Codon usage bias of H9N2 avian influenza virus complete genomes and its influence factors
-
摘要:目的
探究H9N2禽流感病毒(AIV)全基因组的密码子使用偏好性及影响因素。
方法选取2010—2018年国内H9N2 AIV流行毒株的全基因组为研究对象，分析其碱基组成特性、最优密码子、密码子使用偏好性的影响因素以及病毒对宿主密码子使用模式的适应性。
结果H9N2 AIV的全基因组中AU含量高于GC。大部分最优密码子以A或U结尾，有效密码子数(ENC)平均值为52.86，提示存在密码子使用偏好性但偏好性较低。密码子使用偏好性主要受到突变压力和自然选择的共同作用，其中自然选择(所占比例为61.79%~76.15%)作用大于突变压力(所占比例为23.85%~38.21%)。H9N2 AIV对人Homo sapiens的密码子适应指数平均值为0.739~0.741，提示H9N2 AIV禽流感病毒可能已适应人类的密码子使用模式。
结论本研究为H9N2 AIV的基因进化分析、已有疫苗的密码子优化和新型疫苗(密码子去优化疫苗)研制提供了理论依据。
Abstract:ObjectiveTo study codon usage bias of H9N2 avian influenza virus (AIV) complete genomes and its influence factors.
MethodThe complete genomes of Chinese epidemic H9N2 AIV strains from 2010 to 2018 were selected. The characteristics of base composition, optimal codons, influence factors of codon usage bias and adaption to the codon usage patterns of the host were analyzed.
ResultAU content was higher than GC content in the whole genomes of H9N2 AIV. Most of the optimal codons ended with A or U, and the average of effective number of codons (ENC) was 52.86, suggesting that codon usage bias existed, but the bias was low. The codon usage bias was mainly affected by mutation pressure and natural selection. Natural selection (accounting for 61.79%−76.15%) played a greater role than mutation pressure (accounting for 23.85%−38.21%). In addition, the average codon adaptation ind ex of H9N2 AIV to Homo sapiens ranged from 0.739 to 0.741, suggesting that H9N2 AIV might have adapted to human codon usage patterns.
ConclusionThe study provides a theoretical basis for genetic evolution analysis of H9N2 AIV, codon optimization of existing vaccines and development of new vaccines (codon deoptimization vaccine).
-
Keywords:
- H9N2 avian influenza virus /
- codon usage bias /
- natural selection /
- mutation pressure
-
土壤肥力与土壤保水能力是农业生产中高产的关键，也是农业工程领域研究的重点之一。土壤利用方式会对耕层土壤有机质含量、酸碱度以及土壤容重产生影响[1]。在连年翻耕的田间土壤管理模式下，土壤中的团聚体遭到破坏，导致土壤退化、保水能力下降[2]。传统灌溉施肥方式存在效率低下、人工成本大、水肥利用率低等问题，同时过度施肥会导致产生土壤生态环境恶化、土壤养分及pH失调等问题[3]。将水、肥融合制成肥液再通过水肥一体灌溉设备进行大面积灌溉不仅能提升灌溉效率，同时还具有高效、节水、省肥等优点，这也是实现农业现代化的重要手段之一。
生物炭是一种在缺氧、高温环境下制备的多功能材料，因其发达的孔隙结构与比表面积，使得其在土壤环境改良中成为优良选择[4-5]。刘书田等[6]的研究表明，有机质分解与转化主要依靠土壤中的微生物，通过秸秆还田不仅能促进土壤中微生物繁殖，同时还能提升土壤中有机碳含量。以甘蔗渣为例，有机质随甘蔗渣进入土壤中，能有效改善土壤理化性质，土壤对水分及养分的储存能力得到提升，最终影响土壤水分入渗规律[7]。田丹等[8]的研究表明，施用生物质会影响砂壤土的结构，从而使其水力学特征参数亦受到影响。随着生物质的增加，土壤密度减小、土壤孔隙度增加、土壤持水能力提升。生物质还能通过影响土壤水分入渗规律从而有效截留土壤养分[9]。不同生物质间结构与官能团存在差异，因此对土壤入渗特性的影响也有差异。前人的研究多针对单一生物质添加对土壤理化性质的改变，关于不同种类生物质添加对土壤理化性质改变的对比研究较少。本文选用生物炭、甘蔗渣与咖啡渣这3种生物质作为土壤添加材料，探究不同生物质种类和添加量对肥液灌溉土壤入渗特征和养分运移的影响。
