codon_tables.py

"""
Codon usage tables for common expression hosts.
Data derived from Kazusa Codon Usage Database and CoCoPUTs.
Frequencies are expressed as fractions (0-1) within each amino acid group.
"""

# Standard genetic code
CODON_TO_AA = {
    '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', 'AGT': 'S', 'AGC': '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': '*', 'TGA': '*',
    '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',
    'TGG': 'W',
    'CGT': 'R', 'CGC': 'R', 'CGA': 'R', 'CGG': 'R', 'AGA': 'R', 'AGG': 'R',
    'GGT': 'G', 'GGC': 'G', 'GGA': 'G', 'GGG': 'G',
}

AA_TO_CODONS = {}
for codon, aa in CODON_TO_AA.items():
    if aa not in AA_TO_CODONS:
        AA_TO_CODONS[aa] = []
    AA_TO_CODONS[aa].append(codon)

# Codon usage frequencies for different organisms
# Values represent relative frequency within synonymous codon family (sum to 1.0)

CODON_USAGE = {
    "Escherichia coli K12": {
        'TTT': 0.51, 'TTC': 0.49,  # Phe
        'TTA': 0.11, 'TTG': 0.11, 'CTT': 0.10, 'CTC': 0.10, 'CTA': 0.03, 'CTG': 0.55,  # Leu
        'ATT': 0.47, 'ATC': 0.46, 'ATA': 0.07,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.28, 'GTC': 0.20, 'GTA': 0.17, 'GTG': 0.35,  # Val
        'TCT': 0.17, 'TCC': 0.15, 'TCA': 0.12, 'TCG': 0.13, 'AGT': 0.13, 'AGC': 0.30,  # Ser
        'CCT': 0.16, 'CCC': 0.10, 'CCA': 0.20, 'CCG': 0.54,  # Pro
        'ACT': 0.19, 'ACC': 0.40, 'ACA': 0.13, 'ACG': 0.28,  # Thr
        'GCT': 0.18, 'GCC': 0.26, 'GCA': 0.23, 'GCG': 0.33,  # Ala
        'TAT': 0.53, 'TAC': 0.47,  # Tyr
        'TAA': 0.61, 'TAG': 0.09, 'TGA': 0.30,  # Stop
        'CAT': 0.52, 'CAC': 0.48,  # His
        'CAA': 0.31, 'CAG': 0.69,  # Gln
        'AAT': 0.39, 'AAC': 0.61,  # Asn
        'AAA': 0.74, 'AAG': 0.26,  # Lys
        'GAT': 0.59, 'GAC': 0.41,  # Asp
        'GAA': 0.68, 'GAG': 0.32,  # Glu
        'TGT': 0.43, 'TGC': 0.57,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.42, 'CGC': 0.37, 'CGA': 0.05, 'CGG': 0.08, 'AGA': 0.04, 'AGG': 0.04,  # Arg
        'GGT': 0.38, 'GGC': 0.40, 'GGA': 0.09, 'GGG': 0.13,  # Gly
    },

    "Homo sapiens": {
        'TTT': 0.45, 'TTC': 0.55,  # Phe
        'TTA': 0.07, 'TTG': 0.13, 'CTT': 0.13, 'CTC': 0.20, 'CTA': 0.07, 'CTG': 0.40,  # Leu
        'ATT': 0.36, 'ATC': 0.48, 'ATA': 0.16,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.18, 'GTC': 0.24, 'GTA': 0.11, 'GTG': 0.47,  # Val
        'TCT': 0.18, 'TCC': 0.22, 'TCA': 0.15, 'TCG': 0.06, 'AGT': 0.15, 'AGC': 0.24,  # Ser
        'CCT': 0.28, 'CCC': 0.33, 'CCA': 0.27, 'CCG': 0.12,  # Pro
        'ACT': 0.24, 'ACC': 0.36, 'ACA': 0.28, 'ACG': 0.12,  # Thr
        'GCT': 0.26, 'GCC': 0.40, 'GCA': 0.23, 'GCG': 0.11,  # Ala
        'TAT': 0.43, 'TAC': 0.57,  # Tyr
        'TAA': 0.28, 'TAG': 0.20, 'TGA': 0.52,  # Stop
        'CAT': 0.41, 'CAC': 0.59,  # His
        'CAA': 0.25, 'CAG': 0.75,  # Gln
        'AAT': 0.46, 'AAC': 0.54,  # Asn
        'AAA': 0.42, 'AAG': 0.58,  # Lys
        'GAT': 0.46, 'GAC': 0.54,  # Asp
        'GAA': 0.42, 'GAG': 0.58,  # Glu
        'TGT': 0.45, 'TGC': 0.55,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.08, 'CGC': 0.19, 'CGA': 0.11, 'CGG': 0.21, 'AGA': 0.20, 'AGG': 0.21,  # Arg
        'GGT': 0.16, 'GGC': 0.34, 'GGA': 0.25, 'GGG': 0.25,  # Gly
    },

