software

SignalP 6 预测在 23 与 24 之间切割,成熟蛋白到底该从哪里截取?

作者:发布于 2026-11-18约 11 分钟阅读
SignalP 坐标审阅的人工示例。完整输入23与24、删除前五位18与19、增加六位标签29与30,均映回原序列23与24,教学导出片段相同。未运行SignalP。

信号肽预测结束后,最常见的下一步是导出成熟蛋白序列。但一个看似简单的切片操作,可能同时遇到三类问题。切割位点是按当前输入还是按参考蛋白编号,输入是否已经去掉了部分氨基端,以及输出中的高概率究竟支持信号肽类型还是最终分泌位置。任何一项解释错误,都可能让后面的表达构建设计从错误残基开始。

本文围绕结果审阅和序列导出展开,解释 SignalP 6 能回答的问题以及不能由它单独证明的结论。配套练习使用作者构造的序列、类别概率和切割位点,已经运行 Python 核验,但没有安装或调用 SignalP 6,没有进行真实信号肽预测。练习的用途是检查坐标转换与文件匹配,不能拿这些示例序列评价模型准确率。

先分清信号肽类别和最终去向

SignalP 6 面向蛋白氨基端信号肽及其切割位点预测。官方页面列出常规分泌信号肽、脂蛋白信号肽、双精氨酸通路相关信号肽等类别,另有无相应信号肽的输出。不同类别涉及不同运输与加工特征,不能把所有阳性行都统一标成“可溶性胞外蛋白”。信号肽是定位过程的一部分,最终位置还可能受到其他结构与信号影响。SignalP 6 官方功能和输出说明

对初次使用者,更实用的做法是把结果表分成三层。第一层保存软件给出的类别,第二层保存预测切割边界,第三层记录你的研究解释与后续验证。不要把第三层的推断写回第一层,仿佛是软件直接给出的结论。例如,“存在常规信号肽预测”与“该蛋白在培养上清中有足够产量”,属于不同强度的陈述,需要不同证据支持。

阴性结果同样要控制解释范围。如果原始基因模型缺少氨基端,当前序列没有预测到信号肽,不能反推出完整蛋白一定没有信号肽。也不能因为一种定位方式未被识别,就排除所有其他运输或定位途径。先弄清提交序列是否覆盖应有的起始位置,往往比立即尝试另一个阈值更有价值。

提交前保存的是序列身份,而不只是名字

许多分析表只使用蛋白名称连接结果。但同一个名称可能在重新注释、剪接异构体替换、人工加标签或序列截短后继续使用。文件名没有变,输入实际上已经改变。预测结果若仍连接到旧序列,切割位点可以落在合法范围内,程序也不会报错,却可能把完全不同的片段导出。

建议在提交前生成输入清单,至少包含唯一标识、序列长度、序列摘要、来源版本和氨基端处理记录。摘要是对标准化后的实际氨基酸字符串计算,而不是对带有不同换行和描述文字的整个 FASTA 文件随意计算。统一大小写、移除换行后再保存,结果回收时用同一规则核对。不要只检查文件总大小或者首行名称。

还要区分完整前体、已经成熟加工的序列和人为设计的表达构建。前体中的信号肽可能已经在成熟序列里被删除,带标签构建又可能在氨基端增加额外残基。它们即使对应同一个基因,也不能共用一个未经转换的切割坐标。对于来源不清的序列,先找回版本与处理信息,再决定是否适合进入自动导出流程。

物种选项和结果类别中的 Other 不是一回事

当前官方界面的物种选项包括 Eukarya 和 Other,前者用于真核来源,后者包括古菌和细菌。选择真核来源时,系统限制预测的信号肽类型范围。这个设置描述的是输入背景,不能在结果出来后为了得到某种想要的类别而反复切换。混合来源蛋白组应保留来源分组,并说明无法确定来源的条目如何处理。官方提交说明

