同一段人类序列,第一次预测的终点是 6903,加入官方示例提示后,终点移到更远的 7633。如果只比较基因起止位置,很容易写下“新模型编码了更长的蛋白”。我们把两份输出按转录本取出编码区,结果恰好相反,编码序列由 1815 个碱基缩到 1473 个。再单独拿掉那条终止提示,原来的编码结构又回来了。本文从这一处能用纸笔验算的变化出发,说明怎样准备提示、读剪接结构,以及在自己的物种上区分有证据的改动和仍需验证的边界。
三种长度先各占一列
第一列是基因组上的跨度,从最靠左的坐标一直算到最靠右的坐标,内含子也包含在内。第二列是转录本成熟之后所有外显子拼起来的长度,可能包含非翻译区。第三列才是实际参与编码的各段长度之和。这三者在一个没有内含子、又恰好只标编码区的简单模型上可能很接近,换成多外显子真核基因就常常差很多。本例关闭了非翻译区预测,比较的是第三列。为避免负链方向或翻译末端的解释干扰最初的判断,先在同一条正链模型上验算。
AUGUSTUS 使用物种参数描述编码序列、剪接信号和基因间区等结构特征,寻找与序列及给定提示相容的模型。一个提示可以描述完整内含子、某个供受体位点、一段编码区、翻译起点或终点。证据的粒度决定它能约束的问题。支持一小段外显子的蛋白比对,并不能凭空确定整条转录本的两端。一个跨越剪接连接的读段可以区分两个受体位点,也不等于它覆盖了远端的终止密码子。准备提示时先保留来源、链和证据类型,后面才能定位每一步判断依据。AUGUSTUS 官方预测教程

实跑经验 · 在相同输入上撤掉一个条件
我们安装了 AUGUSTUS 3.5.0 和配套参数,使用作者仓库的两条示例序列及八行提示。第一条长九千四百五十三个碱基,第二条长二千三百四十四个碱基。三次都选用人类参数、相同输出格式,并关闭非翻译区预测。第一轮只读序列,第二轮加入全部提示,第三轮在原文件中仅去掉特征类型为终止的那一行。完整脚本检查确实只删了一行,并保留每一轮的预测。这样既能问“所有提示一起是否改变结果”,也能问“在其余条件固定时,这一条是否决定了刚才的变化”。示例输入与提示 · 下载实跑脚本与坐标结果
C=/usr/share/augustus/config
export AUGUSTUS_CONFIG_PATH="$C"
awk -F '\t' '$3!="stop"' hints.gff > without-stop.gff
augustus --species=human --gff3=on --UTR=off example.fa > sequence.gff3
for name in hints without-stop; do
augustus --species=human --gff3=on --UTR=off \
--extrinsicCfgFile="$C/extrinsic/extrinsic.MPE.cfg" \
--hintsfile="$name.gff" example.fa > "$name.gff3"
done
| 输入条件 | HS04636 的编码段数 | 该序列末端的编码坐标 | HS08198 的编码段数 |
|---|---|---|---|
| 只有序列 | 10 | 6494–6903 | 6 |
| 全部八条提示 | 11 | 6494–6554、7627–7633 | 5 |
| 仅撤掉终止提示 | 10 | 6494–6903 | 5 |
第一个实跑经验来自一次报错。最初直接选用软件随附的通用提示配置,程序明确提示来源标记 P 无效。打开文件发现,这套配置的来源列表只有 M 和 RM,而本例的提示中还出现了 P 和 E。切换为能识别这些来源的配套配置后,第二和第三轮才顺利执行。遇到类似情况,优先检查输出日志,然后核对提示第九列中的来源与所用配置的来源表。把提示强行重命名成表里已有的字母会改变它的解释和权重,即使让程序结束,也可能在不知情的情况下换了实验条件。本例采用的提示配置
用两个减法看清第一条序列
在第一条序列上,两套预测的前九段编码坐标完全相同,起始密码子都在九百六十六到九百六十八。只用序列时,最后一段从六千四百九十四延伸到六千九百零三,首尾都计入,一共四百一十个碱基。加入提示后,其末端被拆成两段,第一段留下六十一个碱基,最远端又出现七个碱基。原来的四百一十变成六十八,差三百四十二。前九段没有移动,所以全转录本的编码长度也刚好减少三百四十二。这里无需依赖某个软件画出的示意图,逐段做加法就能判断解释是否成立。
基因组跨度却按另一种方式计算。起点不动,终点从六千九百零三移到七千六百三十三,跨度增加七百三十个碱基。扩大这一跨度的是新选择的远端编码块以及它与前面那一块之间的内含子。因为剪接会把内含子排除在成熟转录本之外,一条基因完全可以在染色体上占更大的地方,同时编码更短的蛋白。此处终止密码子本身在七千六百三十一到七千六百三十三。七个碱基的那一段也值得独立保留,它横跨的编码信息和上一段的阅读相位相关,按“太短像噪声”就删掉,会连同终止位置一起破坏。
