蛋白,再为每个氨基酸指定一个标准密码子,得到九百个碱基的完整核酸。没有在编码区内安排终止密码子。
插入对照在前一百二十个氨基酸对应的核酸之后加入一个胞嘧啶,使长度变成九百零一个碱基。删除对照则从相同边界后的原始序列删掉一个碱基,使长度变成八百九十九。
第四条查询是插入对照的反向互补版本。它与插入对照承载相同的信息,只是方向相反,适合检查负阅读框和坐标方向。
所有变动都由脚本明确记录,位置已知。这个实验只能验证程序对受控输入的行为,不能用四条人工序列评估真实长读长数据的检出率或错误校正准确率。
建立蛋白数据库并记录真实版本
数据库包含人工参考蛋白和一条随机对照蛋白。建立数据库的命令如下。
diamond makedb --in reference.fa --db reference
diamond version
本次版本命令返回二点二点九。运行使用固定镜像摘要,保存全部命令、日志、原始核酸和蛋白序列,后续比较都在同一个数据库上完成。
一个实际观察是,双序列展示文件的开头带有另一种兼容输出样式的标题。这个标题不能拿来替代实际执行程序的版本信息。确认版本应使用所运行命令的版本输出,并保留具体程序来源。
这类细节在混合流程中尤其有用。多个工具可以生成相近甚至兼容的结果格式,但它们的默认参数、统计实现和报告方式不一定相同,不能根据表格外观判断执行过哪个程序。
普通翻译搜索只留下最高分片段
我们首先关闭移码容忍,使用敏感搜索模式。为让人工对照便于解释,显式设置最小开放阅读框限制,并关闭序列遮蔽。实际命令的主要部分如下。
diamond blastx \
--db reference --query reads.fa \
--threads 1 --sensitive \
--masking 0 --min-orf 1 --evalue 1e-5 \
--outfmt 6 qseqid sseqid pident length \
qstart qend sstart send evalue bitscore \
qframe qlen slen qcovhsp cigar \
--out standard.tsv
完整核酸得到三百个氨基酸的匹配,查询覆盖百分之百。插入对照却只报告后一百八十个氨基酸,查询坐标从第三百六十二到第九百零一,覆盖约百分之五十九点九。
删除对照也主要匹配后半部分,得到一百七十九个氨基酸,查询覆盖约百分之五十九点七。两条结果的一致性仍然显示百分之百,因为这个比例只统计所报告的局部匹配。
因此,不能只根据高一致性判断整条编码序列完整。即使统计量非常显著,也仍需检查没有被当前片段解释的区域,以及匹配是否在同一个阅读框内连续覆盖参考。
没有显示前半段,不等于前半段不存在
接着保留普通翻译搜索,但允许输出全部符合条件的替代局部片段。
# 在相同翻译搜索命令中增加
--max-hsps 0
插入对照这次出现两段主要匹配。后半段仍然是原来的一百八十个氨基酸,前半段另外报告一百二十一个氨基酸,阅读框分别为二和一。
删除对照同样出现两个片段,前半段位于阅读框一,后半段位于阅读框三。额外输出没有修复输入序列,只是让此前没有展示的局部证据可见。
这说明目标数量和片段数量是不同的限制。一条查询可以匹配同一个目标的多个区域,只增加允许的目标条数,并不等于自动获得同一目标的所有局部片段。
如果研究问题涉及是否存在拼接、截断或移码,应先检查片段级信息,再决定如何汇总为目标级结论。过早只保留一行最佳命中,可能把后续判断所需的证据丢掉。
覆盖度相加超过一百,问题出在哪里
插入对照的前半段覆盖查询第一至第三百六十三个碱基,后半段覆盖第三百六十二至第九百零一个碱基。两段在核酸坐标上重叠了两个位置。
对应的覆盖比例分别约为百分之四十点三和百分之五十九点九,直接相加会得到百分之一百点二。这个结果不意味着查询被覆盖了超过自身长度,而是区间存在重叠。
把两个区间求并集以后,实际覆盖从第一到第九百零一个位置,仍然只有百分之百。跨阅读框的局部片段尤其不能只按氨基酸长度简单相加,因为同一核酸位置可能参与不同框的解释。
读表时应同时保留坐标、方向和阅读框,再按明确规则计算并集。覆盖度只是范围统计,即使并集达到百分之百,也不能据此证明这些片段构成一个连续且无移码的编码框。
开启移码容忍后,匹配范围发生了什么
第三组在相同输入和数据库上增加移码惩罚参数,数值设为十五。
# 在相同翻译搜索命令中增加
--frameshift 15
插入对照得到三百个氨基酸的连续模型比对,查询覆盖达到百分之百。删除对照也覆盖全部查询和全部参考长度,但有一个氨基酸不一致,一致性约为百分之九十九点七。
| 查询 | 普通搜索覆盖 | 移码容忍覆盖 |
|---|---|---|
| 完整编码 | 100% | 100% |
| 插入一个碱基 | 59.9% | 100% |
| 删除一个碱基 | 59.7% | 100% |
| 插入后的反向互补 | 59.9% | 100% |
这个结果说明,允许跨越单碱基阅读框变化后,程序能够把前后两部分联系起来。但它使用的是更灵活的比对模型,不是把原始核酸真的修成了正确序列。
