introduction

1. PSAURON 是一款基于机器学习的新型开源工具，专门用于评估基因组注释中蛋白编码基因的质量。它通过训练于来自超过1000个植物和动物基因组的多样化数据，能够对编码DNA或蛋白质序列进行评分，准确反映序列是否为真实蛋白编码区域。PSAURON 不仅支持全基因组范围的蛋白质注释质量评估，还能快速识别可能的虚假注释蛋白，具备良好的效果和广泛的适用性。
2. 特点
   1. PSAURON 不需要针对每个物种进行特定训练，只需一次训练即可完成。并且已经有1000多个动植物的训练数据。
   2. 给对每个蛋白进行评分，也可以对所有蛋白进行总体的评分。
   3. PSAURON 旨在控制注释噪声，突出潜在错误，辅助识别需进一步调查的序列。
   4. 不会特地标识出缺少起始密码子/终止密码子的序列。

软件安装

这里展示万能的生信安装工具conda包的安装过程

conda create -n psauron -y
conda activate psauron
conda install psauron -y

使用教程

1. 对蛋白序列进行评估（输入文件为蛋白序列文件）
   1. 除了输入参数外，其他参数均为默认
   2. 框内框外阈值为0.5（默认）
   3. 输入序列为蛋白，加上-p参数

psauron -i Tgra.chr.pep -o nc_psauron.csv -p

1. 输出文件：数值是百分制（0-1），得分越高越好

1. nc筛选后的abandoned.gene.id.txt文件
   1. 从蛋白id格式调整为基因id格式

sed 's/\.TU\./.model./' abandoned.gene.id.txt > abandoned.gene.id.model.txt

1. 筛选出nc_psauron.csv中评分为false的行
   1. 3679个gene

grep ',False,' nc_psauron.csv > false_lines.csv

1. 筛选nc_psauron.csv和abandoned.gene.id.model.txt共有的基因id
   1. 1769个基因
   2. 虽然不会特地标识出这些结构不完整的基因，但被错误注释阅读框的这些基因在PSAURON这里还是会有较低的评分

grep -F -f abandoned.gene.id.model.txt false.csv > false.abandoned.csv

1. 评估一下这些被筛选出来不完整的cds序列

psauron -i incomplete.cds.fa 

conclusion

1. PSAURON 会忽略序列中的内部终止密码子（stop codon）。即使一个序列的 PSAURON 得分很高，也不代表这个序列一定包含一个有效的 ORF（开放阅读框）
   1. 以这段生成的CDS序列为例：5' - A T G G G A T A G A A A C T A T G G T A A C C - 3'
   2. 在正常的阅读框内，第三个就是终止密码子，而这么短的序列翻译后也不符合真实的蛋白结构。
2. DNA 是由四种碱基组成的长链，它的蛋白质翻译是按每三个碱基（一个密码子 codon）一组来进行的。起始点不同，所得到的氨基酸序列就不同。因此，一个双链上就会有6种可能阅读框
3. PSAURON软件的工作原理就是依据这种可能性，再次以上面的序列为例，正常翻译的话到第三个密码子就结束了，如果改变起始起始位置的话，就有另外两种的可能：
   1. 5' - A T G G G A T A G A A A C T A T G G T A A C C - 3'
   2. 5' - A T G G G A T A G A A A C T A T G G T A A C C - 3'
   3. 原本较短的序列也能够延长，当然，这是不考虑起始密码子和终止密码子的情况下的可能。
4. gff文件中记录的注释，已经按照反义链和正义链，所以阅读框的情况是三种，及从起始密码子之后的第1/2/3个碱基开始。
   1. 多数的cds都是从第1个开始的，也有部分是从2和3开始
   2. 在 GFF3 文件中，CDS 第 8 列（phase） 表示当前 CDS 片段的读码框是否与前一个 CDS 片段连贯对齐。
      1. phase=0 ➜ 从当前起点正好是新的一个三联密码子的开始；
      2. phase=1 ➜ 前一个 CDS 片段留下了一个碱基，需要补 2 个碱基才能组成下一个密码子；
      3. phase=2 ➜ 前一个 CDS 留下了 2 个碱基，需要补 1 个碱基。
   3. 例如下面的实际情况：

1. 至此，这个工具的主要作用，和论文中说的一样，是一种过滤或者说质量检验标准，速度是挺快的。质量评价方面，cds标准还好理解一下，蛋白评价的体系不是特别清除，反正能够选择使用。
2. 拿NC和NCC来讲，NCC版本中存在的很多确实起始密码子或者终止密码子的cds被丢掉。但是，如果用PSAURON进行评估的话，就可以对这些不完整的cds进行重新评估，推测其他可能的两种阅读框是否才是正确的，进而保留一部分被筛掉的基因。如果能够筛选出来的话，这部分保留的基因能够当做存在但注释不够准确的部分保留下来，如果用对应的工具进行结构矫正的话应该可以换源原本真实的结构。到此也只是设想，现在还没有找到那么便利的工具就是了。而且，实际盖起来也没有那么简单。现在得到的cds结构是拼接过的，而且考虑到碱基数量，不分cds片段在被提取的时候已经往后顺移了1-2位，如果真要处理得直接从cds片段开始切手，全部拿到后再进行完整正确的结构计算。

参数表

参考

1. GitHub - salzberg-lab/PSAURON: PSAURON is a machine learning model for rapid assessment of protein coding gene annotation
2. https://www.kdocs.cn/l/csMaghiQ1Vzh?from=docs