FishMitoCleaner：鱼类线粒体蛋白编码序列的自动化终止密码子处理与质量控制

《Ecology and Evolution》：FishMitoCleaner: Automated Stop Codon Processing and Quality Control of Fish Mitochondrial Protein-Coding Sequences

　　

脊椎动物线粒体蛋白编码基因遵循不同的遗传密码，其中 TGA 编码色氨酸（Trp），并且大量基因以不完整终止密码子结束，这些不完整终止密码子经转录后通过多聚腺苷酸化（polyadenylation）补全。当使用标准工具处理从公共数据库下载的编码序列（coding sequences, CDS）时，这些特征常被错误处理，导致下游密码子使用和进化分析出现错误。在此，研究人员提出 FishMitoCleaner，这是一种 Python 命令行工具，通过五个步骤自动化鱼类线粒体 CDS 序列的质量控制与标准化：字符验证、内部终止密码子扫描、末端 TGA 检测、终止密码子处理和长度标准化。FishMitoCleaner 对代表 7 个目和全部 13 个线粒体蛋白编码基因的 22 种鱼的输入序列中的 97.6% 进行了清理。对相对同义密码子使用（relative synonymous codon usage, RSCU）值的统计比较证实密码子使用分析不存在偏倚（Welch's t 检验，所有 p > 0.05）。FishMitoCleaner 是一个 Python 命令，使水生生物学和渔业科学的研究人员能够在单条命令中执行严格且可重复的 CDS 质量控制，并获得准备用于下游分析的清洁序列。FishMitoCleaner 也适用于其他脊椎动物分类单元的线粒体 CDS 数据。

FishMitoCleaner：鱼类线粒体蛋白编码序列自动化终止密码子处理与质量控制解读

鱼类线粒体基因组是闭合环状双链 DNA 分子，约 16 kb，包含 13 个蛋白编码基因（protein-coding genes, PCGs）、22 个转移 RNA 基因、2 个核糖体 RNA 基因和一个 D-loop。由于其母系遗传、高拷贝数、快速进化速率和缺乏重组，鱼类线粒体基因组被广泛用于系统发育重建、物种鉴定、群体遗传学和选择压力估计。随着高通量测序技术发展，大量鱼类线粒体基因组被发布在 NCBI GenBank 和 MitoFish 等公共数据库中。然而，从公共数据库下载的蛋白编码序列（coding sequences, CDS）在进行下游分析前必须经过质量控制和标准化。

脊椎动物线粒体使用不同于标准遗传密码的遗传密码（NCBI Translation Table 2），这带来若干重要问题。第一，TGA 在脊椎动物线粒体中编码色氨酸（Trp），而非终止信号；使用标准密码工具处理线粒体 CDS 会错误去除 TGA 末端序列并丢失末端氨基酸残基。第二，脊椎动物线粒体注释中识别的终止密码子包括 TAA、TAG，以及某些 PCGs 中的 AGA 和 AGG。第三，也是实践中最为复杂的，大多数脊椎动物线粒体 PCGs 以不完整终止密码子结束：3′端仅编码一个 T（T_--）或二核苷酸 TA（TA_-），转录后通过多聚腺苷酸化（polyadenylation）补全为功能性 TAA 终止密码子。该现象在鱼类中普遍存在，已在 Siluriformes、Perciformes 和 Cypriniformes 等多个真骨鱼目中观察到。

这些生物学特征直接导致公共数据库 CDS 注释的系统性不一致。Bernt 等曾表明，不完整终止密码子 T_-- 或 TA_- 在 RefSeq 中注释不一致，有些记录包含多聚腺苷酸化补全后的终止密码子，有些仅含部分终止密码子；在某些情况下，一个完整密码子被注释为终止密码子，但按照指定翻译表并非终止密码子。除注释不一致外，下载的 CDS 序列还可能含框内内部终止密码子，这提示线粒体 DNA 核拷贝（nuclear copies of mitochondrial DNA, NUMT）插入，或测序与注释错误；也可能含 IUPAC 模糊碱基（如 N、R、Y），使序列不适合密码子分析。此外，在进行密码子分析（如 K_a/K_s 计算）或相对同义密码子使用（relative synonymous codon usage, RSCU）分析前，输出序列长度必须为严格的三倍数；未强制该要求会引入系统误差。已有 MitoAnnotator、MITOS 和 MitoGeneExtractor 等工具，但它们分别用于鱼类线粒体基因组注释、后生动物线粒体基因组注释或从 NGS 文库提取基因。据作者所知，尚无独立工具用于对已注释的脊椎动物线粒体 CDS 序列进行批量质量控制和标准化。实践中，研究人员常依赖人工检查或临时脚本处理每个数据集，耗时、不一致，且在处理数百或数千条序列时难以重复。因此，Shaoyu Yang 等开展研究，提出 FishMitoCleaner，以满足该需求。