    "CHO (Chinese Hamster Ovary)": {
        'TTT': 0.44, 'TTC': 0.56,  # Phe
        'TTA': 0.06, 'TTG': 0.12, 'CTT': 0.12, 'CTC': 0.21, 'CTA': 0.07, 'CTG': 0.42,  # Leu
        'ATT': 0.34, 'ATC': 0.51, 'ATA': 0.15,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.17, 'GTC': 0.25, 'GTA': 0.10, 'GTG': 0.48,  # Val
        'TCT': 0.19, 'TCC': 0.24, 'TCA': 0.14, 'TCG': 0.05, 'AGT': 0.14, 'AGC': 0.24,  # Ser
        'CCT': 0.29, 'CCC': 0.34, 'CCA': 0.26, 'CCG': 0.11,  # Pro
        'ACT': 0.24, 'ACC': 0.38, 'ACA': 0.27, 'ACG': 0.11,  # Thr
        'GCT': 0.27, 'GCC': 0.42, 'GCA': 0.21, 'GCG': 0.10,  # Ala
        'TAT': 0.42, 'TAC': 0.58,  # Tyr
        'TAA': 0.26, 'TAG': 0.22, 'TGA': 0.52,  # Stop
        'CAT': 0.40, 'CAC': 0.60,  # His
        'CAA': 0.24, 'CAG': 0.76,  # Gln
        'AAT': 0.44, 'AAC': 0.56,  # Asn
        'AAA': 0.40, 'AAG': 0.60,  # Lys
        'GAT': 0.44, 'GAC': 0.56,  # Asp
        'GAA': 0.40, 'GAG': 0.60,  # Glu
        'TGT': 0.44, 'TGC': 0.56,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.07, 'CGC': 0.20, 'CGA': 0.10, 'CGG': 0.22, 'AGA': 0.20, 'AGG': 0.21,  # Arg
        'GGT': 0.15, 'GGC': 0.36, 'GGA': 0.24, 'GGG': 0.25,  # Gly
    },

    "Saccharomyces cerevisiae": {
        'TTT': 0.59, 'TTC': 0.41,  # Phe
        'TTA': 0.28, 'TTG': 0.29, 'CTT': 0.13, 'CTC': 0.06, 'CTA': 0.14, 'CTG': 0.10,  # Leu
        'ATT': 0.46, 'ATC': 0.26, 'ATA': 0.28,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.39, 'GTC': 0.21, 'GTA': 0.21, 'GTG': 0.19,  # Val
        'TCT': 0.26, 'TCC': 0.16, 'TCA': 0.21, 'TCG': 0.10, 'AGT': 0.16, 'AGC': 0.11,  # Ser
        'CCT': 0.31, 'CCC': 0.15, 'CCA': 0.42, 'CCG': 0.12,  # Pro
        'ACT': 0.35, 'ACC': 0.22, 'ACA': 0.30, 'ACG': 0.13,  # Thr
        'GCT': 0.38, 'GCC': 0.22, 'GCA': 0.29, 'GCG': 0.11,  # Ala
        'TAT': 0.56, 'TAC': 0.44,  # Tyr
        'TAA': 0.47, 'TAG': 0.23, 'TGA': 0.30,  # Stop
        'CAT': 0.64, 'CAC': 0.36,  # His
        'CAA': 0.69, 'CAG': 0.31,  # Gln
        'AAT': 0.59, 'AAC': 0.41,  # Asn
        'AAA': 0.58, 'AAG': 0.42,  # Lys
        'GAT': 0.65, 'GAC': 0.35,  # Asp
        'GAA': 0.70, 'GAG': 0.30,  # Glu
        'TGT': 0.63, 'TGC': 0.37,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.14, 'CGC': 0.06, 'CGA': 0.07, 'CGG': 0.04, 'AGA': 0.48, 'AGG': 0.21,  # Arg
        'GGT': 0.47, 'GGC': 0.19, 'GGA': 0.22, 'GGG': 0.12,  # Gly
    },

