PMGD: A comprehensive database of plant mitochondrial genomes
PMGD：植物线粒体基因组综合数据库
PMGD 是首个专门针对植物线粒体基因组的数据库。该数据库收录了 5 大植物演化支共 1307 个物种的 1829 套线粒体基因组，提供标准化的高质量数据集，并内置 BLAST、JBrowse 与系统发育分析工具。这个易用的平台可为植物多样性、系统发育以及基因组进化相关研究提供数据支撑。
植物线粒体基因组（mitogenomes）是研究基因组结构与功能演化、解析植物遗传多样性分子机制的重要研究材料。但植物线粒体基因组富含重复序列且频繁发生重组，组装难度很大；NCBI 数据库中已提交的植物线粒体基因组数量尚不足叶绿体基因组的 5%。 近年来，长读长测序技术与细胞器专属组装工具的出现，推动了植物线粒体基因组的组装与数据提交。然而，数据的快速积累也带来诸多问题：序列存在错误、术语标准不统一、注释信息缺失，极大限制了数据集的实际使用。目前虽然已经建成若干细胞器基因组专用数据库，但尚缺乏面向植物线粒体基因组的多功能综合数据库，迫切需要一个可以完成植物线粒体基因组数据收集、人工质控整理与数据共享的一体化平台。
为弥补这一空白，我们构建了植物线粒体基因组数据库 PMGD（PMGD）。数据库收录藻类、苔藓植物、蕨类植物、裸子植物、被子植物五大植物演化支，涵盖 42 个纲、125 个目、274 个科、768 个属，共计 1307 个物种的 1829 套植物线粒体基因组以及配套元数据；其中包含 60 套从头组装得到的无缺口线粒体基因组。 被子植物的数据占主体，包含 1012 个物种、569 个属的 1403 套线粒体基因组，集中见于蔷薇目、豆目、禾本目；蕨类与裸子植物合计仅有 29 套线粒体基因组。
不同类群线粒体基因组大小差异巨大：
- 藻类：0.01-0.41 Mb
- 苔藓植物：0.10-0.24 Mb
- 蕨类植物：0.16-1.44 Mb
- 裸子植物：0.35-18.99 Mb
- 被子植物：0.07-11.11 Mb
GC 含量方面，藻类 GC 值分布范围极广（20.34%-67.72%）；其余四大类群的 GC 含量区间相对狭窄：被子植物 38.29%-50.18%，裸子植物 41.90%-53.02%，蕨类植物 43.97%-52.22%，苔藓植物 37.31%-47.63%。
图 1 植物线粒体基因组数据库（PMGD）概况 (A) 数据来源、数据库组成、可用工具与数据库主页。 (B) 五大植物演化支的物种分布（柱状图），以及不同目下线粒体基因组的占比（词云图）。 (C) GC 含量与基因组大小的散点图。 (D) 蛋白编码基因总数（PCG）与核心保守基因的箱线图。 (E) 交互式分析工作流：类群 / 基因筛选、工具调用（JBrowse、BLAST、热图、系统发育分析）以及结果可视化。
鉴于现有线粒体基因组普遍存在注释缺陷，本研究整合在线工具PMGA与自研脚本，采用标准化分析流程，对所有被子植物线粒体基因组完成重新注释、人工校正与优化，并在 PMGD 数据库中统一了分类学信息和线粒体基因命名规范。 除藻类外，其余四大植物类群的蛋白编码基因（PCG）数目大多介于 3040 个，核心保守基因数目普遍大于 20 个。 大量线粒体基因丢失现象主要发生于角苔（苔藓植物）与寄生被子植物；部分非寄生被子植物基因数量偏低，推测是基因组组装质量较差所导致。
本研究进一步解析 PMGD 库中线粒体基因组的重复序列（简单序列重复 SSR、串联重复、散在重复）与密码子使用偏好。 被子植物中，四核苷酸 SSR数量最多，其次为单核苷酸、二核苷酸 SSR；三核苷酸与五核苷酸 SSR 数量急剧下降，六核苷酸 SSR 数量最少甚至缺失。 裸子植物中 6 种 SSR 类型均十分丰富，尤以四核苷酸、二核苷酸 SSR 最为突出。 苔藓植物的单核苷酸、二核苷酸 SSR 较为丰富。 藻类整体 SSR 丰度很低，仅单核苷酸 SSR 有一定数量，其余类型 SSR 极少或检测不到。
线粒体基因组大小与串联重复的数量（R²=0.568，P < 1.0e−300）、总长度（R²=0.431，P = 1.2e−225）均呈显著正相关，说明更大的线粒体基因组倾向于积累大量串联重复序列。 散在重复划分为短散在重复（＜1000 bp）和长散在重复（≥1000 bp）： 基因组大小与短散在重复总长度显著正相关（R²=0.578，P < 1.0e−300）；与全部散在重复总长度呈中等程度正相关（R²=0.336，P = 1.8e−164）。 与之相比，散在重复的拷贝数、长散在重复总长度对线粒体基因组大小变异贡献较小。
基于同义密码子相对使用度（RSCU）的密码子偏好分析显示：陆生植物（被子植物、裸子植物、蕨类、苔藓）密码子使用模式高度保守；而藻类不同物种之间差异明显。 基于有效密码子数（ENC）和同义密码子第三位 GC 含量（GC3s）绘制的 ENCplot 图显示：绝大多数陆生植物样本点落在理论曲线之上或附近；而多数藻类样本点分布于理论曲线下方。 上述结果表明，陆生植物与藻类的线粒体基因组存在显著的演化与适应性分化。
PMGD 数据库包含五大功能模块：Mitogenomes（线粒体基因组）、Genes（基因）、Tools（工具）、Publications（文献）、Statistics（统计）。
- Mitogenomes 模块：存储全部线粒体基因组完整遗传信息；提供友好检索界面，可查询特定物种线粒体基因组，提供中英双语分类信息，基因组特征文件、基因组图谱、基因功能分类、CDS / 蛋白序列、SSR 数据均可下载；同时提供 368 个物种的高清基因组图片。
- Genes 模块：简洁界面用于检索、下载目标基因序列及其配套注释信息。
以上两个模块均支持指定物种 / 基因集做热图绘制、系统发育分析；系统发育流程采用 MAFFT 做多序列比对，序列拼接后使用 IQTREE2 构建系统发育树。
Tools 工具模块集成 JBrowse、SequenceServer、热图、系统发育分析工具，同时提供植物线粒体组装流程 PMAT 的访问链接。
- JBrowse：支持从全基因组到单碱基分辨率的线粒体基因组特征可视化，交互式浏览基因注释；
- SequenceServer：封装 BLAST，可将序列比对到 PMGD 参考数据集，交互查看、下载比对结果；
- 热图与系统发育工具支持上传本地文件，可与基因组模块、基因模块联动。
Publications 模块汇总线粒体基因组相关近期研究；Statistics 模块提供数据库资源统计可视化图表。
据我们所知，相较于其他植物细胞器基因组数据库，PMGD 是首个专门面向植物线粒体基因组的综合性数据库，特点是大规模数据收录、标准化人工质控、集成多类分析工具。 通过重注释、人工核查、统一基因命名，PMGD 提升了线粒体基因组数据的质量、一致性与可用性；简洁的交互界面与内置工具方便研究者获取、挖掘、分析数据。 PMGD 填补了植物线粒体基因组专用数据库的空白，为解析线粒体基因组结构与功能、细胞质遗传与分子育种、系统发育、植物多样性等方向提供高质量分析平台。未来 PMGD 会持续更新，扩充数据集与分析工具，进一步服务植物线粒体基因组研究。