结果表中的 Other 则表示未被分到所列信号肽类型,两处相同单词处在不同字段里。整理表格时可把字段分别命名为“输入来源类别”和“预测信号肽类别”,保留原值,减少误会。尤其不要把物种选择中的 Other 当成一次阴性预测,或者把结果中的 Other 当成蛋白来源无法识别。

官方也提供不同预测模式。比较批次时,应把模式与软件版本一起记录,不能只写“使用 SignalP 分析”。如果后续重点是切割边界附近的残基,应该检查位点相关结果及局部序列,而不是仅凭最高类别概率排序。类别判断与某个具体边界的确定性相关,却不是同一个需要记录的量。

23 与 24 之间切割,先写成可检查的定义

本文练习统一使用从一开始的残基编号。若边界位于第二十三与第二十四个残基之间,信号肽最后一个残基是第二十三位,成熟片段第一个残基是第二十四位。对于长度一百的输入,删除前二十三个残基,剩余七十七个。先写出这三个数字,能够迅速发现很多差一位的问题。

Python 字符串索引从零开始,因此正确的切片是 sequence[23:]。如果误写成从索引二十四开始,会额外删掉成熟片段的第一个残基。如果从索引二十二开始,又会保留信号肽末端的一个残基。不要仅凭输出长度大致合理就接受结果,应同时核对成熟片段的首残基,以及切片前后的长度关系。

sequence = "M" + "A" * 21 + "G" + ("CDEFGHIKLMNPQRSTVWY" * 5)[:77]
left, right = 23, 24
assert right == left + 1
assert 1 <= left < right <= len(sequence)
mature_candidate = sequence[left:]
assert len(sequence) == left + len(mature_candidate)
assert len(mature_candidate) == 77
assert mature_candidate[0] == "C"

这里生成的是便于验证长度的人工序列,没有表示它真实具有信号肽。边界检查同样不能证明预测正确,只能证明你按照所声明的坐标规则处理了结果。科研流程需要把“结果解释正确”与“预测本身可靠”分别验收,避免因为程序能稳定导出 FASTA,就把模型输出当成已确认的加工产物。

同一个参考边界,可以对应三套输入编号

练习准备了三条有关联的输入。第一条是长度一百的完整人工序列,第二条明确删除了它最前面的五个残基,长度九十五,第三条在前面加入六个组氨酸,长度一百零六。我们分别人为填写二十三与二十四、十八与十九、二十九与三十之间的切割边界,用来展示坐标映射。

教学输入 输入内边界 映回原序列
完整序列 23 与 24 23 与 24
删除前五位 18 与 19 23 与 24
增加六位标签 29 与 30 23 与 24

若已明确仅发生前缀增删,映回原序列的位置等于输入位置减去新增前缀长度,再加上删除前缀长度。三个例子导出的成熟候选都长七十七,序列摘要完全相同,脚本实际核对了这一点。它证明的是这组三个人工边界在已知变换下相互一致,不是证明 SignalP 会对截短或带标签序列预测出相同的加工位置。

这一点对表达设计尤其重要。加标签改变了实际输入,标签本身也可能影响运输和加工,不能只把旧预测位置加上标签长度就称为新的预测。序列包含内部插入、缺失或替换时,简单加减一个偏移量通常也不够,应该使用序列比对与明确的残基映射。没有映射依据时,宁可把条目标为待审阅,也不要把猜测位置写成精确坐标。

SignalP 坐标审阅的人工示例。完整输入23与24、删除前五位18与19、增加六位标签29与30,均映回原序列23与24,教学导出片段相同。未运行SignalP。
三组边界由作者设置,只演示坐标映射,不代表模型会对三种输入作出一致预测。

脂蛋白的首残基,不能在切片时顺手丢掉

官方输出说明指出,脂蛋白信号肽切割后紧接着的保守半胱氨酸与脂化有关。审阅这类候选时,边界后的第一个残基值得单独检查。若使用错误的零基切片,把这个残基再删掉一位,成熟序列长度只差一,看起来并不显眼,但构建含义已经发生变化。