    "Mus musculus": {
        'TTT': 0.44, 'TTC': 0.56,  # Phe
        'TTA': 0.06, 'TTG': 0.13, 'CTT': 0.13, 'CTC': 0.20, 'CTA': 0.08, 'CTG': 0.40,  # Leu
        'ATT': 0.35, 'ATC': 0.50, 'ATA': 0.15,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.17, 'GTC': 0.25, 'GTA': 0.11, 'GTG': 0.47,  # Val
        'TCT': 0.19, 'TCC': 0.22, 'TCA': 0.14, 'TCG': 0.05, 'AGT': 0.15, 'AGC': 0.25,  # Ser
        'CCT': 0.30, 'CCC': 0.31, 'CCA': 0.28, 'CCG': 0.11,  # Pro
        'ACT': 0.25, 'ACC': 0.36, 'ACA': 0.28, 'ACG': 0.11,  # Thr
        'GCT': 0.28, 'GCC': 0.39, 'GCA': 0.23, 'GCG': 0.10,  # Ala
        'TAT': 0.43, 'TAC': 0.57,  # Tyr
        'TAA': 0.28, 'TAG': 0.20, 'TGA': 0.52,  # Stop
        'CAT': 0.40, 'CAC': 0.60,  # His
        'CAA': 0.25, 'CAG': 0.75,  # Gln
        'AAT': 0.45, 'AAC': 0.55,  # Asn
        'AAA': 0.41, 'AAG': 0.59,  # Lys
        'GAT': 0.45, 'GAC': 0.55,  # Asp
        'GAA': 0.41, 'GAG': 0.59,  # Glu
        'TGT': 0.45, 'TGC': 0.55,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.08, 'CGC': 0.18, 'CGA': 0.12, 'CGG': 0.20, 'AGA': 0.21, 'AGG': 0.21,  # Arg
        'GGT': 0.17, 'GGC': 0.33, 'GGA': 0.26, 'GGG': 0.24,  # Gly
    },

    "Insect (Spodoptera frugiperda)": {
        'TTT': 0.52, 'TTC': 0.48,  # Phe
        'TTA': 0.10, 'TTG': 0.17, 'CTT': 0.14, 'CTC': 0.15, 'CTA': 0.09, 'CTG': 0.35,  # Leu
        'ATT': 0.43, 'ATC': 0.40, 'ATA': 0.17,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.24, 'GTC': 0.22, 'GTA': 0.15, 'GTG': 0.39,  # Val
        'TCT': 0.20, 'TCC': 0.19, 'TCA': 0.17, 'TCG': 0.08, 'AGT': 0.16, 'AGC': 0.20,  # Ser
        'CCT': 0.27, 'CCC': 0.24, 'CCA': 0.33, 'CCG': 0.16,  # Pro
        'ACT': 0.27, 'ACC': 0.30, 'ACA': 0.29, 'ACG': 0.14,  # Thr
        'GCT': 0.29, 'GCC': 0.32, 'GCA': 0.26, 'GCG': 0.13,  # Ala
        'TAT': 0.50, 'TAC': 0.50,  # Tyr
        'TAA': 0.35, 'TAG': 0.25, 'TGA': 0.40,  # Stop
        'CAT': 0.48, 'CAC': 0.52,  # His
        'CAA': 0.38, 'CAG': 0.62,  # Gln
        'AAT': 0.52, 'AAC': 0.48,  # Asn
        'AAA': 0.50, 'AAG': 0.50,  # Lys
        'GAT': 0.52, 'GAC': 0.48,  # Asp
        'GAA': 0.52, 'GAG': 0.48,  # Glu
        'TGT': 0.50, 'TGC': 0.50,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.12, 'CGC': 0.16, 'CGA': 0.13, 'CGG': 0.15, 'AGA': 0.24, 'AGG': 0.20,  # Arg
        'GGT': 0.22, 'GGC': 0.28, 'GGA': 0.28, 'GGG': 0.22,  # Gly
    },

