如何计算 GC 含量?

统计 G 和 C 碱基的数目,除以 A、C、G、T(或 U)碱基的总数,再乘以 100。例如 ATGCGC 为 4 ÷ 6 = 66.7%。同样的分数既用于整个基因组,也用于沿基因滑动的 50 个碱基窗口。

引物的正常 GC 含量是多少?

引物通常设计为 40–60% GC,这样解链温度处于可用范围内,并且避免了会非特异性结合的 G 或 C 长段。引物 3′ 端以一两个 G 或 C 碱基结尾(GC 夹)有助于退火,但连续超过三个则可能导致错配。可用引物 Tm 计算器检查解链温度。

GC 偏斜能说明什么?

GC 偏斜 (G − C) ÷ (G + C) 衡量链的不对称性。在许多细菌中,前导链富含 G,因此偏斜的符号会在复制起点和终点处翻转。累积偏斜图会把这两个转换点显示为最小值和最大值,这是在新基因组中快速定位复制起点的方法。

为什么不同生物的 GC 含量不同?

突变偏好、DNA 修复、复制和选择都会塑造碱基组成,而不同谱系之间的平衡各不相同。自由生活的细菌 GC 含量在约 25% 到 75% 之间,温血脊椎动物则表现出称为等密度区(isochore)的大范围区域差异。在一个基因组内部,富含 GC 的区域往往基因密集。

像 N 这样的歧义码如何计算?

默认情况下,它们同时被排除在分子和分母之外。您也可以将其保留在分母中计为非 GC,或者按其可能碱基中为 G 或 C 的份额为每个代码加权,使 N 计为 0.5。这三种选择分别对应 Biopython 的 “remove”、“ignore” 和 “weighted” 设置。

GC 分布图应使用多大的窗口?

窗口应足够长以获得稳定的估计,又足够短以显示您关注的特征。100–200 个碱基适合基因或 CpG 岛的搜索,1,000–10,000 个碱基适合细菌基因组,步长可取窗口的五分之一到一半。若步长会产生超过 2,000 个窗口,工具会自动提高步长,使图表保持可读。

GC 含量计算器

粘贴 DNA 或 RNA 序列——纯文本或 FASTA,单条或多条皆可——即可获得其 GC 百分比、碱基计数、GC 偏斜、各密码子位置的 GC 以及 CpG 观察值/期望值比率,并可绘制 GC 含量、GC 偏斜或累积偏斜的滑动窗口图,然后下载。您可以选择如何处理歧义码。它在您的浏览器中运行,不会上传任何内容。

DNA 或 RNA 序列——纯文本或 FASTA

可以包含空格、换行、数字和小写字母。若有多条 FASTA 记录,每条都会在表格中占一行,您可以选择其中一条来绘图。

歧义码(N、R、Y……)

窗口大小(碱基)

步长(碱基)

结果

64.56%

GC 含量

333 nt

长度

0.014

GC 偏斜 (G − C) / (G + C)

密码子第 1、2、3 位的 GC(从第 1 个碱基开始的阅读框):69.37%、44.14%、80.18%

CpG 观察值/期望值:0.29

所有序列

序列	长度	A	C	G	T/U	其他	GC %	GC 偏斜
NM_000207.3	333	57	106	109	61	0	64.56%	0.014

绘图

每个窗口的 GC 含量每个窗口的 GC 偏斜累积 GC 偏斜

滑动窗口曲线

虚线:整条序列的值。

如何使用 GC 含量计算器

1. 粘贴序列。 可以是纯字母或 FASTA 格式;空格、换行、数字和小写字母都会被忽略,U 按 T 计算。如果含有多条 FASTA 记录,每一条都会在表格中占一行。
2. 选择歧义码规则。 默认设置会把 N、R、Y 等歧义码排除在计算之外。您也可以把它们计为非 GC,或者按每个代码为 G 或 C 的可能性加权。
3. 查看数字。 所选序列的 GC%、长度、GC 偏斜、密码子第 1、2、3 位的 GC,以及 CpG 观察值/期望值比率都会显示出来。
4. 绘制分布图。 设置窗口和步长,然后沿序列绘制 GC 含量、GC 偏斜或累积 GC 偏斜。可将图表下载为 SVG 或 PNG。

什么是 GC 含量

GC 含量是 DNA 或 RNA 序列中鸟嘌呤(G)或胞嘧啶(C)所占的比例:GC% = (G + C) ÷ (A + C + G + T) × 100。G–C 碱基对有三个氢键,A–T 碱基对只有两个,堆积作用又增加了稳定性,因此富含 GC 的 DNA 解链温度更高。GC 含量在不同基因组之间以及同一基因组的不同区段之间差异很大:人类基因组平均约为 41%,Escherichia coli K-12 约为 51%,Streptomyces coelicolor 约为 72%,疟原虫 Plasmodium falciparum 约为 19%。对于引物而言,GC 含量通常以 40–60% 左右为目标。

