基因功能注释 | 您所在的位置:网站首页 › SQLserver的注释是什么 › 基因功能注释 |
基因功能注释,简单来说,即是根据已有的蛋白库,对从基因组上提取到的蛋白序列进行比对,从而获得相应的信息。 这里整理了拟南芥、Uniprot、Swissprot和Interproscan数据库比对,从而得到基因的信息。 根据数据库中已知编码基因的注释信息(包括motif、domain),基于同源比对,对基因中的模序和结构域、新基因编码的蛋白质功能、所参与的信号传导通路和代谢途径等的预测。基因组注释内容还可涉及蛋白激酶、病原与宿主互作、致病毒力因子预测、抗性基因等。 常用数据库:Nr:NCBI官方非冗余蛋白数据库,包括PDB, Swiss-Prot, PIR, PRF; 如果要用DNA序列,就是nt库。 UniProt:分为两部分。Swiss-Prot是UniProt数据库中经过人工校正的高质量蛋白数据库,蛋白序列得到实验的验证。TrEBL是UniProt数据库中未经过人工校正、机器自动注释的蛋白数据库。 eggNOG:EMBL创建,是对NCBI的COG数据库的拓展,提供了不同分类水平蛋白的直系同源分组(Orthologous Groups,OG)。 InterPro:EBI开发的一个整合的蛋白家族功能注释数据库,包括Gene3D、CDD、Pfam等10几个数据库。 Pfam: 蛋白结构域注释的分类系统。 GO: 基因本体论注释数据库。 KEGG : 代谢通路注释数据库。 Notes: 注释分析中要保证蛋白序列中没有代表氨基酸字符以外的字符,比如说有些软件会把最后一个终止密码子翻译成”.”或者”*”,需要删除。 1.拟南芥基因比对这里需要先从TAIR(https://www.arabidopsis.org/download/index-auto.jsp?dir=%2Fdownload_files%2FGenes%2FTAIR10_genome_release)下载拟南芥蛋白序列(pep.fa)及描述文件(description)(如图所示)。安装DIAMOND进行本地blastp。 这里以Uniprot为例,下载其他数据库后可用同样方法进行手动注释。 下载数据库 #可以uniprot_sprot和uniprot_trembl的植物数据库合并在一起。 wget ftp://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/taxonomic_divisions/uniprot_sprot_plants.dat.gz; wget ftp://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/taxonomic_divisions/uniprot_trembl_plants.dat.gz; zcat uniprot_sprot_plants.dat.gz uniprot_trembl_plants.dat.gz > uniprot_plants.dat #转换格式(用python的SeqIO模块转换) from Bio import SeqIO count = SeqIO.convert("uniprot_plants.dat","swiss","uniprot_plants.fa","fasta") print("Converted %i records" % count)如此便得到了Uniprot数据库,本地blastp即可得到结果(方法同上)。得到结果后,需要进行ID转换,这里使用Uniprot官网转换(https://www.uniprot.org/id-mapping/),输入ID号后即可下载基因名称等相关信息。 3.Swissprot数据库比对 #数据库下载与解压 wget https://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.fasta.gz gunzip -d uniprot_sprot.fasta.gz解压完成后,同样需要进行基因ID转换后得到对应的基因名称。 4.Intrproscan数据库比对interpro是数据库,interproscan是可以使用interpro的注释软件。 如果序列少,可以使用interproscan网页版注释,避免下载数据库的繁琐。限制一次注释一条,长度小于40000个蛋白序列,超过可以切分后分开注释。 interproscan可实现多个数据库同时注释,包括: InterPro注释 Pfam数据库注释(可以通过hmmscan搜索pfam数据库完成) PANTHER数据库注释 GO注释(可以基于NR和Pfam等数据库,然后BLAST2GO完成) Reactome通路注释,不同于KEGG还有很多数据库。 interproscan的安装软件本身自带了很多数据库,不需要安装,5.47-82.0版本带有CDD-3.17,Coils-2.2.1,Gene3D-4.2.0,Hamap-2020_01,MobiDBLite-2.0,PANTHER-15.0,Pfam-33.1,PIRSF-3.10,PRINTS-42.0,ProSitePatterns-2019_11,ProSiteProfiles-2019_11,SFLD-4,SMART-7.1,SUPERFAMILY-1.75,TIGRFAM-15.0数据库。其中PANHTER(Protein ANalysis THrough Evolutionary Relationships) 数据库是Gene Ontology Phylogenetic Annotation Project的一部分,interproscan 5.47-82.0软件自带PANHTER数据库,所以不用单独下载。 interproscan软件地址:ftp://ftp.ebi.ac.uk/pub/software/unix/iprscan/5/, 选择最新版本,比如5.47-82.0,则wget ftp://ftp.ebi.ac.uk/pub/software/unix/iprscan/5/5.47-82.0/*,版本号目录下有两个文件,一个软件的tar.gz压缩文件,一个对应的md5文件,都下下来。