《Molecular Ecology Resources》：Combining Annotation Software to Identify Orthologous Genes (CASIO) Provides a New Dataset of Orthologous Genes for Swallowtail Butterflies
编辑推荐：
随着基因组资源的急剧增长，跨多个物种分析数千个位点的研究方法日益普及。然而，许多可用的基因组尚未进行注释，这阻碍了直系同源蛋白编码基因的高效搜寻。本研究旨在开发一套半自动化流程，并比较四种基因组注释方法（BRAKER2、BUSCO、Miniprot和Scipi
随着基因组资源的急剧增长，跨多个物种分析数千个位点的研究方法日益普及。然而，许多可用的基因组尚未进行注释，这阻碍了直系同源蛋白编码基因的高效搜寻。本研究旨在开发一套半自动化流程，并比较四种基因组注释方法（BRAKER2、BUSCO、Miniprot和Scipio）。研究结果凸显了整合多种注释工具以优化直系同源基因检测和改善基因组研究的重要性。每种注释方法展现出不同的优势：BRAKER2注释了大量基因；BUSCO尽管受其参考数据库固有局限性的制约，仍鉴定出更多数量的直系同源基因；Miniprot在容纳多样化蛋白质数据集方面表现出显著灵活性；而Scipio成功恢复了其他工具未能检测到的大量基因。这些工具的组合实现了更全面的直系同源基因检测。利用该流程，研究人员为燕尾蝶（鳞翅目：凤蝶科）开发了一套全面的直系同源基因数据集，命名为Papilionidae_odb，这将促进未来的研究，尤其是针对基因组数据丰富而转录组资源匮乏的非模式类群。研究人员通过利用142个完整基因组推断Leptocircini族的稳健系统发育框架来测试Papilionidae_odb，该数据集改善了一些系统发育关系的分支支持度，尽管在某些物种组内的关系解析仍面临挑战，这可能是由于快速辐射进化所致。研究结果凸显了注释方法的互补性，并表明组合这些工具可以在基因组研究中产生更精确的结果。该方法已在一个名为CASIO（整合注释软件鉴定直系同源基因）的Snakemake工作流程中实现，可轻松应用于其他非模式类群，以改善转录组资源仍然有限的多样性分类群的基因组数据集。
**论文解读：整合多注释策略构建燕尾蝶直系同源基因数据集CASIO与Papilionidae_odb**
**一、研究背景与科学问题**
基因组学已成为进化生物学的核心研究领域。随着测序技术的快速发展，完整基因组序列的获取成本不断降低，海量基因组数据以前所未有的速度积累，涵盖了大量非模式物种。这些数据为研究系统发育关系、分子进化与适应性机制提供了重要契机。然而，数据丰裕的同时也带来了显著的分析挑战，尤其是基因组注释这一关键环节。传统的高精度注释流程（如BRAKER2、MAKER）通常依赖RNA-seq数据或精心训练的参考数据集，而这些资源对许多非模式物种而言极为稀缺。此外，这些流程对基因组组装质量要求较高，低片段化程度和有效的重复序列屏蔽是保证基因模型推断准确性的前提，且计算开销巨大，难以应对大规模比较基因组学分析的需求。与此同时，直系同源基因的准确鉴定是系统发育重建和功能注释的基础，但在缺乏高质量结构注释的情况下，从非模式基因组中高效提取直系同源基因仍是一大瓶颈。鳞翅目昆虫（蝴蝶和蛾类，超过16.5万种）是检验上述方法的重要模型类群，其基因组组装数量已超过750个，而转录组数据仅约250个，两者之间的显著失衡凸显了开发不依赖转录组资源的注释与直系同源基因挖掘策略的迫切性。凤蝶科（Papilionidae）作为鳞翅目中的重要分支，具有丰富的基因组资源和相对匮乏的转录组数据，为验证和优化此类流程提供了理想的研究体系。本研究旨在开发一套整合多种注释方法、自动化且可复现的生信流程，以直接从基因组组装中高效获取直系同源基因，推动非模式类群的进化基因组学研究。