1. 材料与方法
1.1 供试土样
本试验在昆明理工大学呈贡校区现代农业工程学院的土壤实验室进行，室内土柱试验的供试土样为红壤土，该土样取自昆明理工大学呈贡校区周边的试验田(24°50′49.95″N,102°51′37.54″E，海拔1778.9 m)，取土深度为从表层至40 cm深的熟土。采用Mastersizer 2000型激光粒度分析仪(英国马尔文仪器有限公司)测定供试土壤颗粒组成，土壤粒径组成为直径(d) > 2 mm、0.02 mm < d≤2 mm、0.002 mm < d≤0.02 mm和0<d≤0.002 mm分别占21.57%、74.38%、3.90%和0.15%。按国际制土壤分类方法[10]，供试土壤属于砂质壤土。土样取回后经过自然风干、碾碎、去除杂质、过2 mm筛后，制成室内试验所需土样，初始含水率（w）为3.66%。
1.2 试验材料
试验添加物分别为生物炭(BC)、咖啡渣(CF)以及甘蔗渣(SC) 3种。生物炭为普通杂木生物炭(枣树、槐树、杨树等)，w(碳)一般在75%~85%，容重为0.56 g·m−3，将生物炭碾碎后过1 mm筛备用；咖啡渣采自云南保山的小粒咖啡叶渣，将咖啡渣经自然晒干、去除梗等杂质后，用微型植物试样粉碎机处理成粉末状，最后过2 mm筛后备用；甘蔗渣取自常见的食用甘蔗，将甘蔗渣榨汁后剩余较细的残渣，自然晒干水分，去除较粗的杂质后，用粉碎机处理成粉末状备用。
供试入渗肥液的溶质肥料采用赛固特(武汉)生物科技有限公司生产的大量元素水溶肥，产品状态为粉剂，其中，N、P2O5和K2O的质量分数均为20%。试验时将其溶于去二氧化碳的蒸馏水中并充分搅拌均匀备用，入渗肥液的质量浓度设置为0.2 g·L−1。
1.3 试验设计及采样
试验共设置生物质添加种类和添加量2个因素。3种生物质添加剂，分别为生物炭、咖啡渣和甘蔗渣；按照质量分数设置4个添加量水平，分别为低添加T1(0.5%)、中添加T2(1.0%)、次高添加T3(1.5%)和高添加T4(2.0%)。试验为完全组合设计，共13个处理，每个处理重复3次，以无添加处理为试验对照(CK)。试验处理如下：低、中、次高、高生物炭添加(BCT1、BCT2、BCT3、BCT4)，低、中、次高、高咖啡渣添加(CFT1、CFT2、CFT3、CFT4)，低、中、次高、高甘蔗渣添加(SCT1、SCT2、SCT3、SCT4)，对照组(CK)。
装土前，为了消除土柱的柱体内侧壁面优势流的影响，在土柱内壁面均匀地涂抹凡士林。另外，在土柱底部用几层细纱布封口，以防在装土的过程中土样颗粒流失，且有利于管内的排气性与通气性。同时将已备好的土样与3种生物质分别按照设置的添加量均匀混合。装土采取分层均匀装入土柱，土柱总高度100 cm。装土容重设置为1.2 g·cm−3，每5 cm为1层，每层间进行打毛处理，避免在入渗过程中由于分界处出现分层现象而引起入渗的土层间产生结构和水动力学特征突变等不连续性现象。本试验采用一维定水头垂直积水入渗的方法测定其入渗性状，入渗压力水头设为7 cm。在试验开始时，先打开马氏瓶底部的排气阀将橡胶管以及瓶内的空气排干净，记下此时马氏瓶上的刻度读数，并迅速与土柱的进水口密封连接，用秒表计时，根据由密到疏的原则，记录入渗时间分别为1、2、5、10、20、30、60、90、120、150、180和210 min时湿润锋的运移距离和马氏瓶的水位读数，试验结束后，计算湿润锋运移距离和累积入渗量。
入渗结束后，停止马氏瓶供水，立即用土钻对土柱的湿润体进行分层取样，取样点间隔距离为5 cm，将取出的土样装入铝盒，以便后期测定试验数据。土壤理化性质分析参照《土壤农化分析》[11]。土壤中硝态氮含量采用浸提比色法测定，速效磷含量采用硫酸钼锑比色法测定，速效钾含量采用乙酸铵浸提原子吸收分光光度计法测定。
1.4 数据处理
文中数据均为3次重复试验实测值的平均值，采用Excel 2016软件进行处理。采用Origin 2018软件作图及模型参数拟合。为定量评估入渗过程，分别采用前人研究总结的Kostiakov一维入渗模型和Philip入渗模型[12-14]进行表征。其中，Kostiakov一维入渗模型为经验公式，计算公式为： $$ I(t) = K{t^n} ，$$ (1) 式中，
$ K $ 为入渗系数，cm·min−1；$ t $ 为入渗时间，min；$ n $ 为入渗指数，反映土壤入渗能力的衰减。Philip入渗模型为理论公式，其计算公式为：
$$ I(t) = A{t^{0.5}} + Bt ，$$ (2) 式中，
$ A $ 为土壤吸渗率，cm·min−0.5；$ t $ 为入渗时间，min；$ B $ 为土壤稳定入渗率，cm·min−0.5。2. 结果与分析
2.1 生物质种类和添加量对土壤湿润锋运移特征的影响
