Day30 | Rosalind 生資解題 - 018. ORF（Open Reading Frames）開放閱讀框

17th鐵人賽

gjlmotea

2025-10-11 23:57:58

42 瀏覽

分享至

Day30 | Rosalind 生資解題 - 018. ORF（Open Reading Frames）開放閱讀框

題目連結：https://rosalind.info/problems/orf/

今天這一題非常精彩，也是一連串實戰演練的流程
是以前這三篇作法的延續題目

002. RNA（Transcribing DNA into RNA ）
003. REVC (Complementing a Strand of DNA)
008. PROT（Translating RNA into Protein）

開放閱讀框ORF，是指在一段mRNA序列中
從起始密碼子（Start codon）開始，到終止密碼子（Stop codon, TAA/TAG/TGA）結束
中間沒有出現任何其他終止密碼子的區段

輸入：

>Rosalind_99
AGCCATGTAGCTAACTCAGGTTACATGGGGATGACCCCGCGACTTGGATTAGAGTCTCTTTTGGAATAAGCCTGAATGATCCGAGTAGCATCTCAG

輸出：

MLLGSFRLIPKETLIQVAGSSPCNLS
M
MGMTPRLGLESLLE
MTPRLGLESLLE

題目輸入一段DNA序列，要輸出可能出現的胺基酸序列
胺基酸序列可能存在多種，按照任意順序返回即可

流程如下：
DNA（A、T、C、G） -> RNA（A、U、C、G） -> 密碼子（三個核苷酸為一組） -> 胺基酸（20種英文字母）

理論上，蛋白質的合成是根據 mRNA 上的密碼子進行的
但在實務上，我們通常都使用DNA序列來搜尋ORF
為什麼？因為可以少一層「T <-> U」的轉換，以及文章尾的生物知識補充

所以我們這邊，不是使用RNA（A、U、C、G），而是DNA（A、T、C、G）

階段	生物學理論	生物資訊實作
轉錄與翻譯對象	mRNA（A、U、C、G）	DNA（A、T、C、G）
起始 codon	AUG	ATG
終止 codon	UAA / UAG / UGA	TAA / TAG / TGA
目的	真實的蛋白合成	找出潛在的基因區段（ORF）

解法一：

DNA_CODON_TABLE = {
    "TTT":"F","TTC":"F","TTA":"L","TTG":"L",
    "CTT":"L","CTC":"L","CTA":"L","CTG":"L",
    "ATT":"I","ATC":"I","ATA":"I","ATG":"M",
    "GTT":"V","GTC":"V","GTA":"V","GTG":"V",
    "TCT":"S","TCC":"S","TCA":"S","TCG":"S",
    "CCT":"P","CCC":"P","CCA":"P","CCG":"P",
    "ACT":"T","ACC":"T","ACA":"T","ACG":"T",
    "GCT":"A","GCC":"A","GCA":"A","GCG":"A",
    "TAT":"Y","TAC":"Y","TAA":"*","TAG":"*",
    "CAT":"H","CAC":"H","CAA":"Q","CAG":"Q",
    "AAT":"N","AAC":"N","AAA":"K","AAG":"K",
    "GAT":"D","GAC":"D","GAA":"E","GAG":"E",
    "TGT":"C","TGC":"C","TGA":"*","TGG":"W",
    "CGT":"R","CGC":"R","CGA":"R","CGG":"R",
    "AGT":"S","AGC":"S","AGA":"R","AGG":"R",
    "GGT":"G","GGC":"G","GGA":"G","GGG":"G"
}

STOP = {"TAA","TAG","TGA"}

def parse_fasta(data: str) -> dict:
    sequences = {}
    label = ""
    for line in data.strip().splitlines():
        line = line.strip()
        if not line:
            continue
        if line.startswith(">"):
            label = line[1:].strip()
            if not label:
                label = ""
                continue
            sequences[label] = ""
        elif label:
            sequences[label] += line
    return sequences


def revcomp(dna: str) -> str:
    comp = str.maketrans("ACGTacgt", "TGCAtgca")
    return dna.translate(comp)[::-1]


def proteins_from_strand(dna: str) -> set:
    n = len(dna)
    out = set()
    for i in range(n - 2):
        if dna[i:i+3] == "ATG":
            aa = []
            for j in range(i, n-2, 3):
                codon = dna[j:j+3]
                aa_code = DNA_CODON_TABLE.get(codon)
                if not aa_code:
                    break
                if aa_code == "*":  # stop codon
                    if aa:
                        out.add(''.join(aa))
                    break
                aa.append(aa_code)
    return out


def all_orf_proteins(fasta_text: str) -> dict:
    fasta_dict = parse_fasta(fasta_text)
    results = {}

    for label, seq in fasta_dict.items():
        seq = seq.upper()
        rc = revcomp(seq)
        proteins = set()
        proteins |= proteins_from_strand(seq)
        proteins |= proteins_from_strand(rc)
        results[label] = proteins

    return results


data = """
>Rosalind_99
AGCCATGTAGCTAACTCAGGTTACATGGGGATGACCCCGCGACTTGGATTAGAGTCTCTTTTGGAATAAGCCTGAATGATCCGAGTAGCATCTCAG
"""

res = all_orf_proteins(data)
for label, prots in res.items():
    for p in prots:
        print(p)

