基于多证据来源解析框架的高羊茅属植物全长转录组编码-非编码分类及歧义来源解析研究

《Plant Methods》：Source-resolved decomposition of coding–noncoding ambiguity in a non-model plant full-length transcriptome

摘要

背景

在非模式植物全长转录组中，编码-非编码分类仍然具有挑战性，因为完整的转录本回收并不能解决编码潜力、蛋白质同源性支持、开放阅读框（ORF）结构或重复序列相关证据等问题。本研究以Arrhenatherum elatius（高羊茅属植物）作为主要案例研究对象，采用来源解析的多证据框架，整合PINC和CPC2预测、BLASTx/Swiss-Prot同源性分析、TransDecoder ORF注释以及RepeatMasker证据，对63,642条此前已聚类并优化的全长转录本进行了分析。该框架将六种互斥的操作证据状态与四种重叠的歧义来源指标进行区分，并以有限的Daucus carota（胡萝卜）应用作为第二物种的比较基线。

结果

操作编码-非编码灰色区间目标包含20,178条转录本，占A. elatius转录组的31.71%。短ORF相关歧义是最大的来源，涉及7,383条转录本，其次为无同源性支持的中长ORF（6,977条）、预测冲突（5,710条）和富含重复序列的歧义（4,766条）。在50–150氨基酸的ORF长度阈值范围内，16,738条转录本始终保持在灰色区间并集中，而4,170条转录本表现出阈值依赖性归属。在0.5覆盖度阈值下，采用精确区间并集细化后，4,405条转录本符合全重复歧义来源定义，2,359条符合仅转座元件（TE）定义。序列衍生的3-mer和4-mer表示显示出可统计检测到但幅度较小的状态相关结构。登录号折叠的GO敏感性测试了137个术语，在排除共享最佳命中登录号后，识别出68个富集术语，且所有2,359条TE支持的歧义来源目标均具有有效的TE共有序列坐标。六状态操作赋值逻辑也被应用于39,936条D. carota转录本，作为有限的比较基线。

结论

A. elatius全长转录组中的编码-非编码歧义构成了一个结构化的计算证据空间，而非一组已验证的lncRNA、已确认的新型蛋白质编码基因或已证明的TE衍生转录本。来源解析框架保留了导致不确定性的证据，而敏感性分析和有限的D. carota比较基线界定了其稳健性和适用范围，但并未确立广泛的跨物种普适性。该框架为转录本优先级排序、人工编辑以及基因组驱动的实验后续工作提供了透明的基础。

背景

在非模式植物全长转录组中，编码-非编码分类仍然具有挑战性，因为完整的转录本回收并不能解决编码潜力、蛋白质同源性支持、开放阅读框（ORF）结构或重复序列相关证据等问题。本研究以Arrhenatherum elatius作为主要案例研究对象，采用来源解析的多证据框架，整合PINC和CPC2预测、BLASTx/Swiss-Prot同源性分析、TransDecoder ORF注释以及RepeatMasker证据，对63,642条此前已聚类并优化的全长转录本进行了分析。该框架将六种互斥的操作证据状态与四种重叠的歧义来源指标进行区分，并以有限的Daucus carota应用作为第二物种的比较基线。

结果

操作编码-非编码灰色区间目标包含20,178条转录本，占A. elatius转录组的31.71%。短ORF相关歧义是最大的来源，涉及7,383条转录本，其次为无同源性支持的中长ORF（6,977条）、预测冲突（5,710条）和富含重复序列的歧义（4,766条）。在50–150氨基酸的ORF长度阈值范围内，16,738条转录本始终保持在灰色区间并集中，而4,170条转录本表现出阈值依赖性归属。在0.5覆盖度阈值下，采用精确区间并集细化后，4,405条转录本符合全重复歧义来源定义，2,359条符合仅转座元件定义。序列衍生的3-mer和4-mer表示显示出可统计检测到但幅度较小的状态相关结构。登录号折叠的GO敏感性测试了137个术语，在排除共享最佳命中登录号后，识别出68个富集术语，且所有2,359条TE支持的歧义来源目标均具有有效的TE共有序列坐标。六状态操作赋值逻辑也被应用于39,936条D. carota转录本，作为有限的比较基线。

结论

A. elatius全长转录组中的编码-非编码歧义构成了一个结构化的计算证据空间，而非一组已验证的lncRNA、已确认的新型蛋白质编码基因或已证明的TE衍生转录本。来源解析框架保留了导致不确定性的证据，而敏感性分析和有限的D. carota比较基线界定了其稳健性和适用范围，但并未确立广泛的跨物种普适性。该框架为转录本优先级排序、人工编辑以及基因组驱动的实验后续工作提供了透明的基础。