🧬 04 · 基因结构与注释(ORF / 6 框翻译 / GFF)¶
有了基因序列,怎么找到基因?原核生物基因 = 由起始密码子开始、 到终止密码子结束的开放阅读框(ORF)。本节:遗传密码表、 6 框翻译手写、ORF 检测、GFF 注释文件解析。
📋 本节要解决的问题¶
- 标准遗传密码:64 密码子 → 20 氨基酸 + 3 终止,怎么查表?
- 6 框翻译是什么?为什么真核注释更复杂(内含子)?
- ORF 怎么检测?起始/终止密码子有哪些?
- GFF 注释文件什么格式?
1️⃣ 遗传密码表¶
64 个密码子中:61 个编码氨基酸,3 个终止(TAA/TAG/TGA),1 个起始兼甲硫氨酸(ATG=M)。
记忆技巧:密码子表按第一二位碱基分组,同组多为同族氨基酸(如 Gxx ≈ 甘/丙等小氨基酸)。
Copied!
# 标准遗传密码表(完整 64 项)
BASES = 'TCAG' # 按行序排表
codontable = {}
aa_order = 'FFLLSSSSYY**CC*W LLLLPPPPHHQQRRRR IIIMTTTTNNKKSSRR VVVVAAAADDEEGGGG'
aa_order = aa_order.replace(' ', '')
k = 0
for b1 in BASES:
for b2 in BASES:
for b3 in BASES:
codontable[b1 + b2 + b3] = aa_order[k]
k += 1
print('密码子表大小:', len(codontable), '(64 全覆盖)')
print('ATG =', codontable['ATG'], '(起始/甲硫氨酸 M)')
print('TAA =', codontable['TAA'], '(终止 *)')
print('TAG =', codontable['TAG'], ' TGA =', codontable['TGA'])
assert len(codontable) == 64
assert codontable['ATG'] == 'M' and codontable['TAA'] == '*'
print('✅ 完整遗传密码表加载正确')
# 标准遗传密码表(完整 64 项)
BASES = 'TCAG' # 按行序排表
codontable = {}
aa_order = 'FFLLSSSSYY**CC*W LLLLPPPPHHQQRRRR IIIMTTTTNNKKSSRR VVVVAAAADDEEGGGG'
aa_order = aa_order.replace(' ', '')
k = 0
for b1 in BASES:
for b2 in BASES:
for b3 in BASES:
codontable[b1 + b2 + b3] = aa_order[k]
k += 1
print('密码子表大小:', len(codontable), '(64 全覆盖)')
print('ATG =', codontable['ATG'], '(起始/甲硫氨酸 M)')
print('TAA =', codontable['TAA'], '(终止 *)')
print('TAG =', codontable['TAG'], ' TGA =', codontable['TGA'])
assert len(codontable) == 64
assert codontable['ATG'] == 'M' and codontable['TAA'] == '*'
print('✅ 完整遗传密码表加载正确')
密码子表大小: 64 (64 全覆盖) ATG = M (起始/甲硫氨酸 M) TAA = * (终止 *) TAG = * TGA = * ✅ 完整遗传密码表加载正确
Copied!
COMP = {'A': 'T', 'T': 'A', 'C': 'G', 'G': 'C', 'N': 'N'}
def revcomp(seq):
return ''.join(COMP.get(b, 'N') for b in reversed(seq.upper()))
def translate(seq):
seq = seq.upper().rstrip()
# 去掉不完整尾部
seq = seq[:len(seq) - len(seq) % 3]
return ''.join(codontable.get(seq[i:i+3], '?') for i in range(0, len(seq), 3))
dna = 'ATGGCCCAATAA' # 长度 12,正好 4 密码子
print('DNA :', dna)
print('蛋白:', translate(dna), '(M-A-Q-*,手算 M A Q stop)')
assert translate(dna) == 'MAQ*'
print('✅ 翻译正确(ATG=M, GCC=A, CAA=Q, TAA=*)')
COMP = {'A': 'T', 'T': 'A', 'C': 'G', 'G': 'C', 'N': 'N'}
def revcomp(seq):
return ''.join(COMP.get(b, 'N') for b in reversed(seq.upper()))
def translate(seq):
seq = seq.upper().rstrip()
# 去掉不完整尾部
seq = seq[:len(seq) - len(seq) % 3]
return ''.join(codontable.get(seq[i:i+3], '?') for i in range(0, len(seq), 3))
dna = 'ATGGCCCAATAA' # 长度 12,正好 4 密码子
print('DNA :', dna)
print('蛋白:', translate(dna), '(M-A-Q-*,手算 M A Q stop)')
assert translate(dna) == 'MAQ*'
print('✅ 翻译正确(ATG=M, GCC=A, CAA=Q, TAA=*)')
DNA : ATGGCCCAATAA 蛋白: MAQ* (M-A-Q-*,手算 M A Q stop) ✅ 翻译正确(ATG=M, GCC=A, CAA=Q, TAA=*)
3️⃣ 手算示例:三段手译¶
① ATG GCT TAA → 起始 M,GCT=丙氨酸 A,TAA=终止 → **M A *** ② ATG GGG → M G (GGG=甘氨酸 G) ③ TAA 开头 → 终止密码子不编码 → 从后续 ATG 才可能开始
验证:GCT 查表 → 第一二位 GC:碱基 G + C → GCC/GCT/GCG/GCA 均为丙氨酸 A(同族), GGG → 第一二位 GG → GGT/GGC/GGA/GGG = 甘氨酸 G。
Copied!
