gTranslate: rapid and accurate translation table prediction for prokaryotic genomes

本文介绍了 gTranslate，这是一种计算高效的机器学习工具，能够在无需预先进行分类学分类的情况下，准确预测原核基因组的翻译表，其准确率超过 99.99%，并能够发现特定细菌谱系中的新型遗传密码变异。

要点

想象一下，每个生物体都拥有一本秘密指令手册，用仅由四个字母组成的语言书写。要阅读这本手册并理解生物体如何构建其蛋白质（即其基本构件），你需要一个特定的“解码环”或翻译表。对于大多数细菌而言，这个解码环是标准的，但有些细菌却替换了某些符号——例如，将某个特定氨基酸的“终止”信号改为“继续”信号。

问题在于，科学家往往需要在确切知道所观察的是哪种细菌之前，就先阅读这些手册。目前，他们不得不根据细菌的科属名称（而他们可能尚未知晓）来猜测应使用哪种解码环，或者依赖粗略的经验法则。这就像试图用外语读书，却不知道该抓哪本字典，常常导致困惑或错误。

gTranslate 登场：智能解码环

本文介绍了一种名为gTranslate的新工具。它就像一个超级智能的自动化翻译器，无需你事先告知细菌的名称。它不再靠猜测，而是利用由五种不同“侦探”（机器学习方法）组成的团队，审视 DNA 中的特定线索：

1. 指令的拥挤程度：它会检查基因的紧密排列程度。
2. “终止”信号之谜：它会专门寻找一个名为"UGA"的符号。在标准细菌中，UGA 意味着“终止”。但在某些奇特的细菌中，UGA 意味着“色氨酸”（一种基本构件）或“甘氨酸”。gTranslate 通过统计这种转换发生的频率，来推断实际使用的是哪种解码环。

为何意义重大

作者们在数千个细菌基因组上测试了 gTranslate，其准确率极高——超过 99.99% 的情况下都能给出正确答案。为了便于理解，如果你用该工具分析 10,000 种不同的细菌，其出错次数将少于一次。此外，它的运行速度和效果都远优于科学家此前使用的笨拙方法。

新发现

由于 gTranslate 极其擅长识别这些隐藏规则，研究人员发现了一些令人惊讶的事实：

• 他们发现了一个特定的细菌类群（Ca. Stammera capleta 的一个谱系），原本被认为使用"UGA = 色氨酸”的转换，但 gTranslate 显示它们实际上遵循标准的"UGA = 终止”规则。这就像发现一个被所有人认为说法语的家族，实际上却讲英语。
• 他们在一个名为 Patescibacteriota 的类群中，找到了首批使用"UGA = 色氨酸”转换的细菌实例。这意味着该特定细菌类群是独一无二的，因为其成员能够使用三种不同类型的解码环（表 4、表 11 和表 25），这是其他任何细菌类群尚未被知晓所能做到的。

简而言之，gTranslate 是一款快速且高度准确的工具，能够自动解析细菌如何解读其遗传指令，解决了科学家面临的一大难题，并揭示了生命解读自身密码的新秘密。

技术摘要

技术摘要：gTranslate

问题陈述
准确预测蛋白质编码基因是进行原核生物基因组大多数生物信息学分析的前提。然而，将这些基因翻译成蛋白质需要指定正确的遗传密码（翻译表）。目前，这一指定依赖于两种次优方法：基于已知分类学分类的手动输入，或基于基因编码密度的启发式规则。这两种方法都存在显著局限性。手动指定既不方便，而且对于缺乏分类学数据的新颖或未分类生物体而言往往不可行。相反，基于编码密度的启发式规则可能不准确，并且难以区分不同的遗传密码，特别是在复杂或异常基因组中。

方法
为解决这些挑战，作者开发了gTranslate，这是一款计算高效的工具，旨在自动且准确地预测原核生物基因组的翻译表。gTranslate 的核心是一个集成机器学习框架，融合了五种不同的机器学习方法。

该工具利用特定的特征向量进行预测，主要依赖两种生物信号：

1. 基因编码密度：分析在不同翻译表下预测基因时所产生的编码密度差异。
2. 终止密码子重分配指标：具体量化 UGA 终止密码子重分配为色氨酸或甘氨酸的数量及比例。

通过在集成模型中结合这些特征，gTranslate 避免了更复杂预测方法的计算开销，同时保持了高准确度。

关键结果
对 gTranslate 的评估显示出卓越的性能：

• 准确度：该工具在超过**99.99%**的情况下正确预测了原核生物基因组的翻译表，相当于每 10,000 个基因组中错误少于一次。
• 性能比较：gTranslate 的表现优于计算成本更高的预测方法，也优于当前流行生物信息学工具所使用的编码密度启发式规则。
• 生物学发现：将 gTranslate 应用于真实世界数据得出了具体的生物学见解：
  • 它鉴定出一个基础的 Candidatus Stammera capleta 谱系，该谱系使用标准细菌遗传密码，这与该物种其他成员中常见的 UGA 到色氨酸的重分配形成对比。
  • 它在Patescibacteriota门内检测到了 UGA 到色氨酸重分配的首例。这一发现确立了 Patescibacteriota 为已知首个包含能够使用翻译表 4、11 和 25 的成员的细菌门。

意义
本文将 gTranslate 定位为原核生物基因组学的一项关键进展，因为它消除了对翻译表指定所需先验分类学知识的依赖。通过提供一种快速、自动化且高度准确的解决方案，gTranslate 使得对分类未知或模糊的基因组进行可靠分析成为可能。此外，该工具检测遗传密码细微变化的能力有助于发现新的进化谱系，并扩展了已知细菌遗传密码的多样性。