复核坐标时,记住这份输出使用一基、闭区间,区间长度是右端减左端再加一。读取参考序列的程序可能采用零基、左闭右开,取片段时应当让起点减一而右端保持原值。下列命令对第一条序列上的单个转录本分别求和,每轮应能读到段数和长度。正式处理有多个转录本的基因座,要先按父转录本拆组。若一个外显子被多个转录本共享,不能对整个基因的所有行直接求和,再把结果当作任一蛋白的长度。
for f in sequence.gff3 hints.gff3 without-stop.gff3; do
awk -F '\t' -v file="$f" '$1=="HS04636" && $3=="CDS" {
n++; bp+=$5-$4+1
} END {print file,n,bp}' "$f"
done
还可以核对序列本身。按转录方向拼接第一条上的编码块,原预测的首三联体是 ATG,末三联体是 TAG,带全部提示时起始三联体相同,末端变成 TAA。这个观察说明两个模型在示例片段中都能写出形式完整的起止组合,无法仅凭有没有终止密码子选出哪个更符合生物学事实。若实验室要据此设计引物,可以优先围绕区分两者的连接寻找独立读段,或设计一组跨越新连接、另一组覆盖旧末端的扩增方案。若两段都得到支持,还要考虑生物样本中是否同时存在两种转录形式。
第二条序列是这次实验最好的内部对照
只看第一条,很容易把“撤掉一个提示,结果回到原样”泛化成“其余提示都没用”。第二条直接反驳了这个推断。在第二条序列上,原预测的第二段编码区从八百一十二开始,加入全部提示后从七百五十八开始,多纳入五十四个碱基。撤掉第一条序列的终止提示,第二条仍从七百五十八开始,编码段数仍为五。因为被拿掉的那一行属于另一条序列,这里保留下来的变化提醒我们,多个提示的作用可以发生在完全不同的位点。想判断第二条的改变受哪一行影响,需要围绕第二条重新组织撤除实验。
第二条还有一个容易被结果汇总工具遮住的边界。在只用序列的预测里,能见到终止密码子,末段延伸到一千八百四十八。全部提示条件下,基因记录的右端到整段输入的末尾二千三百四十四,最后一个编码块却只到一千六百八十八,也没有单列终止密码子。把五段编码区相加只得到五百五十六个碱基。这时即使文件给出了一个转录本编号,也不能按一个完整蛋白去解释。输入序列是短片段,可以查看末端附近是否出现跨界延伸的预测,并尝试在同一组装上向外补充序列后重新推断。只有拿到真实延长片段才能检验边界原因。
把模型的完整性和证据吻合程度并排记录很有帮助。若受体位点有新证据支持,而末端在当前片段中没有闭合,这个模型可以在剪接问题上更值得关注,却不适合作为全长蛋白直接纳入同源比对。为两者分别留一列,就能向下游同事解释为什么保留该位点作剪接展示,同时把它移出需要完整起止密码子的蛋白集合。对于记录来自不同组织的独立实验,优先核验跨越改动连接的读段能否唯一定位,再查是否有覆盖远端的分子。只统计总覆盖度会把两个问题揉在一起。
从整条染色体截取局部序列时,还容易引入一种难以察觉的错误。假设从原染色体第一万零一位开始截取,原位点第一万零一位在新片段中就是第一位。若只改序列名而沿用旧提示的染色体坐标,一部分提示会落到片段之外,另一部分甚至可能落在片段中一个貌似合理的错误位置。可以随截取文件保存原始起点、终点和方向,并用一个已知剪接位点手算一次局部位置。若窗口还做了反向互补,两个端点和方向都要相应变换。本文直接使用作者提供的配套序列与提示,避免了额外的坐标转换,让三次预测的差异能归回实际改动的条件。
把提示用于新物种时怎样控制误差
先选一个同时有可信蛋白和全长转录证据的代表区域做小规模试验,另选一段靠近组装边缘的区域观察失败表现。固定物种模型和序列边界,分别运行没有提示、加入一种有把握的来源、加入全部来源三份预测。对多物种比较,最好记录物种参数来自哪个版本,尤其是项目自行训练过参数时,应保留训练集与评估集的划分。用参与训练的同一组基因显示“预测正确”会高估模型在新位点上的可靠性。若研究对象缺少近缘参数,先对这批有独立证据的基因做边界评估,再决定怎样扩展到全基因组。
负链位点需额外检查翻译方向。若直接从小坐标向大坐标拼接每段参考序列,得到的是基因组正链的顺序。负链的编码链要按转录顺序读取并取反向互补。还要正确理解每段的相位,它记录跨越边界时密码子怎样延续。把每个编码块各自裁成三的倍数再拼起来,会丢掉跨外显子的密码子。可挑一条已知完整的正链基因和一条负链基因,核对工具导出的蛋白与预期氨基酸序列,然后才把导出流程交给全部基因。短外显子最容易暴露这类错误,恰好适合留下作回归检查。
最后把审阅表做成能够回到原文件的样子。对每个发生改变的转录本存下组装序列名、方向、修改前后的编码链、改变的提示行、完整性标记和独立复核材料。对第一条序列,最该保存的是从四百一十个碱基缩为六十八个的末端,以及撤掉终止提示后恢复的两份坐标。对第二条,最该保存的是受体移动五十四个碱基、撤除后仍保留,以及加入提示时末端缺少明确终止记录。这几项足以让下一位研究者分辨哪些结论来自实际对照,哪些仍需要新增实验。
要把已核对的提示和模型扩展到多个大型真核组装时,可以带着这组试跑的输入与输出规模,和云生信生物分析服务器团队安排批量预测。