**二、研究方法与主要技术**
研究人员构建了名为CASIO（Combining Annotation Software to Identify Orthologous Genes）的自动化Snakemake流程，整合了四种互补的基因组注释策略：BRAKER2（基于ab initio预测与同源证据整合的自动注释流程）、BUSCO（基于单拷贝直系同源基因数据库的完整性评估工具）、Miniprot（快速蛋白质-基因组比对工具）和Scipio（基于蛋白质比对重建基因结构的同源注释工具）。以30个覆盖凤蝶科全部亚科和族的高质量基因组为材料（基于scaffold N50值筛选），并以三个凤蝶科物种——Ornithoptera alexandrae、Papilio xuthus和Parnassius apollo的蛋白质组作为参考查询序列。注释完成后，使用OrthoFinder进行直系同源基因聚类（1:1直系同源和有限旁系同源），经MACSE进行密码子感知的多序列比对，并利用HmmCleaner和PhylteR进行比对清洗和异常序列过滤。通过基于图论的定制Python脚本比对不同注释方法获得的直系同源基因比对（OGA），并依据序列长度、GC含量、gap比例和dN/dS值评估各方法产生的比对质量，确定最优的注释优先策略，最终构建HMM（隐马尔可夫模型）配置文件以用于新物种基因的快速搜寻。为验证数据集效用，研究人员从近期一项系统发育组学研究（Reboud et al. 2025，BioProject PRJNA1131164）中获取142个Leptocircini族物种的完整基因组，利用HMMER进行双向搜索（hmmsearch和hmmscan）鉴定直系同源基因，并通过MACSE的enrichAlignment模块将新序列整合入现有比对中，再用ASTRAL和wASTRAL进行物种树推断以评估数据集在系统发育重建中的表现。
**三、研究结果**
**1. 注释方法的比较**
对27个凤蝶科物种的注释结果显示，四种方法在基因数量上存在显著差异。BRAKER2注释的基因数量最多，平均每个物种约23,677个基因，这与其整合了ab initio预测和同源证据的设计特点一致。BUSCO受限于其参考数据库规模（Lepidoptera_odb10含5286个直系同源基因），检测到的基因数量相对较少，但恢复效率较高（81%–98.8%）。Miniprot和Scipio分别平均注释到13,868和8091个基因。通过OMArk评估注释质量发现，BRAKER2虽完整性最高（96.5%），但同时也产生了大量未知蛋白（23%）和不一致蛋白（4.8%），相对而言Miniprot和Scipio的注释更为保守但假阳性风险更低。这表明注释广度和准确性之间存在权衡关系。
**2. 直系同源基因群的鉴定**
BUSCO在鉴定跨物种共享的直系同源基因方面表现最优，尤其在超过21个物种共享的类别中恢复最多（4955个基因），这归因于其基于高度保守单拷贝直系同源基因数据库的设计。BRAKER2、Miniprot和Scipio鉴定的直系同源基因群总数分别为8217、7553和8575个，其中Scipio在高物种共享类别中恢复的直系同源基因相对较少。各方法在包含旁系同源基因的情况下均能额外恢复大量基因（+382至+3191不等），表明充分考虑旁系同源基因可显著扩展数据集的覆盖范围。
**3. 注释方法间的共有比对**
经数据清洗后，各方法获得的直系同源基因比对（OGA）数量分别为：BUSCO 4706个、BRAKER2 4792个、Miniprot 6858个和Scipio 7581个。四种方法组合共产生11,416个独特的OGA。Miniprot和Scipio之间的共享OGA数量最多（4776个，占41.84%），反映了两者基于蛋白质推断基因结构的相似性。方法特异性OGA方面，Scipio的独有数量最高（1268个），其次为Miniprot（1188个）、BRAKER2（986个）和BUSCO（534个）。值得注意的是，3743个OGA由单一方法鉴定，占总数的32.79%，充分说明不同注释策略具有高度互补性，整合多种方法可显著提升直系同源基因的检出率。