利用湿润锋运移的距离表征水分在土壤基质吸力与重力双重作用下的运动特征。图1的结果表明，随着灌溉肥液时间延长，累积入渗量增加速度减慢，入渗速率降低，从而影响入渗锋的运移。不同施入量下湿润锋运移距离随入渗时间的变化趋势基本相似：湿润锋运移距离随入渗时间增加逐渐增大，但趋势变缓。与CK组相比，BC处理组中BCT1、BCT2、BCT3和BCT4的湿润锋运移距离分别降低了9.14%、17.18%、26.87%和34.00%；CF处理组中CFT1、CFT2、CFT3和CFT4的湿润锋运移距离分别降低了8.04%、19.74%、29.00%和37.00%；SC处理组中SCT1、SCT2、SCT3和SCT4的湿润锋运移距离分别降低了12.56%、18.50%、28.41%和38.33%。不同生物质添加土壤对湿润锋运移距离抑制效果表现为：SC >CF>BC。
![]()
图 1 不同处理组内水肥入渗深度随入渗时间变化关系T1、T2、T3和T4分别为生物质添加量(w) 0.5%、1.0%、1.5%和2.0%Figure 1. Changing of the infiltration depth of water and fertilizer with infiltration time in different treatmentT1，T2，T3 and T4 represent biomass additions of 0.5%，1.0%，1.5% and 2.0% respectively2.2 生物质种类和添加量对土壤累积入渗量的影响
土壤累积量入渗曲线常用来表征土壤的入渗能力。图2为BC、CF以及SC在不同生物质施入比例下土壤累计入渗量随时间的变化特征。由图2可看出，同一生物质在不同添加量下，其累计入渗量随时间变化规律基本一致。但在同种生物质添加下的同一入渗时刻，不同生物质添加量的累积入渗量不同。入渗初期各处理间累积入渗量相差不明显，随着入渗时间增加，各处理间累积入渗量差异逐渐明显。同种生物质处理下，土壤累积入渗量随生物质添加量增加而减小。选取入渗开始210 min后的累积入渗量来定量分析土壤水分入渗特性，与CK组相比，BC处理组中，BCT1、BCT2、BCT3和BCT4处理土壤累积入渗量分别减少了6.00%、13.44%、21.23%和26.60%；CF处理组中，CFT1、CFT2、CFT3和CFT4处理土壤累积入渗量分别减少了7.36%、15.37%、22.78%和30.00%；SC处理组中，SCT1、SCT2、SCT3和SCT4处理土壤累积入渗量分别减少了9.69%、17.18%、22.91%和31.01%。不同生物质添加对土壤累积入渗量抑制效果为：SC>CF>BC。 ![]()
图 2 不同处理组内水肥累积入渗量随入渗时间变化关系T1、T2、T3和T4分别为生物质添加量(w) 0.5%、1.0%、1.5%和2.0%Figure 2. Changing of the cumulative infiltration of water and fertilizer with infiltration time in different treatmentT1，T2，T3 and T4 represent biomass additions of 0.5%，1.0%，1.5% and 2.0% respectively利用模型对不同生物质处理土壤累计入渗数据进行拟合。其拟合结果(表1)显示：Kostiakov一维入渗模型决定系数(R2)在0.974~0.998之间，说明该入渗模型可以很好地表征不同预处理土壤的累积入渗过程；Philip入渗模型R2在0.910~0.997之间。Kostiakov一维入渗模型在本试验中表征累积入渗量与入渗时间之间关系的效果优于Philip入渗模型。
表 1 不同入渗模型拟合关系Table 1. Fitting relationships of different infiltration models生物质
Biomass处理组
Treatment groupKostiakov Philip $ K $ $ n $ $ {R}^{2} $ $ A $ $ B $ $ {R}^{2} $ 生物炭
Biochar
(BC)CK 5.577 0.260 0.998 3.129 −0.115 0.913 BCT1 3.810 0.323 0.997 2.529 −0.077 0.968 BCT2 3.478 0.320 0.997 2.217 −0.064 0.966 BCT3 3.685 0.281 0.981 2.030 −0.061 0.910 BCT4 3.125 0.291 0.974 1.685 −0.434 0.922 咖啡渣
Coffee grounds
(CF)CK 5.577 0.260 0.998 3.129 −0.115 0.913 CFT1 3.088 0.361 0.999 2.245 −0.057 0.991 CFT2 3.035 0.342 0.997 2.008 −0.049 0.983 CFT3 3.088 0.316 0.995 1.880 −0.050 0.970 CFT4 3.084 0.295 0.993 1.781 −0.052 0.951 甘蔗渣
Bagasse
(SC)CK 5.577 0.260 0.998 3.129 −0.115 0.913 SCT1 2.665 0.382 0.996 2.063 −0.048 0.985 SCT2 2.197 0.404 0.997 1.827 −0.040 0.990 SCT3 2.030 0.401 0.997 1.615 −0.031 0.990 SCT4 1.491 0.447 0.997 1.420 −0.003 0.997 2.3 生物质种类和添加量对土壤入渗速率的影响
