software

BRAKER 注释里少掉的 21 条单外显子转录本,该不该留?

作者:发布于 2026-11-15约 11 分钟阅读
哪些单外显子模型被删了?。同一组候选与提示,两次 TSEBRA 选择只有一个开关不同。。原配置,292 条编码转录本,其中 77 条仅含一段编码区。开启过滤,271 条编码转录本,两套结构逐条比较,少了 21 条,新增 0 条。复核负链,X1 的 196–804,起始端在高坐标,提示文件可单独查询。

拿到一套新物种基因注释,两个人可能报出两个都正确的数字。做比较基因组的同事数到二百六十五个编码基因,准备蛋白序列的同事却拿到二百九十二条编码转录本。如果明天开启单外显子过滤,两个数字又会分别减少二十和二十一。要决定哪套结果适合做下游分析,真正要回答的是哪些编码结构消失了,证据支持它们的哪个部位,以及它们的消失会怎样改变自己的研究问题。我们在 BRAKER 作者公开的同一组候选预测上只换了一个选择开关,逐条比较了前后的编码坐标。

先把训练、预测和筛选分开看

从头组装给出连续的碱基序列,基因结构注释要进一步判断开放阅读框的起点、终点和剪接位置。许多局部选择在序列上都说得通。一个供体位置向后移动三个位点,蛋白长度只多一个氨基酸,邻近区域却可能缺少任何测序片段支持这条连接。另一处开放阅读框看似完整,也可能落在一个重复元件上。这些问题影响注释的不同部分,因此审阅时需要保存不同证据各自支持的坐标。只留一份最终蛋白文件,事后很难知道该从哪一步找回一个候选。

在同时有转录和蛋白证据的 BRAKER3 工作流中,GeneMark-ETP 与 AUGUSTUS 会提供候选编码结构,TSEBRA 再利用外部证据选择转录本。带剪接的转录读段可以跨过内含子,同源蛋白比对有机会支持编码外显子之间的连接,覆盖到的起止区域还可以提供端点线索。三者都受到输入限制。一个选项如果只作用在最后的候选选择阶段,复核它时可以直接使用相同的两份候选和相同的提示文件。本文实际执行的是这一阶段。希望了解模型怎样训练、候选怎样产生,可以沿着作者公开的测试命令向上游追溯。BRAKER3 方法论文 · 作者公开的测试命令

选择审阅单位时,先写清楚自己需要的是基因、转录本还是蛋白质。一处基因座可以产生两套剪接形式。如果其中一套失去支持,基因座仍可能出现在两个版本中。反过来,两个程序都叫作某某一号基因,也可能是因为各自从头编号。下面把同一转录本的每段编码区按基因组坐标排序,用序列名、方向、起止位置和相位共同标识一整条编码结构。这个定义关心编码区变没变,不能区分只发生在非翻译区的差异。团队交接时把这个约定写下来,别人才能复算同一个数。

哪些单外显子模型被删了?。同一组候选与提示,两次 TSEBRA 选择只有一个开关不同。。原配置,292 条编码转录本,其中 77 条仅含一段编码区。开启过滤,271 条编码转录本,两套结构逐条比较,少了 21 条,新增 0 条。复核负链,X1 的 196–804,起始端在高坐标,提示文件可单独查询。
同一组候选与提示,两次 TSEBRA 选择只有一个开关不同。

实跑经验 · 固定候选,只改变单外显子过滤

我们取作者仓库中第三个测试的两个模型文件、一份提示文件,再取作者发布的最终注释作外部对照。使用 TSEBRA 的 v1.1.2.5 和随该版发布的 BRAKER3 配置。第一次运行使用配置原样选择,第二次在完全相同的输入上增加过滤开关。四份数据的摘要、调用脚本和对照结果放在同一练习包中。将下面的命令放在输入文件所在的目录,变量指向解包的 TSEBRA 目录即可。输出分成两份,这样可以随时重新做差集。原始候选与提示 · 实跑脚本、输入下载命令与结果

