software

TOGA 给出“丢失”还是“缺失数据”?同样只剩 20% 完整密码子,答案可以相反

作者:发布于 2026-11-15约 9 分钟阅读
只剩 20% 完整密码子,算丢失吗?。沿投射、转录本和基因三个层级,复核同一条候选。。改链覆盖,链外比例 0.10 得 L,0.90 得 M,在所测分支中,0.65 与 0.6501 也给出不同标签。增加投射,同一转录本出现 L 和 I 两条记录,转录本与基因汇总改为 I。增加异构体,原转录本仍为 L,另一个为 I,目标基因汇总为 I,须回到具体转录本审阅。

做跨物种基因演化时,很容易从一张状态表跳到一个过强的结论。看到某条投射记录标为丢失,就写目标物种少了一个基因。然而同一个参考转录本还可能投射到另一条链,同一个基因还可能有保留较好的另一种转录本。更早一步,目标组装根本没有覆盖某段序列时,软件能得到的也只是缺少可判断的材料。我们直接运行 TOGA 的基因丢失汇总模块,以六个小对照追踪这几个层次,看到同样的完整密码子比例可以得到不同状态,也看到一条丢失记录怎样与整体完好的基因同时存在。

先认清表格中的三个对象

TOGA 利用基因组间的比对链和参考蛋白编码注释,在目标组装中寻找对应区域并评估编码结构。链可以理解为将两套组装中的一系列局部比对连接起来的对应关系。参考转录本沿某一条候选链在目标基因组中得到一次投射。若一个参考转录本有多条合适的链,就可能出现多个投射。一个参考基因也可以包含多个不同的蛋白编码转录本。投射、转录本和基因描述的是三个相关但不等价的对象,表格第一列已经给出它们的层级。TOGA 方法论文 · 作者项目说明

从已有的真实结果开始工作,先选一个熟悉的基因,列出它在参考注释中的所有转录本,再列出每个转录本对应过哪些目标链。之后再去看最终给基因写的状态。若直接按名字搜索第一个匹配项,一旦同一基因对应多条记录,就可能把某条低质量链的情况当成整个目标物种的状态。记录时让每一行保留参考基因、参考转录本、链编号、目标区域与投射状态,汇总表可以按需要另外生成。这一步看似费纸,但当候选基因成为文章重点时,能节省大量反复查原文件的时间。

只剩 20% 完整密码子,算丢失吗?。沿投射、转录本和基因三个层级,复核同一条候选。。改链覆盖,链外比例 0.10 得 L,0.90 得 M,在所测分支中,0.65 与 0.6501 也给出不同标签。增加投射,同一转录本出现 L 和 I 两条记录,转录本与基因汇总改为 I。增加异构体,原转录本仍为 L,另一个为 I,目标基因汇总为 I,须回到具体转录本审阅。
沿投射、转录本和基因三个层级,复核同一条候选。

实跑经验 · 把完整密码子比例固定,只移动一个条件

我们取 TOGA 固定提交中的真实汇总程序,为两个模拟基因准备简化的参考注释、投射坐标、转录本归属和上游特征记录,再逐次运行命令。参考基因有两段编码外显子,加入备选异构体时它们共享同一参考基因座。一个对照基因在所有条件下输入都相同。目标基因的基础情形中,忽略缺失片段时的完整比例和完整密码子比例都设为零点二,我们改变的是落在当前链边界之外的比例。运行的是正式的判定和汇总逻辑,人工构造的中间特征用来观察规则,示例没有从基因组重新比对或推断某个真实物种的基因丢失。原版汇总程序 · 六次实跑的脚本与输入生成方法

python3 100-toga/run.py /path/to/TOGA work
# 每行分别给出对象层级、对象标识和状态
cat work/within_chain/summary.tsv
cat work/intact_alternative/summary.tsv
cat work/intact_isoform/summary.tsv
对照条件 原投射 txA.1 转录本 txA 目标基因 稳定对照基因
链外比例 0.10 L L L M
链外比例 0.90 M M M M
链外比例正好 0.65 L L L M
链外比例 0.6501 M M M M
为 txA 加一条完整的第二投射 L I I M
为同一基因加入完整异构体 txC L L I M

前三种字母在本例中分别代表判为丢失、缺少可判断数据和完整。第一、二行只有链外比例改变,目标基因的标签却从丢失变成缺少数据。源码中针对这个低完整密码子比例分支,继续检查编码框有多少超出链边界。当大部分结构都落在当前链覆盖范围外时,观测到的编码残片很少,并不能像对齐范围充足时那样支持丢失推断。这个判定位于多步决策树的一条支路上。不能把这张小表当成 TOGA 的全部规则,特别不能看到链外比例超过某个值就忽略其他特征和先前分支。

第三、四行专门检查等号。其余特征保持不变,零点六五时结果仍是丢失,只把链外比例调到零点六五零一便成为缺少数据。这个版本在该分支使用严格大于,恰好相等和稍微超过有不同结果。若展示面板把两者都四舍五入为百分之六十五,读者即使看到相同的显示数,仍有可能读到两个不同标签。做复核时应从原始特征文件读取足够精度,同时保存运行所用软件提交。研究报告可以展示方便阅读的数字,决定边界的运算必须回到未舍入值。

一条投射丢失,为什么转录本仍然完整

第五个条件保留了原本判为丢失的那条投射,同时为同一参考转录本添加第二条有较好完整性证据的投射。结果依次是第一条投射继续判丢失,第二条投射判完整,而参考转录本和所属基因都判完整。这个变化没有覆盖旧记录,两个投射在输出表里都存在。查看汇总源码可以看到,程序按可接受投射给参考转录本汇总状态。对研究者而言,看到两行并存恰好说明还要确认哪条对应关系适合研究问题,尤其要注意直系同源判定和高度相似的旁系同源拷贝。