解法二：使用BioPython

要先執行 pip install biopython 套件安裝

from Bio.Seq import Seq

dna = Seq("AGCCATGTAGCTAACTCAGGTTACATGGGGATGACCCCGCGACTTGGATTAGAGTCTCTTTTGGAATAAGCCTGAATGATCCGAGTAGCATCTCAG")
STOPS = {"TAA", "TAG", "TGA"}

def find_orfs(seq: Seq):
    prots = set()
    s = str(seq).upper()
    n = len(s)
    for frame in range(3):
        i = frame
        while i <= n - 3:
            codon = s[i:i+3]
            if codon == "ATG":
                j = i + 3
                found_stop = False
                while j <= n - 3:
                    if s[j:j+3] in STOPS:
                        found_stop = True
                        break
                    j += 3
                if found_stop:
                    prot = str(Seq(s[i:j]).translate())
                    prots.add(prot)
            i += 3
    return prots

proteins = set()
proteins |= find_orfs(dna)
proteins |= find_orfs(dna.reverse_complement())

for p in proteins:
    print(p)

補充生物姿勢

前面提到
實務上通常直接以DNA序列進行ORF搜尋
但嚴格上來講，不應該是這樣的...？

這與 RNA加工（轉錄後修飾）有關
只有真核生物會進行RNA加工，原核生物不會
所以原核生物用DNA來進行ORF搜尋完全沒問題、合情合理，因為原核基因沒有內含子（intron）
但是真核生物用DNA來搜尋會出事
真核的DNA經過轉錄之後，還會被加工才會變成真正的mRNA

在真核細胞中，完整流程：
DNA -> pre-mRNA（初級轉錄本） -> 成熟mRNA -> 離開細胞核 -> 到核糖體轉譯成胺基酸鏈

其中，在 pre-mRNA（初級轉錄本） -> 成熟mRNA 這個步驟發生了RNA加工（RNA processing），做的事情包含：

5′ Capping（加帽）：一個倒接的7-甲基鳥苷（7-methylguanosine, 簡寫m⁷G）

剪切（splicing）：去掉內含子intron，保留外顯子exons

3′ Polyadenylation（加尾）：一大堆重複的AAAAA序列

一條成熟的mRNA有以下五個部位：

區段	是否轉譯	功能簡述
5′ cap	❌	保護 RNA、協助起始
5′UTR	❌	調控翻譯效率
ORF/CDS	✅	翻譯成蛋白質
3′UTR	❌	調控穩定性與終止
poly-A tail	❌	穩定 RNA、防止降解

但是，在生物資訊實務分析上
就算直接用mRNA序列，也要先去掉3' poly-A tail
因為在成熟的mRNA上，5' cap 跟 3' poly-A tail 都不會合成出胺基酸

真核細胞就是比較麻煩且複雜繁瑣...orz

項目	原核生物	真核生物
5′ cap	無	有（m⁷G cap）
poly-A tail	有，但作用為促進降解	有，作用為增加穩定性
5′UTR	有（Shine–Dalgarno序列、riboswitch）	有（Kozak序列）
3′UTR	有（短，調控降解）	有（長，調控穩定性與轉譯效率）
剪接（splicing）	無	有（移除內含子）
多基因轉錄（polycistronic）	常見（含多個 ORF）	多為單基因轉錄（monocistronic）

哎，說來複雜拉

簡單來說
以前認為，DNA->RNA->蛋白質
這過程，就像寫一封信件請求或委託什麼

信件裡面（序列）寫啥，對方就會做啥（產生對應胺基酸）
委託寫啥，對方就產啥

但後來發現，哇這些分子怎麼跟人類社會一樣
信件一開始不是請求或委託
而是使用敬語、一些無關請求的客氣詞，套近乎，稱讚關心連連
就是5'UTR
真正要做的事情、委託寫在中間 CDS/ORF
尾部又是祝一切安好、身體健康吾皇萬歲等等，又與蛋白質無關，就是3'UTR

以前人類認為，只要手持一張胺基酸編碼表，就能打遍天下無敵手
後來發現編碼表只適用中間區段，前後的敬詞只是冗言贅字，與請求內容無關，完全無用、可以通通捨棄
但，這幾年又漸漸發現
不對欸！這些敬詞能讓人看得爽身心愉悅、或者身心俱疲乃至心情火大，有助於或者負面抑制於委託事項（胺基酸的產生）
於是正在研究這些敬詞到底是怎麼發揮調控作用的

說這麼多
我只是想說明，從DNA、或者mRNA序列，來直接分析取得ORF都不是100%準確
在真核生物上，用mRNA準確率會高許多
只不過，在實務上大家都使用DNA來做分析
加上基因庫資料幾乎都以DNA為主，算是一個歷史共業(?

好消息是
這一題練手題目不管這麼多，用DNA或RNA都可以就對了