**4. 比对质量比较**
对四种方法共享的OGA序列进行质量比较后发现，序列长度和GC含量在各方法间无显著差异。然而，gap比例在BRAKER2与BUSCO中显著高于Miniprot和Scipio。dN/dS比值分析显示，Scipio的平均dN/dS值最低（0.059），表明其产生的比对具有最高的序列保守性和最低的噪声水平；BUSCO的dN/dS值最高（0.080），提示其注释结果引入了较多错误信号。基于以上结果，研究人员建议优先采用Scipio的OGA，其次为Miniprot、BRAKER2和BUSCO。但为便于与Reboud et al.（2025）的研究进行比较，当前版本Papilionidae_odb数据集设置了BUSCO优先的策略，该优先级在CASIO流程中可灵活配置。
**5. Papilionidae_odb数据集的构建**
基于11,416个OGA构建的HMM配置文件已整合为Papilionidae_odb数据集，涵盖凤蝶科全部物种的直系同源基因信息。利用该数据集进行的系统发育推断在所有分支上均获得了最大支持，验证了数据集的可靠性和实用性。
**6. Leptocircini族的系统发育基因组学分析**
利用Papilionidae_odb数据集（经142个Leptocircini物种基因组富集后包含10,702个直系同源基因）重建的物种树与Reboud et al.（2025）基于1402个BUSCO基因的结果高度一致，但存在四处拓扑差异。其中两处涉及Graphium属内的物种组排列：policenes物种组不再与kirbyi物种组构成姐妹群，而是位于更基部分支位置（LPP=1，对比Reboud et al.的0.34）；macleayanus物种组被置于更晚分化位置，使agamemnon物种组与sarpedon物种组成为最近的亲缘类群（LPP=1，对比之前的0.40）。另外两处涉及小型三物种分支的姐妹关系变化。整体而言，更新的物种树在骨架分支上支持度显著增强，大部分分支LPP=1，仅三个分支支持度非最大，其中deucalion物种组内G. idaeoides和G. encelades所在分支的支持度出现明显下降（LPP=0.26，对比之前的0.99）。ASTRAL与wASTRAL推断的拓扑完全一致，但wASTRAL在少数低支持节点上提供了接近完全支持（LPP>0.999），表明这些节点可能是由短分支导致的快速辐射或不完全谱系分选所致。
**四、讨论与结论**
本研究系统比较了四种基因组注释方法在凤蝶科中的表现，揭示了它们各自的优势与局限。BRAKER2在基因恢复数量上最为突出，但计算负担大且可能引入更多假阳性；BUSCO在检测高度保守的共享直系同源基因方面效率最高，但受限于参考数据库的覆盖范围；Miniprot速度快、灵活性强且比对质量较高；Scipio虽恢复的基因总数较少，但能产生质量更高的比对，且能鉴定出其他方法无法检测到的独特基因。这种互补性表明，整合多种注释策略是优化直系同源基因检测的有效途径。基于这一理念开发的CASIO流程和Papilionidae_odb数据集为凤蝶科提供了超过11,000个直系同源基因的宝贵资源，是现有BUSCO数据库的重要补充。将其应用于Leptocircini族系统发育重建时（数据集约为先前研究的8倍），显著提升了分支支持度，尤其是Lamproptera与Iphiclides的姐妹群关系从LPP=0.31提升至1.0。但对于某些快速辐射产生的短分支，即使增加基因数量也难以完全解决其系统发育关系，这可能涉及不完全谱系分选或杂交等生物过程的干扰。CASIO作为模块化、容器化的全自动流程，具有良好的可推广性，可广泛应用于其他转录组资源有限的非模式类群，为大规模比较基因组学研究提供了标准化和可复现的分析方案。未来，将CASIO推广至更多昆虫类群将有助于建立跨物种的标准化直系同源基因资源库，促进进化生物学和生态基因组学研究的深入发展。