# 验证手算
print('ATG GCT TAA →', translate('ATGGCTTAA')) # MA*
print('ATG GGG →', translate('ATGGGG')) # MG
print('TAA ATG GGG →', translate('TAAATGGGG')) # *MG(TAA 先出现)
t1 = translate('ATGGCTTAA'); t2 = translate('ATGGGG')
print('GCT 查表 =', codontable['GCT'], ' GGG 查表 =', codontable['GGG'])
assert t1 == 'MA*' and t2 == 'MG' and codontable['GCT'] == 'A' and codontable['GGG'] == 'G'
print('✅ 手译三段全部验证通过')
# 验证手算
print('ATG GCT TAA →', translate('ATGGCTTAA')) # MA*
print('ATG GGG →', translate('ATGGGG')) # MG
print('TAA ATG GGG →', translate('TAAATGGGG')) # *MG(TAA 先出现)
t1 = translate('ATGGCTTAA'); t2 = translate('ATGGGG')
print('GCT 查表 =', codontable['GCT'], ' GGG 查表 =', codontable['GGG'])
assert t1 == 'MA*' and t2 == 'MG' and codontable['GCT'] == 'A' and codontable['GGG'] == 'G'
print('✅ 手译三段全部验证通过')
ATG GCT TAA → MA* ATG GGG → MG TAA ATG GGG → *MG GCT 查表 = A GGG 查表 = G ✅ 手译三段全部验证通过
4️⃣ ORF 检测¶
ORF(开放阅读框):从 ATG 起始、到 TAA/TAG/TGA 终止、无中途终止的连续编码区。
原核注释常用简化规则:长度 ≥ 阈值(如 300bp)且被 3 整除。 6 框全扫,每框找「ATG...终止」的最长片段。
Copied!
def find_orfs(seq, min_len=6, start='ATG', stops=('TAA', 'TAG', 'TGA')):
"找 6 框中的 ORF:起始密码子必须与所在 frame 的相位对齐(i % 3 == frame)"
orfs = []
seq = seq.upper()
# 每帧携带相位 p:该 frame 从第 p 位起每 3bp 一组
frames = [(seq, p) for p in range(3)] + [(revcomp(seq), p) for p in range(3)]
for s, p in frames:
for i in range(len(s) - 2):
if i % 3 != p: # 相位约束:ATG 必须落在本 frame 的密码子边界
continue
if s[i:i+3] == start:
for j in range(i + 3, len(s) - 2, 3):
if s[j:j+3] in stops:
if j - i >= min_len * 3:
orfs.append(('frame+' + str(p), i, j + 3, s[i:j+3]))
break
return orfs
# 一段含 ATG 开头、后面是完整编码、TAA 终止的序列(5 个编码密码子后终止)
seq = 'TTATCC' + 'ATG' + 'GCA' + 'CAA' + 'ACC' + 'GCT' + 'TTA' + 'TAA' + 'TAGG'
orfs = find_orfs(seq)
print('检测到 ORF 数:', len(orfs))
for f, i, j, s in orfs:
print(' frame=%s pos=[%d,%d) 长度=%d 翻译=%s' % (f, i, j, len(s), translate(s)))
assert len(orfs) == 1 and translate(orfs[0][3]).endswith('*')
print('✅ ORF 检测完成')
def find_orfs(seq, min_len=6, start='ATG', stops=('TAA', 'TAG', 'TGA')):
"找 6 框中的 ORF:起始密码子必须与所在 frame 的相位对齐(i % 3 == frame)"
orfs = []
seq = seq.upper()
# 每帧携带相位 p:该 frame 从第 p 位起每 3bp 一组
frames = [(seq, p) for p in range(3)] + [(revcomp(seq), p) for p in range(3)]
for s, p in frames:
for i in range(len(s) - 2):
if i % 3 != p: # 相位约束:ATG 必须落在本 frame 的密码子边界
continue
if s[i:i+3] == start:
for j in range(i + 3, len(s) - 2, 3):
if s[j:j+3] in stops:
if j - i >= min_len * 3:
orfs.append(('frame+' + str(p), i, j + 3, s[i:j+3]))
break