入渗速率是表征土壤入渗能力的重要参数之一。土壤入渗速率同时受土壤质地影响及其诸多因素影响[15-16]。结果(图3)表明同种生物质在不同添加量下，土壤入渗速率变化趋势相同。即入渗速率均随入渗时间增加而降低，最终趋于相对稳定状态。在相同入渗时间条件下，土壤入渗速率随生物质添加量升高而降低，其入渗速率在开始的0~10 min变化幅度较大；在10~60 min时土壤入渗速率减小，同时趋势趋于稳定；入渗时间超过60 min后，土壤入渗速率基本趋于稳定。 ![]()
图 3 不同处理组内水肥入渗速率随入渗时间变化关系T1、T2、T3和T4分别为生物质添加量(w) 0.5%、1.0%、1.5%和2.0%Figure 3. Changing of water and fertilizer infiltration rate with infiltration time in different treatmentT1，T2，T3 and T4 represent biomass additions of 0.5%，1.0%，1.5% and 2.0% respectively2.4 生物质种类和添加量对土壤硝态氮分布特征的影响
试验结果(图4)表明，不同预处理组土壤中硝态氮含量随土层深度变化规律相似，硝态氮含量均随土壤深度增加而增加。各处理组土壤硝态氮含量均高于CK组，与CK组相比，BC处理组中BCT1、BCT2、BCT3和BCT4处理土壤硝态氮含量分别提升了15.00%、37.32%、59.77%和74.32%，CF处理组中CFT1、CFT2、CFT3和CFT4处理土壤硝态氮含量分别提升了8.00%、25.79%、48.19%和56.00%，SC处理组中SCT1、SCT2、SCT3和SCT4处理土壤硝态氮含量分别提升了13.47%、26.04%、38.12%和51. 00%。生物质添加对土壤中硝态氮含量提升效果为：BC > CF > SC。
![]()
图 4 不同处理组内硝态氮累积随土壤深度变化关系T1、T2、T3和T4分别为生物质添加量(w) 0.5%、1.0%、1.5%和2.0%Figure 4. Changing of nitrate nitrogen accumulation with soil depth in different treatmentT1，T2，T3 and T4 represent biomass additions of 0.5%，1.0%，1.5% and 2.0% respectively2.5 生物质种类和添加量对土壤速效磷分布特征的影响
试验结果(图5)表明，各预处理土壤组中速效磷含量随土壤深度变化趋势相似，均表现为随土壤深度增加速效磷含量逐渐降低，变化过程较为平稳。与CK组相比，BC处理组中BCT1、BCT2、BCT3和BCT4处理土壤速效磷含量分别提升了2.93%、9.78%、1.90%和30.25%，CF处理组中CFT1、CFT2、CFT3和CFT4处理土壤速效磷含量分别提升了105.04%、120.20%、129.76%和140.70%，SC处理组中SCT1、SCT2、SCT3和SCT4处理土壤速效磷含量分别提升了95.34%、105.68%、123.54%和139.20%。生物质添加对土壤中速效磷含量提升效果为：CF > SC > BC。
![]()
图 5 不同处理组内速效磷累积随土壤深度变化关系T1、T2、T3和T4分别为生物质添加量(w) 0.5%、1.0%、1.5%和2.0%Figure 5. Changing available phosphorus accumulation with soil depth in different treatmentT1，T2，T3 and T4 represent biomass additions of 0.5%，1.0%，1.5% and 2.0% respectively2.6 生物质种类和添加量对土壤速效钾分布特征的影响
试验结果(图6)表明，BC、CF与SC处理组土壤中速效钾含量随土层深度变化均表现为随土层深度增加，土壤速效钾含量降低。与CK组相比，BC处理组中BCT1、BCT2、BCT3和BCT4处理土壤速效钾含量分别提升了24.76%、56.55%、93.49%和126.85%，CF处理组中CFT1、CFT2、CFT3和CFT4处理的土壤速效钾含量分别提升了38.00%、82.34%、113.76%和143.87%，SC处理组中SCT1、SCT2、SCT3和SCT4处理的土壤速效钾含量分别提升了19.60%、43.39%、75.76%和104.03%。各生物质添加对土壤中速效钾含量提升效果为：CF > BC > SC。
![]()
图 6 不同处理组内速效钾累积随土壤深度变化关系T1、T2、T3和T4分别为生物质添加量(w) 0.5%、1.0%、1.5%和2.0%Figure 6. Changing of available potassium accumulation with soil depth in different treatmentT1，T2，T3 and T4 represent biomass additions of 0.5%，1.0%，1.5% and 2.0% respectively3. 讨论