研究人员提出 FishMitoCleaner，一个基于 Python 的开源命令行工具，用于自动预处理和质量控制鱼类及脊椎动物线粒体 CDS 序列。该工具遵循脊椎动物线粒体遗传密码，实施五步顺序流程：字符验证、内部终止密码子扫描、末端 TGA 保护、终止密码子处理（完整和不完整）以及长度标准化。FishMitoCleaner 无需编程技能，可在单条命令中产生清洁、可分析的就绪序列，并生成处理报告和统计图。验证数据为 22 种鱼、代表 7 个目、覆盖全部 13 个线粒体 PCGs 的 286 条 CDS 序列。结果显示，279 条（97.6%）序列成功处理；169 条（59.1%）以完整终止密码子结束，经修剪末端 3 bp 清理；110 条（38.5%）以不完整终止密码子结束，经识别后清理；7 条（2.4%）因框内内部终止密码子被标记为 SKIPPED；无序列以 TGA 结束，也无 NO_STOP 序列。RSCU 比较表明，清洁操作未对密码子使用分析引入偏倚。该工具降低了水生生物学和渔业科学研究者进行严谨、可重复 CDS 质量控制的技术门槛，并可应用于其他脊椎动物线粒体 CDS 数据。

为开展研究，作者采用的主要关键技术方法如下：FishMitoCleaner v1.0.0 为单文件 Python 命令行工具，支持 Python 3.8 及以上，运行于 Windows、MacOS 和 Linux；接受多序列 FASTA 输入，逐条按五步流程处理。第三方依赖包括 Biopython（≥1.70）用于 FASTA 解析和序列处理，Matplotlib（≥2.2）用于生成统计图，Tabulate 用于格式化控制台输出；所有依赖在运行时检查。作者使用 Python 内置 unittest 框架构建 32 个单元和集成测试，覆盖有效与无效字符输入、四种完整终止密码子、四种不完整终止密码子模式、末端 TGA 保留、内部终止密码子检测和长度标准化，所有测试在 Python 3.8 至 3.12 下通过。验证数据集来自 NCBI GenBank，下载 22 种鱼完整线粒体基因组，代表 Pleuronectiformes、Salmoniformes、Cypriniformes、Perciformes、Anguilliformes、Siluriformes 和 Tetraodontiformes 7 个目，依据注释 CDS 特征提取 13 个 PCG 的 CDS，共 286 条序列，使用默认参数处理；种名、分类目和登录号列于补充材料。

研究结果部分包含以下小标题。

3.1 工具工作流程。FishMitoCleaner 实现五步顺序决策流程：字符验证、内部终止密码子扫描、末端 TGA 检测、终止密码子分类与处理（4a/4b/4c）以及长度标准化。每个输入序列按顺序评估。该流程处理所有脊椎动物线粒体 DNA 序列，包括将 TGA 识别为色氨酸而非终止密码子，去除完整终止密码子 TAA、TAG、AGA、AGG，以及去除经多聚腺苷酸化补全的不完整终止密码子 T_--、TA_-、A_--、AG_-。含非 ATCG 字符或框内内部终止密码子的序列被标记并排除于下游分析。

3.2 真实鱼类线粒体 CDS 序列验证。在 286 条输入序列中，279 条（97.6%）成功处理并写入输出 FASTA。其中，169 条（59.1%）以完整终止密码子 TAA、TAG、AGA 或 AGG 结束，通过修剪末端 3 bp 清理；110 条（38.5%）以不完整终止密码子结束，在识别不完整模式后清理；无序列以 TGA 结束，即该数据集中未发现 RETAINED 序列，因为末端 TGA 在鱼类线粒体 PCGs 中非常罕见；7 条（2.4%）因存在框内内部终止密码子被标记为 SKIPPED，提示 NUMT 污染或源数据库记录注释错误；无序列被赋予 NO_STOP 状态。原文结果部分有一处将 7 条写作 22.4%，但按 286 条中 7 条计算应为 2.4%，且图注和比例分布为 2.4%。

3.3 清洗对密码子使用分析的影响。作者选择 RSCU 作为验证指标，因为它对终止密码子处理引起的密码子组成变化敏感。研究人员使用脊椎动物线粒体密码表（NCBI Translation Table 2）计算每个基因全部 60 个有义密码子在清洁前后的 RSCU 值，并计算 13 个 PCGs 的清洁前后平均绝对 RSCU 差值。6 个基因（ATP8、COX1、COX2、COX3、ND3、ND6）的平均 |ΔRSCU| 精确为 0.0000，说明清洁未改变这些基因的 RSCU，因为其 22 条序列清洁后长度未变。7 个基因（ATP6、CYTB、ND1、ND2、ND4、ND4L、ND5）各有 1 条序列被移除，清洁后序列数变为 21，平均 |ΔRSCU| 很低，为 0.0099（ND5）至 0.0229（ND4L）。Welch 独立样本 t 检验显示，任何基因的原始与清洁后 RSCU 值均无显著差异，所有 p > 0.05。因此，FishMitoCleaner 不引入下游密码子使用分析偏倚。