真实项目若需要判断移码来自测序错误、组装错误还是生物学变化,还要查看原始读段、覆盖情况和独立证据。搜索结果能帮助定位问题,不能自动替代这些验证步骤。
一致性百分之百,也可以包含移码事件
插入对照在移码容忍模式下显示三百个氨基酸全部一致。表面上看,它与完整核酸很接近,但操作记录中明确多了一次阅读框移动。
本次输出中的操作字符串如下。完整对照只有普通匹配,插入和删除对照则分别出现不同方向的移码符号。
intact 300M
insertion 120M1\180M
deletion 120M1/180M
如果只提取一致性和覆盖度两列,完整序列与插入对照都会得到百分之百、百分之百,最关键的输入差别反而消失了。操作字符串和双序列展示是必要的补充记录。
这里的移码符号也不宜按普通核酸比对的插入缺失操作机械解释。应使用当前工具格式的定义,并在解析脚本中保留这些符号,避免只接受常见匹配和缺口字符后将它们丢弃。
本例双序列展示中也能在对应位置看到移码标记。表格与展示相互核对,可以避免仅凭一个阅读框字段误判全段一直处于同一框内。
单个阅读框字段无法概括整段过程
移码容忍结果中,插入对照的阅读框字段显示为一,但操作记录已经清楚表明内部发生了移动。因此,一个阅读框数字不能被解释成整段匹配从头到尾没有改变过框。
对于普通搜索的两个分离片段,分别记录框一和框二比较直观。允许把它们连接以后,输出仍然需要一个起始方向信息,同时用额外操作描述内部变化。
分析脚本应根据实际输出语义决定需要哪些字段。如果目标是识别含移码的候选序列,就必须保留能直接表达移码事件的内容,不能只从阅读框正负号或数值是否为一来推断。
这也是构造人工对照的好处。因为我们知道插入发生在哪里,所以能够发现一个单独字段不足以表达全部过程,而不是把简化结果当成完整事实。
核酸跨度与氨基酸比对长度不能相除代替覆盖
插入对照的完整匹配在核酸查询上覆盖九百零一个碱基,在蛋白参考上覆盖三百个氨基酸。表中的比对长度为三百,但查询长度为九百零一,直接相除会得到完全错误的覆盖度。
普通翻译搜索中,同样需要区分两种单位。查询的起止坐标属于核酸序列,目标的起止坐标属于蛋白序列,比对长度描述翻译后的对应关系。
尤其是有移码时,核酸跨度未必恰好等于氨基酸长度乘以三。根据一个固定乘数自行恢复坐标,可能在移码之后累积偏移,应优先使用原生坐标和明确的操作记录。
输出到表格或数据库时,可以在字段说明里写明单位。这样的说明比以后根据列名猜测更省事,也能防止团队成员将核酸覆盖和蛋白覆盖混作同一个指标。
反向互补对照检查了方向是否保留
插入对照反向互补后,在普通搜索中主要命中显示负二阅读框,查询坐标从五百四十降到一。开启移码容忍以后,查询范围从九百零一降到一,阅读框为负一。
这与原来的插入对照对应同一份信息。坐标递减表达相反方向,并不意味着程序产生了非法区间。
若要统一绘制区间,可以用较小和较大的坐标确定范围,同时另外保存方向。只把坐标排序而丢掉方向,会让后续翻译或提取序列失去必要信息。
反向对照还说明,检查移码位置时必须明确是原始序列方向还是翻译方向。正向实验中的某个数字,不能不经转换就直接拿来标记反向互补序列。
惩罚参数改变的是允许的解释
本例选取十五作为单碱基移码的惩罚值,是为了运行清楚的控制实验,没有比较大量不同错误模式,也没有把它定为所有数据的最佳值。
降低惩罚可能使模型更愿意跨越移码,提高惩罚则可能减少这种连接。是否合理取决于数据错误结构和研究目的,应结合人工控制、已知样本或独立质量信息检查。
不能只以覆盖变长作为调整参数的成功标准。更灵活的模型可能给出更完整的匹配,但这份匹配是否对应真实编码结构,还需要额外证据。
本次完整输入在两种模式下的分数也有轻微差异,因此我们没有把普通模式与移码模式所有分数差都简单解释成一次移码的固定扣分。结果比较应以各自完整输出为依据。
优点、限制与实跑后的检查习惯
DIAMOND 的实用优势是把快速蛋白匹配和翻译搜索整合在命令行流程中,并提供对移码和多片段结果的控制。对于需要排查局部命中的核酸数据,这些选项能够保留更多可解释的信息。
限制在于,更好的比对仍然不等于更完整的基因证据。参考数据库的覆盖范围、输入错误以及所用模式都会影响结果,一条高分命中不能自动承担功能验证或序列校正的结论。
建议先检查完整人工编码能否匹配,再引入已知单碱基改动,比较普通片段、替代片段和移码记录。确认读表代码能够保留单位、方向与操作后,再用于真实批量数据。
DIAMOND 官方仓库提供源码与版本资料。本次仅使用两条蛋白参考和四条核酸查询,不据此声称大型数据库吞吐量、远缘同源检出率或真实错误恢复能力。
获取完整对照脚本
下载本组三篇复现包,使用新的工作目录执行下面的入口。脚本会生成全部人工输入,运行三组表格搜索,并保存移码模式的双序列展示。
python3 222-diamond/run.py /tmp/diamond-demo
复现后,重点核对插入对照的两个普通片段是否重叠,以及完整移码比对是否仍保留操作标记。把这两点解释清楚,就能避免将“覆盖完整”直接写成“原始编码没有问题”。
当翻译搜索需要处理多批读段并比较不同参数设置时,可通过云生信生物信息学分析服务器统一环境、保存数据库版本与完整比对记录。