湿润锋是土壤水分在发生运移时湿润层与干燥层分界线，土壤水分在土壤基质吸力与重力共同作用下运移特性通常由湿润锋体现[17-18]。土壤自身理化性质是影响土壤入渗过程的主要因素，其中，土壤孔隙率降低会导致土壤入渗速率下降[19]。同时土壤质地、体积质量、土壤团聚体也对土壤水分入渗影响明显[20-21]。试验结果均表现为湿润锋曲线在入渗开始时变化明显，随着入渗时间延长逐渐趋于平稳，这与李帅霖等[22]的研究结果一致。3种不同生物质添加后均对湿润锋运移具有抑制作用，其中，甘蔗渣对土壤湿润锋抑制作用最明显。有研究表明，生物炭在进入土壤后改变了土壤原有结构，其自身与土壤中有机质重新结合并形成胶结物质，使得土壤中微聚体重新分配组合为大团聚体[23-24]，从而抑制土壤水分入渗。本试验中咖啡渣与甘蔗渣在进入土壤后对土壤原有结构产生了与生物炭相似的影响，其中，甘蔗渣与土壤中微聚体重分配效果最佳。
Kostiakov一维入渗模型
$ {R}^{2} $ 在各处理组下均大于0.97，参数$ K $ 在1.49~5.57之间，随着$ K $ 增大土壤水分入渗曲线斜率也有增加，土壤水分入渗也越快。Philip入渗模型拟合结果显示$ {R}^{2} $ 均大于0.91，土壤吸渗率（$ A $ ）均在1.42~3.12之间。随着土壤中生物质添加量提升，$ A $ 逐渐降低。土壤稳定入渗率（$ B $ ）在3组生物质添加土壤中均为负值，但该值通常为正值，有学者认为，产生该结果的原因可能是模型中衰减系数固定为−0.5限制了该模型的适用范围[25]。由于硝态氮自身易溶于水，肥液进入土壤后其中的硝态氮易随肥液向下入渗。同时土壤胶体自身带有负电荷，而硝态氮也带有负电荷，所以在肥液入渗过程中不易被土壤团聚体吸附。入渗过程一般分为渗润阶段、渗漏阶段与渗透阶段[26]，但由于渗润阶段与渗漏阶段无明显界限，因此在水文学中也将渗润阶段与渗漏阶段合并称为初渗阶段，将渗透阶段称为稳渗阶段，其中初渗阶段下渗强度强于稳渗阶段。在主要发生初渗阶段的上层土壤中硝态氮累积效应低于主要发生稳渗阶段的下层土壤，在试验结果中表现为硝态氮累积随着土层增加而增加。试验结果显示生物炭添加对土壤硝态氮含量提升效果高于咖啡渣与甘蔗渣，这与生物炭对土壤中NH4+与NO3−具有较强的吸附特性吻合[27]。
土壤中速效磷主要包括土壤溶液中的磷酸根离子、易溶的无机磷化物及吸附态磷，由于速效磷在土壤中吸附快、交换快，因此在水肥入渗过程中土壤与肥液很快完成对速效磷的吸附与交换过程，即在试验结果中表现为各处理组中速效磷含量随土壤深度变化平稳。Cruz等[28]的研究表明，咖啡渣自身具有一定肥力，在入渗过程中咖啡渣中易溶的无机磷化物快速与土壤发生交换并留存在土壤中，从而提升了土壤中速效磷含量。与咖啡渣、甘蔗渣相比，生物炭经过高温、高压制备，其结构更加稳定且生物质自身的无机磷化物较少。咖啡渣添加与甘蔗渣添加对土壤中速效磷含量提升较生物炭添加更加明显，这种差异可能主要源于生物质材料本身。
土壤中速效钾主要为交换性钾与水溶性钾[29]，其中交换性钾主要存在于土壤外表面，这部分速效钾含量较为稳定；水溶性钾则主要存在于土壤溶液，这部分速效钾含量则会随着土壤溶液中水溶性钾含量波动，或者随着土壤肥液在土壤中留存时间波动。试验结果表明3种生物质对土壤累积入渗量抑制效果为：SC>CF>BC，这与3种生物质添加对土壤中速效钾含量提升并不吻合，因此推测土壤中速效钾含量应主要受交换性钾影响，这与王亚琼等[30]的研究结果吻合。
4. 结论
1)与CK组相比，添加生物炭、咖啡渣与甘蔗渣对湿润锋运移距离均有明显限制效果。不同生物质添加土壤对湿润锋运移距离抑制效果表现为：SC >CF>BC。添加生物炭、咖啡渣与甘蔗渣均能减少土壤累积入渗量。不同生物质处理下对土壤累积入渗量抑制效果为：SC >CF> BC。
2)实测累积入渗量与入渗时间之间的变化规律满足Kostiakov一维入渗模型。其拟合结果显示：
$ R $ 2均大于0.974，累积入渗量与入渗时间符合Kostiakov一维入渗模型。Philip入渗模型拟合结果显示：$ R $ 2在0.910~0.997之间，同时Philip入渗模型拟合结果中土壤稳定入渗率（B）均为负值，说明Philip入渗模型并不适用于表征生物质添加后的土壤入渗规律。Kostiakov一维入渗模型在本试验中表征累积入渗量与入渗时间之间关系的效果优于Philip入渗模型。3)与CK组相比，添加生物炭、咖啡渣与甘蔗渣对土壤肥力均有明显提升。不同生物质添加对土壤中硝态氮提升效果为：BC > CF > SC；不同生物质添加对土壤中速效磷提升效果为：CF > SC > BC；不同生物质添加对土壤中速效钾提升效果为：CF > BC > SC。
-
![]()
图 1 不同年份H9N2禽流感病毒的有效密码子数绘图分析
Figure 1. Plot analysis of effective number of codons of H9N2 avian influenza virus in different years
![]()
图 2 不同年份H9N2禽流感病毒的PR2绘图分析
下标“3”代表密码子第3位
Figure 2. PR2 plot analysis of H9N2 avian influenza virus in different years
The subscripted “3” indicates the 3rd place of codon
![]()
图 3 不同年份H9N2禽流感病毒的对应性分析
Figure 3. Correspondence analysis of H9N2 avian influenza virus in different years
