4. 目标基因的密码子优化与序列设计

把一段来自真核生物、病毒或古菌的目标基因放进大肠杆菌表达，序列本身往往并不是“为大肠杆菌写的”。即使氨基酸序列完全正确，密码子选择、GC 分布、mRNA 折叠方式以及 5′ 端编码区都可能让翻译效率相差数倍甚至数十倍。密码子优化不是简单地把所有稀有密码子替换成高频密码子，而是在保持蛋白序列不变的前提下，对编码序列做一次面向宿主的多目标重设计。

密码子偏好性：先理解“偏好”是什么

大肠杆菌基因组中，同义密码子的使用频率并不均匀。以 K-12 常用密码子使用表为例，亮氨酸 Leu 的 CUG 使用频率较高，而 CUA、CUC 相对偏低；精氨酸 Arg 的 CGU、CGC 属于高频，AGA、AGG 则明显偏低。这种偏好与细胞内对应 tRNA 的丰度大致相关，因此高频密码子通常翻译更快、更稳定。

但“偏好”不等于“必须全用最高频”。如果整条基因全部使用最高频密码子，反而可能造成 tRNA 竞争、翻译速率过快导致错误折叠，或形成不利的 mRNA 二级结构。实际优化中更常见的策略是：以宿主密码子使用频率为权重，结合 CAI（密码子适应指数）目标值进行打分，同时保留一定比例的中频密码子，使翻译节奏更接近天然高表达基因。

CAI 的取值范围为 0～1，越接近 1 表示密码子越接近宿主高频使用。对于大肠杆菌胞内可溶表达，通常把 CAI 控制在 0.8～0.95 之间较为稳妥；若目标是包涵体高表达，可适当提高到 0.9 以上。但 CAI 只是统计指标，不能单独作为优化目标。

GC 含量：全局与局部都要看

大肠杆菌基因组的平均 GC 含量约为 50%～51%。目标基因的全局 GC 若长期偏离 40%～60%，往往提示密码子选择或来源物种差异较大。全局 GC 过高（如 >65%）容易形成稳定二级结构、增加合成难度；全局 GC 过低（如 <35%）则可能引入过多 AT 富集区，影响转录与 mRNA 稳定性。

比全局 GC 更值得关注的是局部 GC。通常建议以 30～50 nt 为窗口滑动计算，避免出现连续 8 个以上 GC 的富集区，也避免出现连续 6 个以上 AT 的窗口。局部 GC 尖峰常与发夹结构、转录终止样序列或核糖体结合受阻相关。优化时可在同义密码子替换的约束下，对局部 GC 做平滑处理。

mRNA 二级结构：5′ 端尤其关键

翻译起始阶段，核糖体 30S 亚基需要与 mRNA 的 Shine-Dalgarno 序列及起始密码子区域结合。如果 5′ 端 mRNA 形成稳定的发夹结构，SD 序列或 AUG 被包埋在茎环中，起始复合物就难以组装。因此，密码子优化必须把 mRNA 折叠能纳入约束。

常用做法是计算 5′ 端 −20～+30 区域的最小自由能（ΔG）。在 37 ℃、常规离子条件下，若该区域 ΔG 低于约 −15 kcal/mol，就应警惕起始受阻。优化时可通过同义替换降低该区域二级结构稳定性，同时保持氨基酸序列不变。需要注意的是，mRNA 折叠预测依赖算法与参数，不同工具结果会有差异，应结合多款工具交叉判断，而不是只看单一数值。

稀有密码子：不是全部消除，而是合理分布

大肠杆菌中 AGA、AGG、CGA、CUA、AUA、CCC 等属于使用频率较低的密码子。当这些密码子连续出现或成簇出现时，容易造成核糖体停顿、翻译提前终止或移码。常见处理原则是：

• 连续两个以上稀有密码子应尽量打散或替换；
• 稀有密码子不应集中在 5′ 端前 30～50 nt；
• 若目标基因天然富含稀有密码子，可考虑共表达稀有 tRNA 基因（如 argU、ileX）；
• 不必追求稀有密码子为零，保留少量低频密码子有时有利于翻译节奏。

N 端编码序列优化：翻译起始的“第一公里”

N 端编码序列直接影响翻译起始效率。除了避免 5′ 端强二级结构外，还应注意以下几点：

• 起始密码子优先使用 AUG；若使用 GUG、UUG，起始效率通常下降。
• 第二个密码子尽量避免稀有密码子，优先选择高频且不带强二级结构的密码子。
• N 端前几个氨基酸若为带正电或疏水残基，可能影响起始复合物稳定性，必要时可在不改变功能的前提下做同义或近义调整。
• 若使用 His-tag、GST 等融合标签，标签与目标基因之间的连接序列应避免形成强二级结构或蛋白酶敏感位点。

优化流程与判断依据

一个可执行的密码子优化流程通常包括：获取目标蛋白氨基酸序列 → 选择大肠杆菌密码子使用表 → 设定 CAI、GC、局部 GC、二级结构、稀有密码子等约束 → 生成候选序列 → 对候选序列打分排序 → 人工复核关键区域 → 输出合成序列。下面这张图展示了各约束条件如何共同作用于最终序列设计。

图中把输入、约束、处理、输出和验证串成一条闭环。需要强调的是，密码子优化没有唯一正确答案。同一蛋白序列可以生成大量同义变体，不同工具给出的“最优”序列可能不同。最终选择应结合表达宿主菌株、载体、启动子、培养条件以及蛋白本身特性综合判断。

实操示例：一段短肽的优化片段

假设目标蛋白 N 端前 8 个氨基酸为 Met-Ala-Arg-Leu-Thr-Glu-Phe-Lys。原始基因来自人源，序列为：

ATG GCC AGG CTA ACC GAG TTC AAG

其中 AGG（Arg）和 CTA（Leu）在大肠杆菌中属于低频密码子，且 AGG 紧邻起始区，可能影响翻译起始。按大肠杆菌偏好性做同义替换后，可改为：

ATG GCT CGT CTG ACC GAA TTC AAA

替换后氨基酸序列不变，但 Arg 由 AGG 改为 CGT，Leu 由 CTA 改为 CTG，均属于大肠杆菌高频密码子；同时 5′ 端未引入新的强二级结构。实际设计时还应检查该片段与下游序列共同折叠的 ΔG，避免局部优化后整体 5′ 端结构反而更稳定。

总结来说，密码子优化的核心是在“保持蛋白序列不变”的硬约束下，同时兼顾密码子偏好性、GC 分布、mRNA 二级结构、稀有密码子分布和 N 端编码序列质量。把这些约束量化、打分、排序，再通过小量表达验证，才能把序列设计从“凭经验改几个密码子”变成可重复、可判断的工程流程。