T=/path/to/TSEBRA
python3 "$T/bin/tsebra.py" -g augustus.hints.gtf,genemark.gtf   -e hintsfile.gff -c "$T/config/braker3.cfg" -o standard.gtf
python3 "$T/bin/tsebra.py" -g augustus.hints.gtf,genemark.gtf   -e hintsfile.gff -c "$T/config/braker3.cfg"   --filter_single_exon_genes -o filter_single.gtf
注释文件 含编码区的基因 编码转录本 仅一段编码区的转录本
AUGUSTUS 的候选 279 291 72
GeneMark 的候选 268 272 63
使用原配置选择 265 292 77
增加单外显子过滤 245 271 56
仓库所附最终注释 265 293 77

先看中间的两行。此次实验每条编码转录本都有不同的编码结构。第二次少了二十一条,减掉的全部只有一段编码区,第二次没有出现任何新的编码结构。第一份有七十七条单段编码结构,第二份剩五十六条。即使只讨论这些短名单,按示例里观测到的比例也不能推算其他物种会删多少。作者对这一选项的定义是进一步过滤缺少起始或终止密码子提示支持的单外显子候选。不同组织的转录数据、蛋白库的亲缘距离以及序列完整程度都会改变候选本身和端点支持的覆盖范围。TSEBRA 选项与判定说明

再看最后一行。第一轮和作者留存的结果都含二百六十五个编码基因,但转录本相差一条。我们进一步比较完整编码结构,第一轮的二百九十二条全部可以在作者结果中找到,作者文件还有一条当前重放没有产生的结构。因此最准确的表述是本次重放与发布示例高度重叠。要找出额外一条的原因,还需要取得当时调用选择器的具体版本、完整命令和中间状态。仅凭总数相等就宣布精确复现,会直接跳过这个值得检查的差异。

从一个负链位点读懂“端点支持”

打开第一份选择结果,在序列 X1 的一百九十六到八百零四之间可以找到一个被删除的编码模型。它在负链,终止密码子的坐标是一百九十六到一百九十八,起始密码子的坐标是八百零二到八百零四。一个常见的复核失误,是按文件里坐标从小到大的排列,把左端当作翻译起点。对这个例子,照此去找起始提示一定会找错位置。先分辨转录方向,再把模型的两个端点各自与相同方向的提示对齐,最后再看证据类别。这样即使面对一条很长、编码区被切成十几段的基因,也知道去哪里核对起始和终止。

awk -F '\t' '$1=="X1" && $7=="-" && $4>=196 && $5<=804 &&
  ($3=="CDS" || $3=="start_codon" || $3=="stop_codon")' standard.gtf
awk -F '\t' '$1=="X1" && $7=="-" &&
  (($3=="start" && $4==802 && $5==804) ||
   ($3=="stop" && $4==196 && $5==198))' hintsfile.gff

第一条命令能看到三个对应特征,第二条在这个例子里找不到与两端精确匹配的提示。这里值得把两个不同的事实写在记录里。基因模型本身给出了起始和终止坐标,这是预测结果。提示文件有没有独立记录落在这些坐标,是另一个问题。两份文件都有“起始”或“终止”这样的词,第一次查看时很容易把预测给自己的标签当成外部支持。教学样本里很容易手动打开几行确认,在真实基因组上也应先人工复核几个位点,再让脚本扩展到全体候选。

接着看内含子证据。同一个提示文件中,来源标为 E 的内含子记录有一千零二十九行,标为 P 的有一千一百一十四行。这是文件行数。若想回答某个内含子有几个独立重复样本支持,需要回到原始文件和样本身份,同一条连接可以被多次报告,也可能在汇总时把多个观测写成一个计数。更重要的是这个负链模型只有一段编码区,没有编码区间的剪接边界可供眼前的检验。把所有内含子提示加总后分摊给单外显子模型,在逻辑上无法回答端点是否可靠。