![]()
图 4 不同年份H9N2禽流感病毒的中性绘图分析
Figure 4. Neutrality plot analysis of H9N2 avian influenza virus in different years
表 1 H9N2禽流感病毒基因组的碱基组成分析1)
Table 1 Base composition analysis of H9N2 avian influenza virus genomes
% 碱基2) Base 年份 Year 2010—2012 2013—2015 2016—2018 A 32.92±0.09 32.92±0.10 33.03±0.08 C 19.49±0.09 19.48±0.07 19.41±0.09 U 22.89±0.09 22.88±0.10 22.90±0.10 G 24.71±0.15 24.72±0.13 24.65±0.11 GC 44.19±0.16 44.20±0.15 44.07±0.14 A3S 41.42±0.52 41.48±0.79 41.80±0.54 C3S 26.57±0.86 26.51±1.05 26.73±0.70 U3S 30.95±0.60 30.83±1.48 30.76±1.07 G3S 28.08±0.49 28.11±0.98 27.74±1.24 GC3S 42.06±0.58 42.07±0.69 41.93±0.73 1)表中数据为平均值±标准差；2)下标“3S”代表同义密码子第3位
1)The datum in the table is average ± standard deviation; 2) The subscripted “3S” indicates the 3rd place of synonymous codon
下载: 导出CSV
表 2 H9N2禽流感病毒基因组的最优密码子分析
Table 2 Optimal codon analysis of H9N2 avian influenza virus genomes
氨基酸
Amino acid密码子1)
Codon同义密码子相对使用度
Relative synonymous codon usage氨基酸
Amino acid密码子1)
Codon同义密码子相对使用度
Relative synonymous codon usage高表达组
High expression group低表达组
Low expression group高表达组
High expression group低表达组
Low expression groupAla GCT* 1.130 0.957 Phe TTT* 0.960 0.817 GCC* 0.884 0.730 TTC 1.040 1.184 GCA 1.610 1.972 Leu TTA 0.680 0.571 GCG 0.376 0.340 TTG 1.330 1.164 Arg AGA 2.386 2.875 CTT 1.162 1.081 AGG 1.782 1.707 CTC 0.948 0.912 CGT* 0.278 0.226 CTA 0.877 1.065 CGC 0.290 0.277 CTG 1.002 1.208 CGA* 0.834 0.462 Lys AAA 1.076 1.129 CGG 0.431 0.453 AAG 0.924 0.872 Asn AAT 1.139 1.122 Pro CCT 1.098 1.120 AAC 0.862 0.878 CCC 0.880 0.703 Asp GAT* 1.181 1.076 CCA 1.488 1.612 GAC 0.819 0.924 CCG 0.535 0.564 Cys TGT 0.938 0.885 Ser AGT 1.189 1.141 TGC 1.062 1.115 AGC 1.193 1.117 Gln CAA 1.149 1.095 TCT 1.059 1.153 CAG 0.851 0.905 TCC 0.782 0.802 Glu GAA 1.206 1.206 TCA 1.340 1.428 GAG 0.794 0.794 TCG 0.436 0.360 Gly GGT* 0.711 0.580 Thr ACT 1.040 0.908 GGC* 0.735 0.559 ACC 0.902 0.863 GGA 1.744 1.759 ACA 1.656 1.862 GGG 0.810 1.103 ACG 0.402 0.367 His CAT 1.243 1.259 Tyr TAT 1.176 1.170 CAC 0.757 0.741 TAC 0.824 0.830 Ile ATT 1.162 1.129 Val GTT* 1.037 0.915 ATC 0.876 0.813 GTC 0.876 0.852 ATA 0.962 1.058 GTA* 0.836 0.716 GTG 1.250 1.517 1)“*”表示高表达组的同义密码子相对使用度显著高于低表达组且差异≥0.08(P <0.01， t检验)
1)“*” indicates relative synonymous codon usage of high expression group is significantly higher than that of low expression group and the difference is equal or higher than 0.08 (P<0.01,t test)
