全 文 ：拟南芥基因密码子偏爱性分析
范三红＊ 郭蔼光 单丽伟 胡小平
(西北农林科技大学 , 陕西省农业分子生物学重点实验室 , 杨凌 712100)
摘要 密码子偏爱性对外源基因的表达强度有一定影响 , 特别是编码蛋白质 N 端 7～ 8 个氨基酸残基的密码子.
通过对拟南芥染色体中 26 827 个蛋白质对应的基因密码子进行分析 , 得到了编码氨基酸的 61 种密码子在拟南芥
中的使用频率 , 并与大肠杆菌和哺乳动物进行了比较 , 结果表明三者间的密码子偏爱性有较大差异.这一分析
结果对于动物基因在植物中的表达 , 及植物基因在微生物中的表达具有一定指导意义.同时提供了一种直接以
XML文档为数据源解析巨型 XML 格式染色体数据的方法.
关键词 拟南芥 , 密码子偏爱性 , XML
学科分类号 Q811.4
密码子是核酸携带信息和蛋白质携带信息间对
应的基本规则 , 是生物体内信息传递的基本环节.
编码 20种氨基酸的密码子共 61种.对于不同的物
种来说 , 不同密码子在基因中出现的频率有很大不
同.一方面 , 对同一种氨基酸而言 , 编码该氨基酸
的不同密码子的比率在不同物种中有差异;另一方
面 , 对同一个密码子而言 , 在不同的物种中出现的
频率有所不同.这种现象会导致外源基因在宿主细
胞中的表达量降低.通过改造目的基因的密码子 ,
提高动物基因在细菌中的表达已有不少成功的例
子 , 但关于植物密码子偏爱性的研究还少见报道.
本文以模式植物拟南芥为对象[ 1] , 分析了拟南芥
基因密码子偏爱性 , 希望能够对动物基因在植物中
的表达及植物基因在细菌中的表达提供参考.
XML (extensible markup language)是一种用
于描述结构化数据的可扩展的标注语言 , 是网络应
用程序数据交流及商业通讯中可交换数据格式的标
准[ 2 ,3] .由于其本身具备很强的描述能力和很好的
灵活性 , 在生物信息学领域的信息表述和数据交换
中已得到广泛的应用 , 而且这种趋势还在不断增
强[ 4] .T IGR是国际权威的基因组研究中心之一 ,
2001年他们提供了一种用 XML 格式的拟南芥染色
体数据 , 从 TIG R的 XML 格式染色体数据可以充
分体现出 XML 在复杂生物学数据描述中的灵活性
和巨大潜力.然而每一个染色体的数据都是一个巨
型的 XML 格式文件 , XML 染色体文档的复杂性
和超长序列字符串的存在使许多 XML 操作软件都
不能正常运行.本文通过 DELPHI 提供的 XML 文
件接口实现了对 T IGR染色体数据的处理 , 并在此
基础上完成了对拟南芥基因密码子偏爱性的统计.
1 数据和分析方法
1.1 数据
本文以 TIGR的染色体数据为基础 (FTP://
FTP.TIGR.ORG.).TIGR的 XML格式染色体数据
中各种元件的关系结构如图 1所示.从图 1中可以
看出 , 一个ASSEMBLY (装配染色体)元件包括基
因 列 表 (GENE - LIST)元 件 、 装 配 序 列
(ASSEMBLY-SEQUENCE)元件等.GENE-LIST
元件包括蛋白质编码 (PROTEIN-CODING)基因
和 RNA 基因 (RNA-GENE).蛋白质编码基因
(TU)包括基因信息 (GENE-INFO)、基因模型
(MODEL)、转录序列 (TANSCRIPT -SEQUENCE)
等.基因模型包括内含子 、 外显子等.总的来说 ,
T IGR的 XML格式的染色体数据是一个接近完备
的染色体表述形式 , 通过 XML 格式的描述使研究
者更容易从全局分析一个基因在整个基因组中的位
置及作用.本文中 , 人和大肠杆菌的密码子偏爱性
数据来自 Codon usage database[ 5] (http://www.
kazusa.or.jp/codon).
＊通讯联系人.
Tel:029-7092262 , E-mail:sanhongfan@yahoo.com.cn
收稿日期:2002-08-12 , 接受日期:2002-11-20
·221·2003;30 (2) 生物化学与生物物理进展 Prog.Biochem.Biophys.
Fig.1 The major elements and mutual relationship in TIGRs chromosome data
1.2 数据分析方法
为了对 XML 格式染色体数据的操作 , 首先利
用BORLAND DELPHI提供的以 XML数据为数据源
的数据库技术 , 将 XML格式染色体数据转化成数据
库形式.DELPHI 提供了实用工具 XMLMAPPER ,
该工具可轻松建立数据库字段和 XML元件之间的对
应关系.然后以这种关系为基础 , 将 XML 格式染色
体数据中所有的蛋白质编码基因信息读入数据库 ,
根据每一个基因在染色体上的位置抽取每一个基因
对应的核酸序列.基因模型中记录了每一个基因的
内含子和外显子在染色体上的位置 ,根据基因模型
Fig.2 The flow chart of data analysis
的信息再拼接出每一个基因的编码区序列.翻译每
一个编码区序列 , 并统计各种密码子的使用频率[ 6] .
数据分析的基本流程如图 2所示.
2 结果与分析
拟南芥蛋白质编码基因中各种密码子的出现次
数 , 及编码同一种氨基酸的不同密码子出现的百分
率如表 1所示.Count为每种密码子在整个拟南芥
基因组中出现的次数.Percentage 表示编码同一种
氨基酸的不同密码子所占的百分率.从表 1中可以
看出 , 在拟南芥中 , 终止密码子 UAG 出现的次数
要远低于其他两种终止密码子.编码 Arg 的 6种密
码子中 AGA 出现率为 35.69%, 而 CGC 出现率只
有 6.88%.编码 Cys的偏爱密码子为 UGU , 编码
Asp的偏爱密码子为 GAU , 编码 His 的偏爱密码
子为CAU.
拟南芥 、大肠杆菌和人的密码子使用频率的比
较如表 2所示.Ara(%)、E .coli(%)、Human(%)
分别表示拟南芥 、 大肠杆菌和人的一种密码子出现
次数分别占该物种总密码子出现次数的百分比.
Ara/hum 、 Ara/ Eco 、 Eco/hum 分别表示 3 个物
种每种密码子出现百分比的比值.通过表 2可以发
现 , 拟南芥和大肠杆菌 、大肠杆菌和人的密码子偏
爱性有显著的差异.拟南芥和大肠杆菌的密码子出
现频率比值中有 20种密码子的值大于等于 2.0或
小于等于 0.5;大肠杆菌和人的密码子出现百分率
比值中有15种密码子的值大于等于2.0或小于等
·222· 生物化学与生物物理进展 Prog.Biochem.Biophys. 2003;30 (2)
Table 1 Count of every codon and percentage of codons for every amino acid in Arabidopsis thaliana
Amino acid Codon Count Percentage Amino acid Codon Count Percentage
Ala(A) GCT 299 447 43.02 Pro(P) CCT 202 463 38.14
GCC 107 596 15.46 CCC 57 681 10.87
GCA 193 372 27.78 CCA 179 059 33.73
GCG 95 589 13.73 CCG 91 598 17.26
Cys(C) TGT 123 400 60.45 Gln(Q) CAA 220 367 57.20
TGC 80 725 39.56 CAG 164 898 42.80
Asp(D) GAT 416 904 68.74 Arg(R) CGT 96 508 16.11
GAC 189 628 31.26 CGC 41 193 6.88
Glu(E) GAA 394 403 52.39 CGA 71 716 11.97
GAG 358 436 47.61 CGG 54 207 9.05
Phe(F) T TT 253 598 53.04 AGA 213 787 35.69
TTC 224 519 46.96 AGG 121 678 20.31
Gly(G) GGT 237 279 33.60 S er(S) TCT 280 575 28.16
GGC 98 311 13.92 TCC 121 407 12.19
GGA 258 143 36.55 TCA 205 984 20.68
GGG 112 560 15.94 TCG 101 532 10.19
His(H) CAT 158 382 62.51 AGT 162 022 14.49
CAC 95 002 37.49 AGC 124 706 12.52
Ile(I) ATT 244 028 41.18 Thr(T) ACT 193 115 34.00
ATC 201 460 34.00 ACC 111 456 19.63
ATA 147 120 24.83 ACA 178 480 31.43
Lys(K) AAA 351 259 49.31 ACG 84 877 14.95
AAG 361 077 50.69 Val(V) GTT 301 496 40.42
Leu(L) T TA 149 050 14.12 GTC 137 960 18.49
T TG 239 171 22.65 GTA 115 334 15.46
CT T 267 577 25.34 GTG 191 171 25.63
C TC 174 083 16.49 Trp(W) TGG 140 546 100.00
CTA 114 224 10.82 Tyr(Y) TAT 170 130 53.35
CTG 111 680 10.58 TAC 148 772 46.65
M et(M) ATG 271 269 100.00 STOP TAA 10 564 36.30
Asn(N) AAT 260 432 53.08 TAG 6 279 21.58
AAC 230 188 46.92 TGA 12 256 42.12
Table 2 Comparison of codon preference among Human , E.coli and Arabidopsis thaliana