怎样决定去掉的模型要不要找回来

先看研究目的。做多物种一对一直系同源比较时,一个由重复元件片段造成的短开放阅读框,可能给另一个物种的重复蛋白制造很多表面上的同源命中。此时可以从有明确端点支持的集合开始,然后对目标家族里的缺失逐一回查。做新基因或短肽研究时,整体目标恰好要求仔细看证据较少的候选。可把被过滤的记录单独留表,列出完整阅读框、参考组装边缘距离、与重复注释的交叠、可区分旁系同源的片段以及实际取材组织。两种研究可以共享一套预测,但需要分别定义纳入条件,才不会把分析便利误写成生物学结论。

再看证据是否具备区分候选的能力。想确认一个很短、没有内含子的基因,用常规短读段看到一段均匀覆盖,只能证明有相似序列被测到。若此处旁边还有高度相似的拷贝,同一批片段可能同样适配多个位置。可以先查看比对质量和多位置命中的读段,寻找覆盖拷贝特有碱基、能够决定归属的片段。若有跨物种材料,观察近缘物种在相同基因邻域是否出现方向一致且保留阅读框的序列。若有独立的翻译证据,再核对肽段是否也能唯一归到该候选。把不同来源、不同辨别能力分开记,比简单填写“有表达”更有意义。

缺少支持也需要说明采样条件。假如样品全来自叶片,仅在花粉开放的转录本没有被捕获很容易解释。若目标候选在组装断点旁边,最后一段编码区可能根本没有进入组装。可先检查末端到连续序列边界的距离、附近有无一串未知碱基,再决定加做转录测序能否回答当前问题。如果问题来自组装缺口,新增同类短读段仍可能得到相同的不确定结果。记录里可以把“现有组织没有观察到”和“在现有组装上连完整序列都无法检查”写成两个独立状态,避免第二种情况被误当成第一种。

还有一种适合在送样前解决的分歧。两个团队可能分别把“单外显子”定义为整个转录本只有一段外显子,或编码区只有一段。一个带有非翻译区内含子的转录本可以同时满足后一种定义,却不满足前一种。我们在表里只数编码区行,并在标题中写明口径。若项目要评价启动子、完整非翻译区或转录起始位置,需要回到带这些特征的注释重新统计,也可以把编码段数和全部外显子数并列列出。这样实验人员按转录本结构设计扩增引物时,不会误以为编码部分连续就意味着整个转录本都没有剪接。

把审阅交给下一位分析者

建议交付一张按结构汇总的差异表,每行保存组装版本、序列名、方向、编码区间链、相位、在两套文件中的转录本编号,以及用于解释差异的证据坐标。为一个被过滤的模型同时保留两个查询入口,一个查看最终预测,一个查看独立提示。项目后期引入新证据时,只要重新比较结构和端点,就能回答某条候选是否获得了新支持。若分析需要比较不同组装,先确认坐标之间有可信映射,再比较编码结构,否则组装改名或局部翻转就足以制造一批看似新增的基因。

在排定复核顺序时,我会先挑三个位置,一条被删去且两端都无匹配提示的单段模型,一条仍被保留的单段模型,以及一个多转录本基因座。第一个位置检验筛选确实作用在预期对象,第二个位置提醒审阅者保留决定也要找依据,第三个位置用于解释为何基因和转录本的减少数量不同。然后对全表做完整差集,检查是否出现意外新增的编码结构或带多个编码区的删除项。这次实验已经给出可以对照的零和二十一。如果换了自己的数据得到别的模式,先把异常位点和实际参数摆在一起,再决定是否需要重跑训练。

若后续要把这套对照扩展到多个物种和多批 RNA 证据,可以带上一个已审阅的基因座及本次输入规模,和云生信生物分析服务器团队评估整批运行条件。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