下载: 导出CSV
表 3 前两主轴对应性分析及与密码子使用偏好性主要参数的相关性分析
Table 3 Correspondence analyses of the first two principle axes and correlation analyses between the first two principle axes and main parameters of codon usage bias
前两主轴
First two
principle axes对应性分析差异比例
Variation proportion of correspondence analysis相关性1) Correlation w(U3S) w(C3S) w(A3S) w(G3S) w(GC12) w(GC3S) w(GC) ENC 总平均亲水性
General average
hydropathicity芳香性
Aromaticity第1轴 Axis 1 34.65% 0.091 −0.348** 0.262* −0.014 0.340** −0.385** 0.510** 0.633** −0.533** −0.418** 第2轴 Axis 2 21.34% 0.471** 0.513** −0.181 −0.717** 0.295** −0.291** −0.234* 0.216** −0.233* 0.342** 1)“*”代表P<0.05, “**”代表P<0.01(Spearman相关性分析)；下标“3S”代表同义密码子第3位，下标“12”代表密码子第1、2位，“ENC”代表有效密码子数
1)“*”represents P<0.05, “**”representsP<0.01(Spearman’s rank correlation analysis); The subscripted “3S” indicates the 3rd place of synonymous codon, The subscripted “12” indicates the 1st and 2nd places of codon, “ENC” indicates effective number of codons
下载: 导出CSV
表 4 H9N2 禽流感病毒基因组的密码子适应指数分析1)
Table 4 Codon adaptation index analysis of H9N2 avian influenza virus genomes
年份
Year有效密码子数
Effective number of codons密码子适应指数 Codon adaptation index 鸡 Gallus gallus 人 Homo sapiens 2010—2012 52.86±0.64 0.768±0.005(−0.731**) 0.740±0.004(−0.583**) 2013—2015 0.766±0.006(−0.386*) 0.739±0.005(−0.223) 2016—2018 0.768±0.004(−0.635**) 0.741±0.003(−0.409*) 1)表中数据为平均值±标准差；括号中数据为相关系数；“*”表示P<0.05, “**”表示P<0.01(Spearman相关性分析)
1) The datum in the table indicates average ± standard deviation; The datum in the bracket is correlation coefficient; “*” represents P<0.05, “**” representsP<0.01(Spearman’s rank correlation analysis)
下载: 导出CSV
-
[1] 陈伯伦, 张泽纪, 陈伟斌. 鸡A型禽流感病毒的分离与血清学初步鉴定[J]. 中国家禽, 1997(11): 4-6. [2] SUN Y, LIU J. H9N2 influenza virus in China: A cause of concern[J]. Protein Cell, 2015, 6(1): 18-25. doi: 10.1007/s13238-014-0111-7
[3] LI G, WANG R, ZHANG C, et al. Genetic and evolutionary analysis of emerging H3N2 canine influenza virus[J]. Emerg Microbes Infect, 2018: 7. doi: 10.1038/s41426-018-0079-0.
[4] 胡明达. 禽流感病毒进化与传播规律研究[D]. 北京: 军事科学院, 2018. [5] NASRULLAH I, BUTT A M, TAHIR S, et al. Genomic analysis of codon usage shows influence of mutation pressure, natural selection, and host features on Marburg virus evolution[J]. BMC Evol Biol, 2015: 15. doi: 10.1186/s12862-015-0456-4.