return orfs
# 一段含 ATG 开头、后面是完整编码、TAA 终止的序列(5 个编码密码子后终止)
seq = 'TTATCC' + 'ATG' + 'GCA' + 'CAA' + 'ACC' + 'GCT' + 'TTA' + 'TAA' + 'TAGG'
orfs = find_orfs(seq)
print('检测到 ORF 数:', len(orfs))
for f, i, j, s in orfs:
print(' frame=%s pos=[%d,%d) 长度=%d 翻译=%s' % (f, i, j, len(s), translate(s)))
assert len(orfs) == 1 and translate(orfs[0][3]).endswith('*')
print('✅ ORF 检测完成')
检测到 ORF 数: 1 frame=frame+0 pos=[6,27) 长度=21 翻译=MAQTAL* ✅ ORF 检测完成
5️⃣ GFF 注释文件解析¶
GFF3 每行 9 列(tab 分隔):
seqid source type start end score strand phase attributes
| 列 | 含义 |
|---|---|
| seqid | 染色体/contig |
| type | gene / mRNA / CDS / exon ... |
| start, end | 1-based 坐标 |
| strand | + / - |
| attributes | ID=...;Name=...
Copied!
def parse_gff(text):
"解析 GFF3 -> [{seqid,type,start,end,strand,attrs}]"
feats = []
for line in text.splitlines():
line = line.strip()
if not line or line.startswith('#'):
continue
f = line.split('\t')
if len(f) < 9:
continue
feats.append({'seqid': f[0], 'type': f[2], 'start': int(f[3]),
'end': int(f[4]), 'strand': f[6], 'attrs': f[8]})
return feats
gff = '''##gff-version 3
chr1 Augustus gene 1000 2000 . + . ID=gene1
chr1 Augustus CDS 1000 1500 . + 0 Parent=gene1
chr1 Augustus CDS 1600 2000 . + 1 Parent=gene1'''
feats = parse_gff(gff)
print('解析特征数:', len(feats))
for ft in feats:
print(' %s %s %d-%d (%s)' % (ft['seqid'], ft['type'], ft['start'], ft['end'], ft['strand']))
assert len(feats) == 3 and feats[0]['type'] == 'gene'
print('✅ GFF3 解析完成(CDS 由两个 exon 拼接,phase 0/1)')
def parse_gff(text):
"解析 GFF3 -> [{seqid,type,start,end,strand,attrs}]"
feats = []
for line in text.splitlines():
line = line.strip()
if not line or line.startswith('#'):
continue
f = line.split('\t')
if len(f) < 9:
continue
feats.append({'seqid': f[0], 'type': f[2], 'start': int(f[3]),
'end': int(f[4]), 'strand': f[6], 'attrs': f[8]})
return feats
gff = '''##gff-version 3
chr1 Augustus gene 1000 2000 . + . ID=gene1
chr1 Augustus CDS 1000 1500 . + 0 Parent=gene1
chr1 Augustus CDS 1600 2000 . + 1 Parent=gene1'''
feats = parse_gff(gff)
print('解析特征数:', len(feats))
for ft in feats:
print(' %s %s %d-%d (%s)' % (ft['seqid'], ft['type'], ft['start'], ft['end'], ft['strand']))
assert len(feats) == 3 and feats[0]['type'] == 'gene'
print('✅ GFF3 解析完成(CDS 由两个 exon 拼接,phase 0/1)')
解析特征数: 3 chr1 gene 1000-2000 (+) chr1 CDS 1000-1500 (+) chr1 CDS 1600-2000 (+) ✅ GFF3 解析完成(CDS 由两个 exon 拼接,phase 0/1)
✅ 自测清单¶
- 能背出 3 个终止密码子与起始密码子
- 能手写翻译(查表)与 6 框翻译
- 能实现 ORF 检测(ATG→终止)
- 能解析 GFF 并解释 CDS/exon 关系