编码序列(CDS)是脱氧核糖核酸(DNA)或RNA序列中决定蛋白质的氨基酸序列的部分。在翻译过程中,编码序列按照遗传密码,以称为密码子的连续三核苷酸单元依次解读。完整的CDS通常从翻译起始密码子开始,延伸至终止密码子。标注的CDS坐标是否包含终止密码子,取决于所采用的注释规范;终止密码子通常发出终止信号,而不编码氨基酸。
生物学含义与边界
编码序列与基因并不相同。蛋白质编码基因包含产生蛋白质所需的信息,但其基因组区域还可能包含非翻译序列、间隔序列以及参与表达调控的元件。产生功能性非编码RNA的基因没有蛋白质编码序列。
在转录过程中,DNA中的信息被复制到RNA中。对于蛋白质编码基因,产生的信使RNA提供由核糖体读取的模板。CDS是这条信使RNA中决定蛋白质序列的部分,不一定涵盖整个RNA分子。
以下几个概念需要区分:
- 非翻译区: mRNA的5′和3′非翻译区位于其主要CDS之外。它们可以影响翻译、RNA稳定性及定位,但不决定主要蛋白质产物的氨基酸序列。
- 调控DNA: 启动子有助于引导转录,但不属于CDS。
- 编码链: DNA编码链的序列与相应RNA相同,只是以胸腺嘧啶代替尿嘧啶。“编码链”表示链的方向关系,并不意味着该链上的每个核苷酸都属于CDS。
编码序列通常按被翻译RNA的5′至3′方向书写。因此,位于参考DNA序列反向链上的CDS,必须按其反向互补序列读取。
阅读框与翻译
翻译按照特定的阅读框,将序列划分为互不重叠的三联体。阅读框决定哪些核苷酸共同组成一个密码子。一段连续的DNA在每条链上各有三种可能的阅读框,同时考虑两条链时共有六种。
在标准遗传密码中,大多数密码子指定一种氨基酸,而UAA、UAG和UGA通常发出终止信号。AUG是通常使用的起始密码子,并编码甲硫氨酸,但也存在其他起始密码子,尤其见于细菌和古菌。翻译起始取决于周围的序列背景和翻译机制,而不只是某个特定三联体是否存在。
例如,以下用于说明的DNA编码链序列:
5′-ATG GAA TTT TGA-3′
对应的RNA序列为:
5′-AUG GAA UUU UGA-3′
按照标准遗传密码,该序列编码甲硫氨酸—谷氨酸—苯丙氨酸,随后终止翻译。
对于包含个氨基酸编码密码子和一个末端终止密码子的普通完整CDS,若将终止密码子计入,其长度为:
若不计入终止密码子,则为。这一关系适用于拼接后的编码序列,不一定适用于其首尾碱基在基因组上的距离。不完整注释和重编码事件需要另行处理。
在基因组和转录本中的组织形式
在许多细菌和古菌基因中,CDS占据一段连续的基因组DNA。单个RNA可以包含多个CDS,每个CDS都有各自的翻译起始和终止信号。
在真核生物中,蛋白质编码基因通常含有内含子,这些内含子通过RNA剪接被去除。保留下来的部分称为外显子,它们连接起来形成成熟RNA。因此,CDS在基因组中可能表现为多个彼此分隔的片段,这些片段串联后构成被翻译的序列。
外显子与编码片段并非可以互换的概念。一个外显子可以只含非翻译序列、只含编码序列,也可以同时含有两者。一个密码子还可能跨越外显子之间的连接处,因此单个基因组CDS片段的长度不一定能被三整除。
通过可变剪接,一个基因可以产生编码序列和蛋白质产物不同的转录本。另一些转录本变体仅在非翻译区存在差异,保留的CDS则相同。因此,CDS注释与特定转录本关联最为准确,而不应仅与基因名称关联。
编码序列与开放阅读框
开放阅读框(ORF)是内部不存在同框终止密码子的序列区段;不同定义对是否必须具有起始密码子的要求有所不同。ORF标示可能的蛋白质编码区域,而CDS注释则标示依据实验或计算证据被判定为编码蛋白质的区域。
因此,ORF并不必然是具有功能的CDS。较长的ORF可能偶然出现,尤其是在大型基因组中,而且有些看似合理的ORF并不被翻译。反过来,真正的CDS可能很短,使用不常见的起始信号,或需要简单ORF搜索无法识别的生物学加工过程。
在评估候选小蛋白质时,这一区别尤其重要。某一区域被翻译的证据支持其具有编码作用,但仅凭翻译本身,不能确定其产物具有稳定的生物学功能。
鉴定与注释
CDS的鉴定综合使用序列分析和实验证据。常见证据包括:
- 与已知蛋白质序列的相似性。
- 阅读框在亲缘相关生物之间的保守性。
- 支持外显子边界和剪接连接位点的转录本数据。
- 蛋白质编码DNA所特有的统计模式。
- 有助于定位翻译区域的核糖体相关RNA测量结果。
- 通过质谱法检测到的肽段。
没有任何单一方法能够解决所有情况。序列相似性分析可能漏掉新近演化出的蛋白质,检测到转录本本身并不能证明发生了翻译,而某些短蛋白质或低丰度蛋白质的肽段也很难被检测到。
基因组注释通常记录CDS的坐标、所在链、与转录本的关系以及翻译相关信息。对于由多个片段组成的CDS,阅读框或相位信息可用于正确重建跨片段边界的密码子。不完整CDS可能缺少已知的起始或终止边界。不同文件格式对末端终止密码子的表示方式也有所不同,因此比较注释时需要注意坐标规范。
序列变异与实验应用
CDS内的突变可能产生多种后果:
- 同义替换改变密码子,但不改变其编码的氨基酸。
- 错义替换改变所编码的氨基酸。
- 终止获得替换引入提前出现的终止密码子。
- 终止丢失替换消除正常的终止信号。
- 插入或缺失的核苷酸数若不能被三整除,通常会导致阅读框移位;若能被三整除,则会保留阅读框,但可能增加、删除或改变氨基酸。
这些类别描述的是序列层面的后果,并不意味着必然产生某种功能影响。同义变化可能影响RNA加工、稳定性或翻译,而某些氨基酸替换在特定条件下几乎没有可测出的影响。
在生物技术中,可以将分离或合成的CDS置入表达构建体,以产生蛋白质。由于遗传密码具有简并性,不同的核苷酸序列可以编码相同的氨基酸序列。改变密码子的选择可以影响表达,但蛋白质的产生还取决于调控元件、RNA结构、宿主细胞以及基因表达的其他因素。
简单编码模型的例外
最简单的模型假定只有一个起始位点、一个固定阅读框,并在遇到第一个同框终止密码子时终止翻译。多种生物学机制并不遵循这一模式。
程序性核糖体移码会在翻译过程中改变阅读框。终止密码子通读使翻译能够越过通常被解读为终止信号的密码子。在特定条件下,UGA可以编码硒代半胱氨酸,UAG可以编码吡咯赖氨酸。某些生物及细胞器,包括某些线粒体,使用与标准遗传密码不同的遗传密码。
RNA编辑可以使被翻译的RNA序列不同于直接根据基因组DNA预测的序列。重叠的CDS也可以共享核苷酸,却编码不同的蛋白质,而且往往使用不同的阅读框。对于这些情况,注释需要体现相关的加工或翻译机制,而不能仅依赖从起始密码子扫描到终止密码子的简单方法。