真实序列中经常含有 IUPAC 歧义码,而计算它们的方法不止一种。这里提供的三种选项遵循 Biopython 的 gc_fraction 所采用的约定:

选项	公式	适用情况
排除歧义码	(G + C + S) ÷ (A + C + G + T + S + W)	您想计算已知碱基的 GC 含量
计为非 GC	(G + C + S) ÷ 总长度	某个工具或论文以全长作除数
加权	每个代码加上其为 G 或 C 的可能性(N = 0.5,B 和 V = ⅔,D 和 H = ⅓)	歧义码较多,而您想要一个期望值

GC 偏斜与 CpG 比率

GC 偏斜为 (G − C) ÷ (G + C),在各个窗口中计算。在许多细菌基因组中,前导链上的 G 多于 C,因此偏斜值在复制起点的一侧为正,另一侧为负(Lobry, 1996, Molecular Biology and Evolution)。绘制偏斜的累积和——即累积 GC 偏斜——会把这种转变变成 V 形或倒 V 形,其最小值和最大值分别标记复制起点和终点(Grigoriev, 1998, Nucleic Acids Research)。累积图使用您所设定大小的不重叠窗口。

CpG 观察值/期望值比率为 CpG 数 × 长度 ÷ (C 数 × G 数)。在脊椎动物中,甲基化的 CpG 容易突变为 TpG,因此 CpG 在基因组的大部分区域中都相对缺失,比率接近 1 的区段则显得不寻常。CpG 岛的经典定义(Gardiner-Garden 和 Frommer, 1987)是:长度至少 200 bp、GC 高于 50%、比率至少为 0.6 的区段;由于这些临界值是任意的,请自行在 200 bp 窗口上应用它。

示例:人类胰岛素编码序列

试用示例 会加载来自 NCBI RefSeq NM_000207.3 的人类胰岛素 333 个碱基的编码序列。其中含有 57 个 A、106 个 C、109 个 G 和 61 个 T,因此 GC = 215 ÷ 333 = 64.56%。偏斜为 (109 − 106) ÷ 215 = 0.014,几乎为零。十个 CpG 二核苷酸给出的比率为 10 × 333 ÷ (106 × 109) = 0.29。

按密码子位置计算的 GC,从第 1 个碱基开始的阅读框

GC1 = 69.37% GC2 = 44.14% GC3 = 80.18%

使用 100 个碱基的窗口、步长 20 个碱基时共有 12 个窗口,GC 从 58.0% 到 76.0%

GC3,即第三密码子位,是同义替换发生的位置,它不改变蛋白质,因此会随局部碱基组成而变化。GC3 为 80%、而 GC2 为 44%,是位于人类基因组富含 GC 区域中的基因的典型特征。可用 DNA 转蛋白质翻译器翻译该序列,或用引物 Tm 计算器为其设计引物。

常见问题

如何计算 GC 含量?: 统计 G 和 C 碱基的数目,除以 A、C、G、T(或 U)碱基的总数,再乘以 100。例如 ATGCGC 为 4 ÷ 6 = 66.7%。同样的分数既用于整个基因组,也用于沿基因滑动的 50 个碱基窗口。
引物的正常 GC 含量是多少?: 引物通常设计为 40–60% GC,这样解链温度处于可用范围内,并且避免了会非特异性结合的 G 或 C 长段。引物 3′ 端以一两个 G 或 C 碱基结尾(GC 夹)有助于退火,但连续超过三个则可能导致错配。可用引物 Tm 计算器检查解链温度。
GC 偏斜能说明什么?: GC 偏斜 (G − C) ÷ (G + C) 衡量链的不对称性。在许多细菌中,前导链富含 G,因此偏斜的符号会在复制起点和终点处翻转。累积偏斜图会把这两个转换点显示为最小值和最大值,这是在新基因组中快速定位复制起点的方法。
为什么不同生物的 GC 含量不同?: 突变偏好、DNA 修复、复制和选择都会塑造碱基组成,而不同谱系之间的平衡各不相同。自由生活的细菌 GC 含量在约 25% 到 75% 之间,温血脊椎动物则表现出称为等密度区(isochore)的大范围区域差异。在一个基因组内部,富含 GC 的区域往往基因密集。
像 N 这样的歧义码如何计算?: 默认情况下,它们同时被排除在分子和分母之外。您也可以将其保留在分母中计为非 GC,或者按其可能碱基中为 G 或 C 的份额为每个代码加权,使 N 计为 0.5。这三种选择分别对应 Biopython 的 “remove”、“ignore” 和 “weighted” 设置。
GC 分布图应使用多大的窗口?: 窗口应足够长以获得稳定的估计,又足够短以显示您关注的特征。100–200 个碱基适合基因或 CpG 岛的搜索,1,000–10,000 个碱基适合细菌基因组,步长可取窗口的五分之一到一半。若步长会产生超过 2,000 个窗口,工具会自动提高步长,使图表保持可读。