再看最后一行。目标参考转录本的原投射和转录本自身仍然是丢失,因为我们没有为它补第二条链。改变的是同一个基因的另一种参考异构体,它得到了完整投射。这一次基因改判为完整,但原转录本本身的结果继续保留。若只看最终基因表,就看不到一个特定异构体的编码结构没有保留。若只看失活的那个异构体,又会误写整个基因缺失。实际研究若关注外显子特异功能、选择性剪接或某段保守蛋白结构域,应说明自己的结论落在哪一个转录本、哪一段外显子上。

这两种情况还帮助选择更有效的后续分析。第一种多投射情形要问两条链是否分别对应真实的目标位点,是否有主组装与替代单倍型重复,或有旁系同源序列参与竞争。可以查看目标侧邻近基因、两侧锚点是否与参考一致,以及候选是否连续跨过关键编码外显子。第二种多异构体情形则要看两个转录本究竟在哪些外显子不同。若差异集中在只属于其中一个异构体的首外显子,应先查这个外显子的独有序列与表达证据,在共同编码区内重复做一遍普通同源搜索未必有帮助。

怎样审阅一个准备写入论文的“丢失基因”

先查参考端。参考转录本是否属于可靠的蛋白编码基因,是否有完整阅读框,是否在参考注释升级时发生过转录本切分或基因合并。特别是非常短、只有一个外显子、或与重复家族高度相似的参考模型,需要更多独立信息证明参考本身可靠。若参考模型就带错了编码边界,许多目标物种都产生相似的异常,未必意味着它们各自独立丢失。把参考侧的起止位置、基因邻域和编码长度记录下来,再比较多个目标物种,能及早发现这种由参考注释传播的偏差。

再查目标组装的物理连续性。把关键外显子和疑似失活位置标在目标坐标上,查看是否靠近连续序列的末端或未知碱基区域。若预测缺少一个外显子,但对应位置恰好是一个组装缺口,那段序列在样品中是否存在仍待判断。可寻找跨过缺口边界的独立长读段、同一物种的另一套组装或可靠的局部重组装。反过来,若两个独立样品都完整覆盖两侧,且在同一位置呈现一致的移码或提前终止,再去核对读段和附近重复结构,就比只报一个字母有说服力。

审查候选突变时,给不同类型的问题安排不同实验。若重点是一个短插缺导致阅读框改变,先核对原始测序读段在该位点是否唯一定位,检查同聚物区和局部比对是否容易滑移。若整个外显子在参考有、目标没有,优先检查两侧相邻外显子是否位于相同的连续组装、是否有跨越这一段的读段。若准备比较组织表达或功能,应注意没有检测到表达并不能单独证明基因丢失,组织、时期和测序深度都会决定检测范围。把组装是否支撑、基因结构是否完整、是否表达分成不同证据列,结论才容易随新数据更新。

审阅记录还应标明,一项证据是来自产生投射的同一份组装,还是来自另一种独立测量。把同一个碱基错误先写成移码,再把这一次翻译计算出的提前终止记作第二条独立证据,等于把同一原因数了两遍。可以先把观察按原始来源分组,将同一序列、同一位点衍生出的后果放在一起。另一套独立组装或能唯一覆盖该位点的读段会带来新的信息。同一文件换个形式导出的蛋白通常只能用来验证计算过程。若两个证据相互矛盾,先写清各自覆盖的是哪段和哪一个个体,再考虑等位差异、组装错误以及不同异构体这些能区分的解释。

比较多个物种时,分母要排除无法判断的情况

制作物种乘基因的状态矩阵,首先保留缺少数据等类别的原义。若把所有无法判断都记作零,组装更碎的物种会显得“丢了更多基因”。举一个纯粹用于说明分母的例子,一百个待检查基因中,有六十个可充分评价,其中六个有可信丢失证据。另外四十个缺少覆盖。报“六个观察到的丢失”和报“可评价基因里百分之十丢失”传达的是不同信息。若把四十个无证据条目直接加进分子,结论便完全变样。可逐个物种同时列出可评价数、候选丢失数、缺失数据数和其余不确定类别。

还应检查结论是否由个别注释质量较差的基因家族驱动。可以先在跨物种公认保守、邻域容易定位的一组基因上观察状态分布,检验源注释和投射流程的大体表现。再对研究重点家族逐一保留输入特征和例外情况,不把这些阳性对照中正常的结果外推到所有快速演化家族。若要推断某个谱系上的一次共同丢失,则比较多个近缘物种是否共享同一破坏性变化,并用外群校验祖先状态。几个相关物种都没有漂亮的投射,仍然可能反映共同的参考距离或共用组装方法造成的困难。

最后把最小复核单位留给读者。每个重要候选可附一行基因级状态、一行关键转录本状态和相应的具体投射记录,旁边注明链外比例、主要失活证据与可对照的组装区域。对本例,第五行的复核重点是同一转录本沿两条链结果不同,第六行则是同一基因两个异构体的结果不同。写清楚是哪一种,实验同事就会知道该换一个目标位点查同源,还是沿同一位点寻找异构体独有的外显子。

若课题需要在多个物种上生成全基因组比对链并批量重做基因投射,可以带着目标物种数、参考注释及一组已审阅的实例,和云生信生物分析服务器团队评估整批分析环境。

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 ↗