    "Pichia pastoris": {
        'TTT': 0.55, 'TTC': 0.45,  # Phe
        'TTA': 0.15, 'TTG': 0.30, 'CTT': 0.20, 'CTC': 0.10, 'CTA': 0.10, 'CTG': 0.15,  # Leu
        'ATT': 0.45, 'ATC': 0.35, 'ATA': 0.20,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.35, 'GTC': 0.25, 'GTA': 0.18, 'GTG': 0.22,  # Val
        'TCT': 0.28, 'TCC': 0.18, 'TCA': 0.20, 'TCG': 0.08, 'AGT': 0.15, 'AGC': 0.11,  # Ser
        'CCT': 0.30, 'CCC': 0.15, 'CCA': 0.40, 'CCG': 0.15,  # Pro
        'ACT': 0.35, 'ACC': 0.25, 'ACA': 0.28, 'ACG': 0.12,  # Thr
        'GCT': 0.38, 'GCC': 0.22, 'GCA': 0.28, 'GCG': 0.12,  # Ala
        'TAT': 0.55, 'TAC': 0.45,  # Tyr
        'TAA': 0.40, 'TAG': 0.25, 'TGA': 0.35,  # Stop
        'CAT': 0.58, 'CAC': 0.42,  # His
        'CAA': 0.60, 'CAG': 0.40,  # Gln
        'AAT': 0.55, 'AAC': 0.45,  # Asn
        'AAA': 0.55, 'AAG': 0.45,  # Lys
        'GAT': 0.60, 'GAC': 0.40,  # Asp
        'GAA': 0.60, 'GAG': 0.40,  # Glu
        'TGT': 0.58, 'TGC': 0.42,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.15, 'CGC': 0.08, 'CGA': 0.10, 'CGG': 0.07, 'AGA': 0.40, 'AGG': 0.20,  # Arg
        'GGT': 0.40, 'GGC': 0.20, 'GGA': 0.25, 'GGG': 0.15,  # Gly
    },

    "Bacillus subtilis": {
        'TTT': 0.57, 'TTC': 0.43,  # Phe
        'TTA': 0.20, 'TTG': 0.15, 'CTT': 0.18, 'CTC': 0.12, 'CTA': 0.08, 'CTG': 0.27,  # Leu
        'ATT': 0.48, 'ATC': 0.38, 'ATA': 0.14,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.30, 'GTC': 0.22, 'GTA': 0.22, 'GTG': 0.26,  # Val
        'TCT': 0.22, 'TCC': 0.14, 'TCA': 0.22, 'TCG': 0.10, 'AGT': 0.16, 'AGC': 0.16,  # Ser
        'CCT': 0.22, 'CCC': 0.10, 'CCA': 0.38, 'CCG': 0.30,  # Pro
        'ACT': 0.28, 'ACC': 0.22, 'ACA': 0.32, 'ACG': 0.18,  # Thr
        'GCT': 0.30, 'GCC': 0.18, 'GCA': 0.32, 'GCG': 0.20,  # Ala
        'TAT': 0.58, 'TAC': 0.42,  # Tyr
        'TAA': 0.55, 'TAG': 0.15, 'TGA': 0.30,  # Stop
        'CAT': 0.55, 'CAC': 0.45,  # His
        'CAA': 0.55, 'CAG': 0.45,  # Gln
        'AAT': 0.52, 'AAC': 0.48,  # Asn
        'AAA': 0.70, 'AAG': 0.30,  # Lys
        'GAT': 0.58, 'GAC': 0.42,  # Asp
        'GAA': 0.68, 'GAG': 0.32,  # Glu
        'TGT': 0.52, 'TGC': 0.48,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.25, 'CGC': 0.20, 'CGA': 0.12, 'CGG': 0.10, 'AGA': 0.18, 'AGG': 0.15,  # Arg
        'GGT': 0.30, 'GGC': 0.28, 'GGA': 0.25, 'GGG': 0.17,  # Gly
    },

    "Drosophila melanogaster": {
        'TTT': 0.35, 'TTC': 0.65,  # Phe
        'TTA': 0.05, 'TTG': 0.15, 'CTT': 0.10, 'CTC': 0.18, 'CTA': 0.08, 'CTG': 0.44,  # Leu
        'ATT': 0.30, 'ATC': 0.55, 'ATA': 0.15,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.18, 'GTC': 0.28, 'GTA': 0.10, 'GTG': 0.44,  # Val
        'TCT': 0.12, 'TCC': 0.28, 'TCA': 0.10, 'TCG': 0.15, 'AGT': 0.10, 'AGC': 0.25,  # Ser
        'CCT': 0.15, 'CCC': 0.38, 'CCA': 0.25, 'CCG': 0.22,  # Pro
        'ACT': 0.18, 'ACC': 0.45, 'ACA': 0.20, 'ACG': 0.17,  # Thr
        'GCT': 0.20, 'GCC': 0.48, 'GCA': 0.18, 'GCG': 0.14,  # Ala
        'TAT': 0.35, 'TAC': 0.65,  # Tyr
        'TAA': 0.30, 'TAG': 0.22, 'TGA': 0.48,  # Stop
        'CAT': 0.38, 'CAC': 0.62,  # His
        'CAA': 0.30, 'CAG': 0.70,  # Gln
        'AAT': 0.38, 'AAC': 0.62,  # Asn
        'AAA': 0.30, 'AAG': 0.70,  # Lys
        'GAT': 0.42, 'GAC': 0.58,  # Asp
        'GAA': 0.35, 'GAG': 0.65,  # Glu
        'TGT': 0.35, 'TGC': 0.65,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.12, 'CGC': 0.35, 'CGA': 0.12, 'CGG': 0.18, 'AGA': 0.10, 'AGG': 0.13,  # Arg
        'GGT': 0.20, 'GGC': 0.45, 'GGA': 0.22, 'GGG': 0.13,  # Gly
    },