Amino acid codon Ara (%) E.coli(%) Human (%) Ara/ hum Ara/ Eco Eco/ hum
Ala(A) GCT 2.69 1.70 1.86 1.45 1.58 0.91
GCC 0.97 2.42 2.8 0.34 0.40 0.85
GCA 1.74 2.12 1.6 1.09 0.82 1.33
GCG 0.86 3.01 0.76 1.13 0.29 3.96
Cys(C) TGT 1.11 0.52 0.99 1.12 2.13 0.53
TGC 0.73 0.61 1.22 0.60 1.20 0.50
Asp(D) GAT 3.74 3.27 2.23 1.68 1.14 1.47
GAC 1.70 1.92 2.60 0.65 0.89 0.74
Glu(E) GAA 3.54 3.92 2.91 1.22 0.90 1.35
GAG 3.22 1.87 4.08 0.79 1.72 0.46
Phe(F) T TT 2.28 2.21 1.69 1.35 1.03 1.31
TTC 2.02 1.61 2.04 0.99 1.25 0.79
Gly(G) GGT 2.13 2.55 1.08 1.97 0.84 2.36
GGC 0.88 2.72 2.29 0.38 0.32 1.19
GGA 2.32 0.95 1.63 1.42 2.44 0.58
GGG 1.01 1.13 1.64 0.62 0.89 0.69
His(H) CAT 1.42 1.25 1.04 1.37 1.14 1.20
CAC 0.85 0.93 1.49 0.57 0.91 0.62
Ile(I) ATT 2.19 2.98 1.57 1.39 0.73 1.90
·223·2003;30 (2) 生物化学与生物物理进展 Prog.Biochem.Biophys.
续 表
Amino acid codon Ara(%) E.coli(%) Human (%) Ara/ hum Ara/ Eco Eco/ hum
ATC 1.81 2.37 2.15 0.84 0.76 1.10
ATA 1.32 0.68 0.71 1.86 1.94 0.96
Lys (K) AAA 3.15 3.53 2.40 1.31 0.89 1.47
AAG 3.24 1.24 3.29 0.98 2.61 0.38
Leu (L) T TA 1.34 1.43 0.72 1.86 0.94 1.99
T TG 2.15 1.30 1.25 1.72 1.65 1.04
C TT 2.40 1.19 1.27 1.89 2.02 0.94
C TC 1.56 1.02 1.94 0.80 1.53 0.53
C TA 1.03 0.42 0.69 1.49 2.45 0.61
C TG 1.00 4.84 4.02 0.25 0.21 1.20
Met (M) ATG 2.44 2.64 2.23 1.09 0.92 1.18
Asn (N) AAT 2.34 2.06 1.67 1.40 1.14 1.23
AAC 2.07 2.14 1.95 1.06 0.97 1.10
Pro (P) CCT 1.82 0.75 1.73 1.05 2.43 0.43
CCC 0.52 0.54 2.00 0.26 0.96 0.27
CCA 1.61 0.86 1.67 0.96 1.87 0.51
CCG 0.82 2.09 0.70 1.17 0.39 2.99
Gln (Q) CAA 1.98 1.46 1.18 1.68 1.36 1.24
CAG 1.48 2.84 3.46 0.43 0.52 0.82
Arg (R) CGT 0.87 2.00 0.47 1.85 0.44 4.26
CGC 0.37 1.97 1.09 0.34 0.19 1.81
CGA 0.64 0.38 0.63 1.02 1.68 0.60
CGG 0.49 0.59 1.19 0.41 0.83 0.50
AGA 1.92 0.36 1.15 1.67 5.33 0.31
AGG 1.09 0.21 1.14 0.96 5.19 0.18
Ser (S) TCT 2.52 1.04 1.46 1.73 2.42 0.71
TCC 1.09 0.91 1.74 0.63 1.20 0.52
TCA 1.85 0.89 1.17 1.58 2.08 0.76
TCG 0.91 0.85 0.45 2.02 1.07 1.89
AGT 1.46 0.98 1.19 1.23 1.49 0.82
AGC 1.12 1.52 1.93 0.58 0.74 0.79
Thr (T) ACT 1.73 1.03 1.28 1.35 1.68 0.80
ACC 1.00 2.20 1.92 0.52 0.45 1.15
ACA 1.60 0.92 1.48 1.08 1.74 0.62
ACG 0.76 1.37 0.62 1.23 0.55 2.21
Val (V) GTT 2.71 1.98 1.09 2.49 1.37 1.82
GTC 1.24 1.43 1.46 0.85 0.87 0.98
GTA 1.04 1.16 0.70 1.49 0.90 1.66
GTG 1.72 2.44 2.89 0.60 0.70 0.84
Trp (W) TGG 1.26 1.39 1.28 0.98 0.91 1.09
Tyr (Y) TAT 1.53 1.74 1.20 1.28 0.88 1.45
TAC 1.34 1.22 1.56 0.86 1.10 0.78
Stop TAA 0.09 0.20 0.07 1.29 0.45 2.86
TAG 0.06 0.03 0.06 1.00 2.00 0.50
TGA 0.11 0.10 0.13 0.85 1.10 0.77
Data w ith means that the rate i s ≥2.0 or ≤0.5.