推荐用md5sum检查下载是否成功md5sum -c interproscan-5.47-82.0-64-bit.tar.gz.md5。若成功继续下一步。解压文件tar -pxzf interproscan-5.47-82.0-64-bit.tar.gz。 检查软件的运行依赖java11和python3,java -version和python --version检查版本是否正确。 解压缩后运行 interproscan.sh 测试是否成功安装,弹出help界面就是成功安装,用测试文件运行下,interproscan.sh -i test_proteins.fasta,没报错则软件可正常运行,并会生成对应结果文件。 输入fasta 格式的蛋白或核酸序列,序列中不能含有-或 * 等非法字符,若出现会报错,这里需要注意。 Note 如果本地化运行,可以添加-dp 参数或把interproscan.properties文件里的#precalculated.match.lookup.service.url=https://www.ebi.ac.uk/interpro/match-lookup注释掉,就不进行match.lookup检查,这个应该是更新数据库的检查。 如果不注释,在运行时存储interproscan数据库端网络慢时(大部分情况下)会输出一些Connection timed out和ERROR - Lookup version check failed的报错信息,但the analysis will continue to run locally。本地运行仍在继续。 运行常用运行参数 interproscan -i pep.fa -b out.iprscan -goterms -iprlookup -pa -dp -cpu 24 参数-i,–input 输入文件,一般要为fasta格式,注意不要带有除氨基酸符号的其他特殊符号(比如代表终止密码子的*),gene/氨基酸的名称不能为空。 -b,–output-file-base 指定输出文件的路径和文件名,默认是输入文件的路径 -appl,–applications 指定使用Interpro中哪些数据库,默认使用全部数据库 -f,–formats 用于指定输出文件的后缀,蛋白序列默认输出TSV, XML and GFF3 -t,–seqtype 输入文件的序列类型,p为protein,n为dna/rna,默认是p -cpu 指定使用线程数 -goterms 打开GO注释,依赖iprlookup参数,switch on lookup of corresponding Gene Ontology annotation (IMPLIES -iprlookup option) -iprlookup Also include lookup of corresponding InterPro annotation in the TSV and GFF3 output formats. -pa Optional, switch on lookup of corresponding Pathway annotation (IMPLIES -iprlookup option) -dp 关闭precalculated match lookup service,默认的是开启。根据md5值来快速检验这上传的数据是否已经被注释了,如果是已经注释了就直接出结果。 Interproscan结果解读生成的out.tsv和out.gff3等是不同格式的注释文件,这里使用tsv格式。 tsv格式文件每一列含义: 蛋白名字 序列MD5 disest 序列长度 所用的库(Pfam/PANTHER/RPINTS etc) 匹配的数据编号(PF00001/PTHR00001 etc) 功能描述 起始位置 终止位置 e-value得分 匹配的状态T: true 日期 interPro 注释编号 interPro 注释描述 GO注释 Pathways 注释 每行是一条蛋白序列注释到的每个数据库的每一个匹配,所以每个基因会有多行。 根据第四列-数据库名称来提取不同数据库的注释结果。这里提取pfam和PANTHER两个数据库的结果。 Interproscan结果整理 1.提取interpro数据库注释内容并转化成单基因单行格式 cat *.iprscan.tsv |cut -f1,12,13|grep "IPR"|awk '{print $1"\t"$2": "$3}'|sort -k 1.3n|uniq |awk -F"\t" '{a[$1]=a[$1]$2"; "}END{for( i in a){print i"\t"a[i]}}'|sed "s/; $//g" |sort -k 1.3n |sed '1i\gene\tinterpro' >iprs.interpro.anno Note 注意排序和去重。 因为我的geneID是tg00001这种格式,只有两个字母,所以sort排序按数字从第三个sort -k 1.3n开始排序,可以根据不同geneID更改。 其中awk -F"\t" '{a[至此,Interiorscan注释完成。 5.ITAK预测TF/TR/PKiTAK 来自康奈尔大学,FeiLab的一个预测工具。是依赖于数据库的用于从蛋白质或核苷酸序列中识别植物转录因子 (TF)、转录调节因子 (TR) 和蛋白激酶 (PK),然后将单个 TF、TR 和 PK 分类为不同的基因家族的工具。 ITAK在线网站http://itak.feilab.net/cgi-bin/itak/index.cgi 使用 进入网站后点击ITAK Online,如图。通过不同数据库的比对,得到了注释结果。通过R语言dplyr包中left_join根据基因ID将多份结果整合在一起,基因注释完成。 |
CopyRight 2018-2019 实验室设备网 版权所有 |