小蛋白是翻譯自小開放閱讀框（small open reading frame, sORF）、長(zhǎng)度低于100個(gè)氨基酸的蛋白質(zhì)，在此前的基因組注釋中通常被忽略。sORF廣泛存在于人類等多種生物的基因組中，包括mRNA的非翻譯區(qū)（untranslated regions, UTR）以及多種非編碼RNA （non-coding RNA, ncRNA）區(qū)域，部分能夠翻譯成小蛋白。近年來(lái)，越來(lái)越多的研究發(fā)現(xiàn)小蛋白在胚胎發(fā)育、細(xì)胞凋亡、肌肉收縮等多種生物學(xué)過(guò)程中行使功能，并在腫瘤等疾病進(jìn)展中發(fā)揮作用。

由于序列較短和研究技術(shù)的限制，小蛋白在此前的基因組注釋中通常被忽略。此外,雖然基因組中有豐富的sORF，但經(jīng)過(guò)充分研究的小蛋白數(shù)量非常有限，其遺傳學(xué)功能與角色仍存在著許多未知。因此，我們亟需對(duì)小蛋白進(jìn)行系統(tǒng)的挖掘與注釋，以促進(jìn)對(duì)非編碼RNA和基因組的全面了解，并為各種生理和病理過(guò)程的研究提供參考。

為此，中國(guó)科學(xué)院生物物理研究所陳潤(rùn)生院士團(tuán)隊(duì)和何順民研究員團(tuán)隊(duì)合作在國(guó)際學(xué)術(shù)期刊Genomics, Proteomics & Bioinformatics在線發(fā)表了題為“SmProt: A Reliable Repository with Comprehensive Annotation of Small Proteins Identified from Ribosome Profiling”的文章（圖1），介紹了該團(tuán)隊(duì)關(guān)于新版小蛋白數(shù)據(jù)庫(kù)SmProt（http://bigdata.ibp.ac.cn/SmProt/）（圖2）的工作，旨在提供關(guān)于小蛋白豐富、可靠的系統(tǒng)性注釋。?

圖1.?文章發(fā)表于Genomics, Proteomics & Bioinformatics。?

圖2. SmProt數(shù)據(jù)庫(kù)。來(lái)源：Genomics, Proteomics & Bioinformatics

SmProt基于對(duì)419套公共核糖體圖譜測(cè)序（ribosome profiling, Ribo-seq）數(shù)據(jù)的嚴(yán)格質(zhì)控與重新分析，對(duì)已發(fā)表文獻(xiàn)、數(shù)據(jù)庫(kù)的信息挖掘，鑒定了來(lái)自人（Homo sapiens）、小鼠（Mus musculus）、大鼠（Rattus norvegicus）、果蠅（Drosophila melanogaster）、線蟲 （Caenorhabditis elegans）、酵母（Saccharomyces cerevisiae）、斑馬魚（Danio rerio）、大腸桿菌（Escherichia coli）8個(gè)物種300余種組織/細(xì)胞系的3,165,229條小蛋白翻譯事件記錄，并收集了從人類微生物組中鑒定的小蛋白家族。通過(guò)對(duì)各種來(lái)源信息的交叉整合以及對(duì)結(jié)果的合并去冗余，獲得了638,958個(gè)唯一的小蛋白，包括大量由UTR、非編碼RNA編碼的小蛋白（圖3）。??

圖3. SmProt中的小蛋白統(tǒng)計(jì)數(shù)據(jù)。來(lái)源：Genomics, Proteomics & Bioinformatics

SmProt主要基于肽酰基位點(diǎn)（peptidyl-tRNA site, P-site）偏移譜的三堿基周期性特征保證所鑒定小蛋白翻譯事件的可靠性：

首先，研究團(tuán)隊(duì)基于獨(dú)立發(fā)布的工具Ribo-TISH構(gòu)建了新的翻譯事件解析系統(tǒng)，允許使用常規(guī)Ribo-seq（regular Ribo-seq, rRibo-seq）和翻譯起始測(cè)序（translation initiation sequencing, TI-seq）準(zhǔn)確檢測(cè)ORF和TIS。其使用秩和檢驗(yàn)檢測(cè)三堿基周期性，使用負(fù)二項(xiàng)分布檢驗(yàn)檢測(cè)翻譯起始位點(diǎn)（translation initiation site, TIS），預(yù)測(cè)精度優(yōu)于其他已建立的方法。

其次，除了基于Ribo-TISH quality模塊的質(zhì)量控制外，對(duì)所有數(shù)據(jù)集進(jìn)行人工校驗(yàn)，以確保Ribo-seq數(shù)據(jù)具有清晰的三堿基周期性和明確的P-site偏移量，進(jìn)一步消除噪聲。

第三，提供多水平的支持證據(jù)，包括 (1)多個(gè)Ribo-seq數(shù)據(jù)集鑒定結(jié)果的P value，代表不同樣本和處理?xiàng)l件下檢測(cè)小蛋白的置信度；(2)相應(yīng)基因組區(qū)域的PhyloCSF分值，反映其編碼能力；(3)來(lái)自質(zhì)譜數(shù)據(jù)的肽段證據(jù)。另外，基于文獻(xiàn)數(shù)據(jù)庫(kù)挖掘的小蛋白也與以上分析結(jié)果進(jìn)行交叉整合，以互相驗(yàn)證。