[6] BAKER S F, NOGALES A, MARTÍNEZ-SOBRIDO L. Downregulating viral gene expression: Codon usage bias manipulation for the generation of novel influenza A virus vaccines[J]. Future Virol, 2015, 10(6): 715-730. doi: 10.2217/fvl.15.31
[7] PUIGBÒ P, BRAVO I G, GARCIA-VALLVE S. CAIcal: A combined set of tools to assess codon usage adaptation[J]. Biol Direct, 2008: 3. doi: 10.1186/1745-6150-3-38.
[8] NAKAMURA Y, GOJOBORI T, IKEMURA T. Codon usage tabulated from international DNA sequence databases: Status for the year 2000[J]. Nucleic Acids Res, 2000, 28(1): 292. doi: 10.1093/nar/28.1.292
[9] WANG L, XING H, YUAN Y, et al. Genome-wide analysis of codon usage bias in four sequenced cotton species[J]. PLoS One, 2018, 13(3): e0194372. doi: 10.1371/journal.pone.0194372
[10] SHARP P M, LI W H. The codon adaptation index: A measure of directional synonymous codon usage bias, and its potential applications[J]. Nucleic Acids Res, 1987, 15(3): 1281-1295. doi: 10.1093/nar/15.3.1281
[11] CHEN Y, CHEN Y F. Analysis of synonymous codon usage patterns in duck hepatitis A virus: A comparison on the roles of mutual pressure and natural selection[J]. VirusDisease, 2014, 25(3): 285-293. doi: 10.1007/s13337-014-0191-2
[12] CRISTINA J, FAJARDO A, SOÑORA M, et al. A detailed comparative analysis of codon usage bias in Zika virus[J]. Virus Res, 2016, 223: 147-152. doi: 10.1016/j.virusres.2016.06.022
[13] 金刚, 王丽萍, 龙凌云, 等. 普通野生稻线粒体蛋白质编码基因密码子使用偏好性的分析[J]. 植物科学学报, 2019, 37(2): 188-197. doi: 10.11913/PSJ.2095-0837.2019.20188 [14] KUMAR N, BERA B C, GREENBAUM B D, et al. Revelation of influencing factors in overall codon usage bias of equine influenza viruses[J]. PLoS One, 2016, 11(4): e0154376. doi: 10.1371/journal.pone.0154376
[15] ZHOU T, GU W J, MA J M, et al. Analysis of synonymous codon usage in H5N1 virus and other influenza A viruses[J]. Biosystems, 2005, 81(1): 77-86. doi: 10.1016/j.biosystems.2005.03.002
[16] ANHLAN D, GRUNDMANN N, MAKALOWSKI W, et al. Origin of the 1918 pandemic H1N1 influenza A virus as studied by codon usage patterns and phylogenetic analysis[J]. RNA, 2011, 17(1): 64-73. doi: 10.1261/rna.2395211
[17] BUTT A M, NASRULLAH I, QAMAR R, et al. Evolution of codon usage in Zika virus genomes is host and vector specific[J]. Emerg Microbes Infect, 2016, 5: e107.
[18] YANG X, LUO X, CAI X. Analysis of codon usage pattern in Taenia saginata based on a transcriptome dataset[J]. Parasite Vector, 2014: 7. doi: 10.1186/s13701-014-0527-1.
[19] SHI S L, JIANG Y R, LIU Y Q, et al. Selective pressure dominates the synonymous codon usage in parvoviridae[J]. Virus Genes, 2013, 46(1): 10-19. doi: 10.1007/s11262-012-0818-6
[20] VICARIO S, MORIYAMA E N, POWELL J R. Codon usage in twelve species of Drosophila[J]. BMC Evol Biol, 2007: 7. doi: 10.1186/1471-2148-7-226.
[21] HUANG Y W, LI X D, ZHANG H, et al. Human infection with an avian influenza A (H9N2) virus in the middle region of China[J]. J Med Virol, 2015, 87(10): 1641-1648. doi: 10.1002/jmv.24231
[22] BERA B C, VIRMANI N, KUMAR N, et al. Genetic and codon usage bias analyses of polymerase genes of equine influenza virus and its relation to evolution[J]. BMC Genomics, 2017: 18. doi: 10.1186/s12864-017-4063-1.
-
期刊类型引用(2)
1. 荣正普 ，王杰敏 ，裴林 ，石卫红 ，张叶 ，王晓媛 ，孙会改 ，韩晓伟 . 黄芩属药用植物叶绿体基因组密码子使用偏好性分析. 中草药. 2025(01): 269-281 . 
百度学术
2. 贾婷婷，冷冬，梁玉芳，潘阳. H7N9禽流感病毒全基因组密码子偏好性分析. 国际病毒学杂志. 2021(03): 205-209 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 18219
- HTML全文浏览量: 1
- PDF下载量: 20270
- 被引次数: 5
