基因结构预测评估：外显子/内含子准确性、CDS完整性、起始/终止密码子

这章聊的东西，是基因注释评估里最“硬”的一块。说白了，你预测出来的基因，到底像不像个真家伙？我们得拆开看——外显子边界对不对，内含子切得准不准，编码区有没有断，起始和终止密码子是不是在正确的位置上。

我在实际项目中见过太多案例了。有些软件跑出来看着很漂亮，一堆基因注释，一检查边界全偏了。嗯，今天就把这几个关键点的评估方法捋清楚。

外显子/内含子准确性——边界就是命

先说说外显子的评估。外显子准确不准确，核心看两条：

• 一级准确率：预测的外显子跟真实外显子是否能完全匹配
• 二级准确率：边界重叠但允许小幅偏差

我个人习惯用 gffcompare 做评估，它会自动算出精确率、召回率和F1值。举个例子：

# 假设你有一个参考注释集 reference.gtf 和预测结果 prediction.gtf
gffcompare -r reference.gtf -o compare_out prediction.gtf
# 输出文件 compare_out.stats 会给出 exon level 的评估指标
cat compare_out.stats | grep "Exon"

输出里你会看到类似这样的内容：

# Exon level
Precision  0.923
Recall     0.891
F1         0.907

0.907的F1值算不错了。但我得提醒你——光看这个数字不够。你得仔细看看那些未匹配上的外显子到底长什么样。

CDS完整性——编码区不能断

外显子边界对了，不代表编码区就完整。你想想看，一个基因预测出来，外显子坐标都对，但CDS中间有终止密码子，或者阅读框移了位——这就是个大问题了。

CDS完整性评估我通常做以下几个检查：

1. 是否被内部终止密码子打断：真核生物基因不应该有
2. 是否为3的倍数：编码区长度必须是3的整数倍
3. 起始和终止密码子是否都存在：缺一个就是半成品

我自己写了个小脚本，专门用来扫描预测CDS序列：

#!/usr/bin/env python3
def check_cds_integrity(cds_seq):
    # 检查长度是否为3的倍数
    if len(cds_seq) % 3 != 0:
        return "FAIL: CDS length not multiple of 3"
    # 检查起始密码子
    if cds_seq[:3].upper() not in ['ATG', 'GTG', 'TTG']:
        return "FAIL: no valid start codon"
    # 检查内部终止密码子
    stop_codons = ['TAA', 'TAG', 'TGA']
    for i in range(3, len(cds_seq)-3, 3):
        if cds_seq[i:i+3].upper() in stop_codons:
            return "FAIL: internal stop codon at position " + str(i+1)
    # 检查终止密码子
    if cds_seq[-3:].upper() not in stop_codons:
        return "FAIL: no stop codon at end"
    return "PASS: CDS intact"

# 使用示例
cds = "ATGGCTAGCTGA"
print(check_cds_integrity(cds))

起始/终止密码子——定位验证的最后一关

起始和终止密码子的评估，我把它看成基因注释的“守门员”。你想想看，如果连起始密码子都找不准，后面的分析还怎么站得住脚？

常见的起始密码子有这些：

密码子	优先性	适用情况
ATG	极高	几乎所有真核生物
GTG	低	某些原核生物非标准起始
TTG	极低	罕见替代起始

评估时，我会做两件事：

• 定量检查：统计预测到的起始/终止密码子位置，看是否跟参考注释一致
• 定性检查：验证密码子上下游的序列特征（Kozak序列等）

来看个具体的验证脚本片段：

#!/bin/bash
# 提取预测基因的起始密码子上下游 50bp
awk '$3 == "start_codon" {print $1, $4-50, $4+50}' prediction.gtf > start_flanks.bed
# 跟参考注释比较
bedtools intersect -a start_flanks.bed -b reference_start.bed -f 0.5 | wc -l

这个做法可以用来快速评估起始密码子的定位精度。如果大部分预测起始位置跟参考重叠，那么定位是可靠的。