同一物種中，從不同數(shù)據(jù)集和轉(zhuǎn)錄本鑒定出的相同基因組定位的sORF，被認(rèn)為是相同的小蛋白，對(duì)其進(jìn)行合并但保留不同數(shù)據(jù)集和轉(zhuǎn)錄本來(lái)源的信息。對(duì)于所鑒定的小蛋白，SmProt還進(jìn)行了系統(tǒng)全面的注釋，包括基本注釋（圖4）與功能性注釋（圖5）：

1.SmProt整合多種來(lái)源的小蛋白信息，提供基本注釋包括物種來(lái)源、組織/細(xì)胞系來(lái)源、數(shù)據(jù)來(lái)源、基因來(lái)源、長(zhǎng)度、序列、基因組定位、起始密碼子、編碼基因區(qū)塊、基因組區(qū)域編碼能力、分子量，提供小蛋白的Ribo-seq分析信息、文獻(xiàn)數(shù)據(jù)庫(kù)收集信息、質(zhì)譜檢測(cè)肽段信息，并基于Ribo-seq數(shù)據(jù)提供其基因注釋、翻譯起始注釋、顯著性水平、翻譯水平等信息。

2.基于蛋白序列分析，提供小蛋白功能域與蛋白家族注釋，為功能性小蛋白的鑒定與研究提供參考依據(jù)。

3.基于翻譯起始位點(diǎn)選擇，提供小蛋白的不同亞型注釋。

4.參考RNA-seq數(shù)據(jù)計(jì)算表達(dá)量RPKM?（Reads Per Kilobase per Million mapped reads）的方式，基于Ribo-seq數(shù)據(jù)對(duì)每個(gè)sORF的閱讀框內(nèi)reads（in-frame reads）進(jìn)行計(jì)數(shù)，并基于文庫(kù)測(cè)序深度（樣本in-frame reads總數(shù)）和sORF長(zhǎng)度進(jìn)行歸一化，以代表sORF的翻譯水平。

5.SmProt基于人類Ribo-seq數(shù)據(jù)鑒定了小蛋白編碼序列上2萬(wàn)多個(gè)變異，及其對(duì)小蛋白的影響。有研究表明，上游ORF（upstream ORF, uORF）可通過(guò)泄漏掃描、重新啟動(dòng)和核糖體停滯等機(jī)制來(lái)調(diào)節(jié)下游 CDS的翻譯。為促進(jìn)對(duì)基因組調(diào)控機(jī)制的全面了解，SmProt集成多個(gè)全基因組測(cè)序（whole genome sequencing, WGS）項(xiàng)目資源，評(píng)估了人類全基因組變異對(duì)可能翻譯的uORF及其下游蛋白編碼序列（coding sequence, CDS）的影響。

6.進(jìn)一步地，基于人類的Ribo-seq數(shù)據(jù)來(lái)源樣本的表型信息，SmProt鑒定了包括腫瘤在內(nèi)16種疾病中特異性存在的小蛋白及小蛋白上的變異，并基于已發(fā)表文獻(xiàn)收錄了已知的疾病相關(guān)小蛋白，為臨床醫(yī)學(xué)提供基于小蛋白視角的研究前景。

圖4. 基于多種數(shù)據(jù)來(lái)源的小蛋白基本注釋。?來(lái)源：Genomics, Proteomics & Bioinformatics

圖5. 小蛋白的功能性注釋。來(lái)源：Genomics, Proteomics & Bioinformatics

綜上，SmProt對(duì)多個(gè)物種中小蛋白編碼基因進(jìn)行了系統(tǒng)性鑒定，進(jìn)一步豐富了基因組注釋，并通過(guò)全新的和多種來(lái)源、級(jí)別的翻譯證據(jù)，確保結(jié)果的可靠性。當(dāng)前SmProt版本提供了更加豐富全面的注釋信息和功能模塊，數(shù)據(jù)量、數(shù)據(jù)質(zhì)量極大提升，并為非編碼RNA研究、功能基因組學(xué)研究以及臨床研究提供了新的參考。

中國(guó)科學(xué)院生物物理研究所的何順民研究員、張鵬副研究員、陳潤(rùn)生院士為該文共同通訊作者，中國(guó)科學(xué)院大學(xué)的李燕燕、中國(guó)科學(xué)院生物物理研究所的周紅紅與陳曉敏為該文并列第一作者。該研究得到了國(guó)家重點(diǎn)研發(fā)計(jì)劃、國(guó)家自然科學(xué)基金、中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)（B類）、中國(guó)科學(xué)院信息化專項(xiàng)、科技部科技基礎(chǔ)資源調(diào)查專項(xiàng)、國(guó)家基因組科學(xué)數(shù)據(jù)中心的支持。?

參考資料：

Yanyan Li, Honghong Zhou, Xiaomin Chen, Yu Zheng, Quan Kang, Di Hao, et al. SmProt: A Reliable Repository with Comprehensive Annotation of Small Proteins Identified from Ribosome Profiling. Genomics Proteomics?Bioinformatics?2021. ?https://doi.org/10.1016/j.gpb.2021.09.002.?

往期精品(點(diǎn)擊圖片直達(dá)文字對(duì)應(yīng)教程)

機(jī)器學(xué)習(xí)

后臺(tái)回復(fù)“生信寶典福利第一波”或點(diǎn)擊閱讀原文獲取教程合集

總結(jié)

以上是生活随笔為你收集整理的GPB | 陈润生/何顺民团队发布新版SmProt数据库，提供小蛋白丰富、可靠的系统性注释...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。