·224· 生物化学与生物物理进展 Prog.Biochem.Biophys. 2003;30 (2)
于0.5.拟南芥和人的密码子偏爱性也有显著不
同 , 但拟南芥和大肠杆菌及大肠杆菌和人之间的差
异要小 , 有 9种密码子在使用频率上有较大差异.
3 讨 论
TIG R拟南芥染色体中蛋白质编码基因大多是
通过生物信息学方法预测的结果 , 因而以此数据为
基础分析拟南芥基因密码子偏爱性具有一定偏差.
但在目前通过实验验证的蛋白质序列还不充分的条
件下 , 使用 TIG R的染色体数据分析密码子偏爱性
还是切实可行的.另外 , 每一个基因的表达会受到
多种因素的影响 , 如基因在染色体中的位置 , 上游
的顺式作用元件 , 转录后加工 , mRNA 的稳定性
等都会影响基因的表达 , 是否满足密码子的偏爱性
只是影响目的基因表达的因素之一.利用植物反应
器生产药用蛋白 、抗体 、 疫苗是基因工程研究的新
亮点 , 然而 , 通过密码子的改造提高目的蛋白在植
物中表达的研究还少见报道 , 本文的分析结果可为
动物基因在植物中的表达提供参考.
参 考 文 献
1 The Arabidopsis Genome Initiative.Analysis of the genome
sequence of the flowering plant Arabidopsis thal iana.Natu re ,
2000 , 408 (6814):796～ 815
2 Mackenzie D.New language could meld the w eb into a seam less
database.Science , 1998 , 280 (5371):1840～ 1841
3 Law rence S , Giles C L.Accessibi lit y of informat ion on the web.
Nature , 400 (6740):107～ 109
4 Vaysseix G , Barillot E.XM L , bioinformat ics and data integration.
Bioinformat ics , 2001 , 17 (2):115～ 125
5 Nakamu ra Y , Gojobori T , Ikemu ra T.Codon usage tabulated from
the international DNA sequence databases:status for the year
2000.Nucl Acids Res, 2000 , 28 (1):292
6 范三红 , 张大鹏.Manipulating T IGRs chrom osome data in
XM L format.西北大学学报 (自然科学版), 2002 , 32 (增刊):
105～ 109
Fan S H , Zhang D P.J Northw est University (Natural S cience
Edition), 2002 , 32 (supplement):105～ 109
Analysis of Genetic Code Preference in Arabidopsis thaliana
FAN San-Hong＊ , GUO Ai-Guang , SHAN Li-Wei , HU Xiao-Ping
(Northwest Sci-Tech Un iversity of Agr icu lture and Forest ry , Key Laborator y of
Agricul tural Molecu lar B iology in S haan xi Province , Y angl ing 712100 , China)
Abstract The frequency of codon usage often affects the expression of foreign gene in transgenic research.A
statistics of the f requency of codon usage in Arabidopsis thal iana was made , and a direct comparison of genctic
code preference among Arabidopsis thaliana , Homo sapiens and Escherichia coli was carried out.The results
show that Arabidopsis thaliana like Homo sapiens i ts frequency of codon usage is obviously different f rom
Escherichia coli , and there is a considerable dif ference between Arabidopsis thal iana and Homo sapiens.The
data w ill give some suggestions to those researchers who want to int roduce a animal gene into plant or a plant
gene into bacteria.
Key words Arabidopsis thaliana , code preference , XML
＊Corresponding author.Tel:86-29-7092262 , E-mail:sanhongfan@yahoo.com.cn
Received:August 12 , 2002 Accepted:November 20 , 2002
·225·2003;30 (2) 生物化学与生物物理进展 Prog.Biochem.Biophys.