配套练习额外构造了一条长度一百的序列,在第二十与第二十一位之间设置教学边界,第二十一位为半胱氨酸。正确截取后长度八十,首残基仍是半胱氨酸。这个核对可以用来发现处理脚本的坐标错误,不能替代对脂蛋白类别和实际脂化的验证。存在合适首残基也不足以单独证明加工发生了。

类似地,有些候选包含其他定位或锚定特征,去掉信号肽不意味着得到了可溶、稳定而且活性的终产物。后续构建仍需考虑完整结构域、跨膜部分、标签位置以及实验体系。预测切割边界帮助提出构建方案,最终方案应结合蛋白结构与功能问题,不宜用一个固定长度的氨基端截短规则批量替代。

让坏记录停止,而不是自动补一个切割位点

脚本读取的简化记录包含序列、摘要、类别概率、预测类别、边界和前缀处理信息。先检查摘要与当前序列一致,再检查类别与概率集合,最后验证边界相邻、在序列范围内。对于无信号肽类别,保留原记录供审阅,不导出一个假定已经加工的成熟片段。没有切割位点与切割位点为零,不能混为同一个值。

我们构造了两条错误记录。第一条把边界写成第二十三与第二十五位,不是相邻残基之间,被拒绝。第二条保留相同记录内容却换成另一条序列的摘要,同样被拒绝。其余五条记录通过格式和身份检查,其中四条有教学切割边界,一条为不截取的无信号肽记录。输出没有把被拒绝的条目悄悄漏掉,而是保留各自的原因。

检查对象 通过条件 不通过时的处理
输入身份 序列摘要一致 找回对应输入
切割边界 相邻且在范围内 停止自动截取
无信号肽记录 不强填加工位置 保留原序列审阅
坐标回映 有明确变换记录 不猜原始编号

实际使用时还要注意概率输出的精度。本练习的概率是作者设置的简单小数,可以严格核对总和。真实文件可能保留有限小数位,合理的检查应考虑舍入容差,不能因为末位误差拒绝整批结果,也不能用过大的容差掩盖列错位。本文脚本不是原生输出解析器,接入真实文件前应先核对当前版本的字段和缺失值表示。

批量筛选应保留哪些交付物

建议同时保存原始输入、输入清单、原始预测文件、标准化结果表、坐标映射、成熟候选 FASTA 和拒绝原因表。每条成熟候选都应能追溯到一个输入摘要及一条边界记录。这样,当后来发现某个基因模型缺少氨基端,可以定位受影响的条目重新处理,而不是对整个蛋白组的导出结果失去把握。

SignalP 的优势是把氨基端序列中的信号类型和边界信息组织成可筛选结果,适合形成后续实验候选。局限在于它依赖实际提交序列,预测也不能包办最终定位、分泌产量与加工验证。与其把高分候选全部写成“已分泌蛋白”,更合适的标签是“具有相应信号肽预测的候选”,再用定位、加工或表达实验回答后续问题。

读者可以先从自己的十条记录做一个小检查,逐条确认输入版本、长度、边界与导出首残基,尤其选择截短、带标签和类别不明确的条目。等这些特殊情况都能解释清楚,再把同一套规则应用到整批数据。自动化的收益来自规则清晰,而不是把尚未解决的坐标和生物学问题批量重复。

下载原创结果审阅练习与核验结果(ZIP)。使用 Python 标准库即可运行,按本文工具名称选择目录。包内说明逐项列出人为数据、已执行的检查和适用边界,不包含对应软件的安装包或预测模型。

当输入追踪和导出规则已经固定,需要持续处理多批蛋白序列时,可了解云生信生物信息分析服务器,按实际软件许可、蛋白数量与运行模式沟通环境需求。

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 ↗