基于遗传算法的密码子优化
Abstract在DNA序列设计考虑的各种参数中，单个密码子的使用(ICU)被认为是影响mRNA翻译效率的最关键因素之一。然而，以往的研究也报道了密码子对的使用，也称为密码子上下文(codon context, CC)对蛋白质表达水平的显著影响。
Method
为了探讨ICU和CC在设计高蛋白表达序列中的相对重要性，我们实施了三个计算步骤:ICO方法生成最优ICU值的序列，CCO方法生成最优CC值的序列，MOCO方法同时兼顾ICU和CC。 因此，当其ICU/CC分布最接近生物体的参考ICU/CC分布时，得到的序列是ICU/CC最优的。
密码子优化(codon optimization)，简单来讲，就是在我们构建的载体内引入宿主系统tRNA更愿意读取的密码子，这样能够更容易将其翻译成氨基酸，这会提高翻译速度，提高蛋白质表达的效率。生物系统是具有密码子偏好性的，不论真核生物还是原核生物，每种生物都会表现出某种程度的密码子利用的差异和偏爱。这是因为不同生物系统对于特定的密码子具有不同数量的可利用的tRNAs，并且每一个系统内对于每一个密码子，都有特定数量的tRNAs。所以，如果tRNAs与密码子数量的比例不正确，就会阻碍蛋白质的表达。因此，在进行蛋白质表达前，需要根据表达系统，对目的基因进行密码子优化，使用宿主系统内存在的tRNAs更偏好的密码子。
在遗传算法中我们的适应度函数ICU fitness，与密码子序列可以翻译成目标蛋白的能力相关，这篇论文中的度量方式如下
https://www.zhihu.com/equation?tex=%5Cpsi_%7BICU%7D%3D-%5Cfrac%7B%5Csum_%7Bk%3D1%7D%5E%7B64%7D%7C%7Bp_0%5E%7Bk%7D-p_1%5E%7Bk%7D%7C%7D%7D%7B64%7D+%5C%5C
遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）可抽象表示为染色体，使种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中评价整个种群的适应度，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。遗传算法子流程图如下所示：
遗传算法基本流程图
遗传算法的选择我们采用轮盘赌法，由于该算法只能适用于适应度值为正的情况，为此我们做ranking变换，将适应度值范围转换到特定区间，再使用该算子：
https://www.zhihu.com/equation?tex=fitness+%3D+%5Cfrac%7Bfitness+-+min_1%7D%7Bmax_1-min_1%7D+%2A+%28max_2+-+min_2%29+%2B+min_2%5C%5C
# 遗传算法的主函数如下：
def GA_main(organisms_seq, pcross, pmutation, protein_seq, sizepop, maxgen):
# organisms_seq: The compared seq of organisms, Format: Seq
# pcross: the probability of cross
# pmutation: the probability of mutation
# protein_seq: the seq of protein to optimize
# sizepop: the size of population
# maxgen: the maximan generation
organism_ICU_table = cal_pk_of_DNA(organisms_seq)
# individual initialization
individuals = initialization(protein_seq, sizepop)
# print("the initialized individuals are:")
# print(individuals)
avgfitness = -64
bestfitness = -64
bestchrom = ''
fitness = fitness_fun(individuals, organism_ICU_table)
bestfitness = max(fitness)
bestindex = fitness.index(max(fitness))
bestchrom = individuals
avgfitness = np.sum(fitness)/sizepop
trace = []
for i in range(maxgen):
individuals = select(individuals, fitness)
avgfitness = np.sum(fitness)/sizepop
individuals = population_Cross(individuals, pcross=pcross)#0.4
individuals = population_Mutation(individuals, pmutation = pmutation) # 0.6
fitness = fitness_fun(individuals, organism_ICU_table)
newbestfitness = max(fitness)
if newbestfitness > bestfitness:
bestfitness = newbestfitness
bestindex = fitness.index(max(fitness))
bestchrom = individuals
avgfitness = np.sum(fitness)/sizepop
trace.append(avgfitness)
trace.append(newbestfitness)
print("avgfitness is: ")
print(avgfitness)
print("newbestfitness is: ")
print(newbestfitness)
print(bestchrom)
print(bestfitness)
return trace
generation_trace = GA_main(all_seq, 0.6, 0.1, HvMT4_protein, 500, 400)Simulation Results
我们以莱茵衣藻为例，选取其高表达蛋白基因制作密码子偏好性表，我们设置种群大小为500个个体，模拟400代，交叉概率pcross为0.6，变异概率pmutation为0.1，接下来为模拟了HvMT4蛋白质所对应的DNA序列优化过程，种群进化过程如下图所示：
种群平均适应度值随代数变化图
最佳适应度值随代数变化图
HvMT4_protein的原始序列为：ATGGGCTGCGACGACAAGTGCGGGTGCGCCGTGCCGTGCCCCGGCGGCACGGGCTGCAGGTGCACCTCGGCGAGGAGCGGCGCGGAGCACACCACGTGCGCGTGCGGCGAGCACTGTGGGTGCAACCCGTGCGCGTGCGGGCGCGAGGGGACGCCGTCCGGGCGGGAGAATAGGCGGTCCAACTGCTCCTGCGGCGCGGCCTGCAACTGCGCTTCATGCGGCTCGACCGCCTGA
HvMT4_protein的优化后序列为：
ATGGGTTGTGACGATAAATGTGGTTGTGCAGTACCATGTCCAGGTGGTACTGGTTGTCGTTGTACATCTGCTCGTTCAGGTGCTGAACACACTACATGTGCTTGTGGTGAACACTGTGGTTGTAATCCTTGTGCTTGTGGTCGTGAAGGTACTCCATCTGGTCGTGAAAACCGTCGTTCAAACTGCTCATGTGGTGCTGCATGTAACTGTGCTTCTTGTGGTAGTACAGCTTAA
Results
从以上模拟结果可以看出，优化效果明显。此外原文章还提出新算法来评估优化ICU和CC对于提高蛋白质表达的相对重要性， 通过建立适当的数学模型来量化编码序列的ICU和CC适应度，基于遗传算法来最大化ICU和CC的适应度。在本次模拟中，我们只选取ICU值进行分析。
Discussion
以上模型是单目标优化过程，即以序列ICU值作为优化目标，在未来我们还可以设置多个优化目标，提出新的度量指标，避免优化结果在实际意义上陷入局部最佳的情况。新的指标可以考虑序列密码子相对位置的混乱程度等。
参考文献
Chung, B. K. S., & Lee, D. Y. (2012). Computational codon optimization of synthetic gene for protein expression. BMC systems biology, 6(1), 134. 强
页:
[1]