    "Caenorhabditis elegans": {
        'TTT': 0.48, 'TTC': 0.52,  # Phe
        'TTA': 0.10, 'TTG': 0.18, 'CTT': 0.20, 'CTC': 0.18, 'CTA': 0.08, 'CTG': 0.26,  # Leu
        'ATT': 0.38, 'ATC': 0.45, 'ATA': 0.17,  # Ile
        'ATG': 1.00,  # Met
        'GTT': 0.25, 'GTC': 0.28, 'GTA': 0.15, 'GTG': 0.32,  # Val
        'TCT': 0.20, 'TCC': 0.20, 'TCA': 0.18, 'TCG': 0.10, 'AGT': 0.15, 'AGC': 0.17,  # Ser
        'CCT': 0.22, 'CCC': 0.18, 'CCA': 0.40, 'CCG': 0.20,  # Pro
        'ACT': 0.25, 'ACC': 0.30, 'ACA': 0.30, 'ACG': 0.15,  # Thr
        'GCT': 0.28, 'GCC': 0.30, 'GCA': 0.28, 'GCG': 0.14,  # Ala
        'TAT': 0.48, 'TAC': 0.52,  # Tyr
        'TAA': 0.35, 'TAG': 0.25, 'TGA': 0.40,  # Stop
        'CAT': 0.48, 'CAC': 0.52,  # His
        'CAA': 0.45, 'CAG': 0.55,  # Gln
        'AAT': 0.48, 'AAC': 0.52,  # Asn
        'AAA': 0.52, 'AAG': 0.48,  # Lys
        'GAT': 0.52, 'GAC': 0.48,  # Asp
        'GAA': 0.55, 'GAG': 0.45,  # Glu
        'TGT': 0.48, 'TGC': 0.52,  # Cys
        'TGG': 1.00,  # Trp
        'CGT': 0.18, 'CGC': 0.15, 'CGA': 0.18, 'CGG': 0.12, 'AGA': 0.22, 'AGG': 0.15,  # Arg
        'GGT': 0.22, 'GGC': 0.25, 'GGA': 0.35, 'GGG': 0.18,  # Gly
    },
}

# Alias mapping for user convenience
ORGANISM_ALIASES = {
    "E. coli": "Escherichia coli K12",
    "E.coli": "Escherichia coli K12",
    "Ecoli": "Escherichia coli K12",
    "Human": "Homo sapiens",
    "CHO": "CHO (Chinese Hamster Ovary)",
    "Yeast": "Saccharomyces cerevisiae",
    "S. cerevisiae": "Saccharomyces cerevisiae",
    "Mouse": "Mus musculus",
    "Insect": "Insect (Spodoptera frugiperda)",
    "Sf9": "Insect (Spodoptera frugiperda)",
    "Sf21": "Insect (Spodoptera frugiperda)",
    "Pichia": "Pichia pastoris",
    "P. pastoris": "Pichia pastoris",
    "B. subtilis": "Bacillus subtilis",
    "Fruit fly": "Drosophila melanogaster",
    "Drosophila": "Drosophila melanogaster",
    "C. elegans": "Caenorhabditis elegans",
    "Worm": "Caenorhabditis elegans",
}

def get_organism_list():
    """Return list of available organisms."""
    return list(CODON_USAGE.keys())

def get_codon_table(organism: str) -> dict:
    """Get codon usage table for an organism."""
    # Check aliases first
    if organism in ORGANISM_ALIASES:
        organism = ORGANISM_ALIASES[organism]

    if organism not in CODON_USAGE:
        raise ValueError(f"Unknown organism: {organism}. Available: {get_organism_list()}")

    return CODON_USAGE[organism]

def get_synonymous_codons(amino_acid: str) -> list:
    """Get all codons encoding a given amino acid."""
    if amino_acid not in AA_TO_CODONS:
        raise ValueError(f"Unknown amino acid: {amino_acid}")
    return AA_TO_CODONS[amino_acid]