讨论部分总结如下。4.1 主要发现与意义：FishMitoCleaner 严格遵守脊椎动物线粒体遗传密码（NCBI Translation Table 2）。该密码与标准遗传密码存在三个重要差异：TGA 编码色氨酸而非终止信号；AGA 和 AGG 作为终止密码子；不完整终止密码子 T_-- 和 TA_- 经多聚腺苷酸化补全。若预处理未考虑这些特征，例如使用标准密码子工具，会在密码子使用谱分析、K_a/K_s 估计和系统发育重建中造成沉默但严重的错误。FishMitoCleaner 在单一自动化流程中解决这三个问题，是其主要贡献。原文讨论部分将处理比例写作 96.6%，而摘要和结果部分报告为 97.6%，存在数值不一致。

4.2 验证结果解释：数据集中 38.5% 的序列含不完整终止密码子，说明脊椎动物线粒体存在多聚腺苷酸化补全终止，也与许多真骨鱼研究一致。例如，鲤科鱼类 Microphysogobio elongatus 的 13 个 PCGs 中有 7 个以 T 或 TA 终止，南极 notothenioids 和 Mahseer 物种中也发现类似模式。该结果反映鱼类线粒体 CDS 的真实生物学特征，而非数据集特异假象。因此，任何鱼类线粒体 CDS 预处理流程都应将不完整终止密码子作为标准步骤，而非例外情况。7 条（2.4%）因框内内部终止密码子被 SKIPPED，突出公共数据库如 GenBank 中含有不可忽略比例的可能 NUMT 插入或注释错误，工具提供简单透明的方法识别并排除这些序列，保护下游分析免受非功能性拷贝影响。RSCU 比较显示清洁操作未显著影响密码子使用，最大平均 |ΔRSCU| 为 0.0229（ND4L），所有基因和密码子均无显著差异（所有 p > 0.05），支持 FishMitoCleaner 作为密码子使用分析前预处理步骤的有效性。

4.3 工具设计与可及性：FishMitoCleaner 的接口面向水生生物学和渔业科学研究者设计，这些研究者经常处理线粒体基因组，但缺乏编写自定义序列处理脚本的编程技能。通过单条命令行调用、合理默认值和内置演示模式，工具消除了人工检查或非正式脚本带来的技术障碍。自动生成逐序列处理报告和出版质量的统计图，减少记录和分发结果所需时间，这虽常被忽视，但越来越受具有数据透明要求的期刊重视。

4.4 与现有工具关系：MitoAnnotator 和 MITOS 用于注释完整线粒体组装，MitoGeneExtractor 用于从原始测序文库提取目标基因。这些工具均不执行 FishMitoCleaner 所解决的任务，即对已提取、已注释的 CDS 序列进行批量质量控制和标准化，并明确遵循脊椎动物线粒体遗传密码。因此，FishMitoCleaner 补充而非替代现有注释和提取流程， occupying 数据库下载与下游分析之间在文献中处理不一致的步骤。

4.5 其他脊椎动物可扩展性：尽管使用鱼类数据验证，FishMitoCleaner 也适用于任何脊椎动物类群的线粒体 CDS，因为脊椎动物线粒体遗传密码（NCBI Translation Table 2）为所有脊椎动物类群共享，包括哺乳类、鸟类、爬行类和两栖类。随着测序成本持续下降和线粒体基因组数据库增长，需要预处理的公共脊椎动物 CDS 序列数量将增加，FishMitoCleaner 提供可直接应用的解决方案，无需修改。

4.6 局限与未来方向：FishMitoCleaner 有三个主要局限：仅实现脊椎动物线粒体密码，不能应用于无脊椎动物序列；使用预提取 CDS 序列，不执行基因组注释或从原始线粒体基因组预测基因边界；NO_STOP 序列被保留并给出警告，但需人工检查。此外，验证基于 22 个物种，以 RSCU 为主要指标。未来工作应包括更多物种，尤其是已知线粒体基因组结构变异的物种，以及 K_a/K_s 比值和氨基酸组成分析等补充指标。自然发生的编码区插入或缺失可能产生长度非三倍数的序列，此时 FishMitoCleaner 会修剪末端核苷酸以满足要求，但这可能不生物学合理，用户应逐条检查此类序列。未来版本将通过支持更多线粒体密码、注释流程和与下游分析平台兼容的输出格式来解决这些局限。

研究结论翻译：FishMitoCleaner 是一种实用、可重复且易于使用的解决方案，用于预处理鱼类线粒体蛋白编码 CDS 序列，能够正确处理脊椎动物线粒体遗传密码，并且不对下游密码子使用分析引入偏倚。FishMitoCleaner 降低了水生科学家和渔业科学家的技术门槛，并可用于其他脊椎动物物种的线粒体 CDS 数据。