CPAT:转录本蛋白编码能力预测软件 |
您所在的位置:网站首页 › transdecoder教程 › CPAT:转录本蛋白编码能力预测软件 |
欢迎关注”生信修炼手册”! 随着高通量测序在lncRNA研究领域的应用, 越来越多的lncRNA被发现。对于转录组测序的数据而言,组装得到转录本之后,首先要做的就是区分蛋白编码和非蛋白编码的RNA。 目前针对这一问题,有多种解决方案,基本可以分为以下两类 alignment-based alignment-free 第一种算法基于序列比对,可以较好的识别保守性较好的蛋白编码基因, 包括CPC,PhyloCSF等软件; 第二种算法不需要比对,而是通过coding和non-coding转录本的序列特征来进行区分,包括CNCI, CPAT, PLEK等。 lncRNA在物种间的保守性较差,另外部分lncRNA的染色体位置和蛋白编码基因存在重叠,通过序列比对的方式来区分容易造成误判。除此之外,基于序列比对的软件,其运行速度相对较慢,所以采用第二种算法的软件综合效果更好。 本文主要介绍CPAT的使用,网址如下 http://lilab.research.bcm.edu/cpat/ 对于一个转录本而言,它是coding还是noncoding, 本质上是一个二分类问题,所以CPAT的开发者想到了通过逻辑回归来解决这个问题。该软件基于以下四个特征构建了逻辑回归模型来区分coding和noncoding open reading frame size open reading frame coverage Fickett TESTCODE statistic hexamer usage bias 前两个因素都是针对开放阅读框定义的,第一个因素是开放阅读框的大小,第二个因素是开放阅读框占转录本总长度的比例,第三个因素基于序列的碱基组成和密码子分布进行定义,第四个因素基于序列中六聚体的频率进行定义。 在论文中,针对以上4种特征,首先评估在coding和noncoding中的分布,图示如下 可以看到,coding和noncoding形成了两个不同的峰,说明这4种特征在coding和noncoding之间确实存在差异。 在论文中还通过ROC曲线评估了不同软件的性能,结果如下 可以看到CPAT和CPC的效果是最好的。CPAT基于python编程语言开发,安装非常的简便,代码如下 pip install CPAT该软件既可以在本地运行,也提供了在线版本。 1. 在线版本在线版本的网址如下 http://lilab.research.bcm.edu/cpat/ 可以直接输入fasta格式的序列,也可以输入bed格式的文件,此时需要指定对应的基因组版本,示意如下 2. 本地版本本地版本对应的也有两种用法,输入bed文件的用法如下 cpat.py -r /database/hg19.fa \ -g mRNA_hg19.bed \ -d dat/Human_logitModel.RData \ -x dat/Human_Hexamer.tsv \ -o output.txt输入fasta文件的用法如下 cpat.py -g transcript.fa \ -d dat/Human_logitModel.RData \ -x dat/Human_Hexamer.tsv \ -o output.txt-d和-x参数对应的文件为软件构建好的模型,位于软件的安装目录下。软件的输出结果如下所示 最后一列给出了转录本的蛋白编码信息,yes代表该转录本为protein-coding转录本,no代表该转录本为noncoding转录本。 ·end· —如果喜欢,快分享给你的朋友们吧— 扫描关注微信号,更多精彩内容等着你! |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |