使用RepeatMasker屏蔽基因组重复序列 |
您所在的位置：网站首页 › 基因17P12重复 › 使用RepeatMasker屏蔽基因组重复序列 |
使用RepeatMasker屏蔽基因组重复序列
|
简介 复杂的基因组大部分是可转座元件和其他重复序列，在全基因组比对或者基因注释之前需要屏蔽重复序列，否则就会浪费计算资源，也会得到许多无意义的结果。 RepeatMasker（官网：http://www.repeatmasker.org/RMDownload.html）是一款识别基因组中重复序列和低复杂度序列的软件。RepeatMasker依赖序列搜索引擎（HMMER、Cross_Match、ABBlast或者RMBlast）和重复序列数据库（Dfam和Repbase）来屏蔽重复序列。 对于非模式生物，这两个数据库覆盖有限，因此需要先使用RepeatModeler从头预测重复序列，然后将RepeatModeler预测的序列作为RepeatMasker的输入，来完成最终的重复序列屏蔽。更多的信息请访问RepeatMasker的官网http://www.repeatmasker.org/RepeatModeler/。 安装依赖本文使用RepeatMasker-4.1.2-p1，它需要以下依赖： perl 5.8.0或者更高的版本 Python 3和h5py库 序列搜索引擎 TRF - Tandem Repeat Finder 重复序列数据库我的HOME路径是/home/chenwen/，软件安装都安装在/home/chenwen/software/，请记得修改为适合自己的路径。 RepeatMasker支持序列4种搜索引擎，我们没有必要全都装上，只安装RMBlast也可以。 安装Cross_Match按照官网http://www.phrap.org/说明，使用学术机构的邮箱申请软件。申请通过后，软件通过邮件发送给我们。这里提供我的副本phrap_cross_match_swat_1.090518.zip。 123456cd ~/software/wget https://www.biochen.org/public/software/phrap_cross_match_swat_1.090518.zipunzip phrap_cross_match_swat_1.090518.zipcd phrap_cross_match_swat_1.090518/makerm ~/software/phrap_cross_match_swat_1.090518.zip安装RMBlast官网http://www.repeatmasker.org/RMBlast.html 1234cd ~/software/wget http://www.repeatmasker.org/rmblast-2.11.0+-x64-linux.tar.gztar zxf rmblast-2.11.0+-x64-linux.tar.gzrm rmblast-2.11.0+-x64-linux.tar.gz安装HMMER官网http://hmmer.org/，RepeatMasker官方推荐使用HMMER v3.2.1，而不是其他版本。 1234567cd ~/wget http://eddylab.org/software/hmmer/hmmer-3.2.1.tar.gztar zxf hmmer-3.2.1.tar.gzcd hmmer-3.2.1/./configure --prefix=$HOME/software/hmmer-3.2.1make && make installrm ~/hmmer-3.2.1* -rf安装ABBlast在http://blast.advbiocomp.com/licensing/填写表格后，软件和使用许可通过邮件发送给我们。ABBlast解压即可用，使用许可license.xml需要放置到~/.config/ab-blast目录下。 12345678cd ~/software/wget https://www.biochen.org/public/software/ab-blast/ab-blast-20200317-linux-x64.tar.gztar zxf ab-blast-20200317-linux-x64.tar.gzmkdir ~/.config/ab-blastcd ~/.config/ab-blast/wget https://www.biochen.org/public/software/ab-blast/license.xmlchmod 600 ~/.config/ab-blast/license.xmlrm ~/software/ab-blast-20200317-linux-x64.tar.gz安装trf官网https://github.com/Benson-Genomics-Lab/TRF 1234cd ~/software/wget https://github.com/Benson-Genomics-Lab/TRF/releases/download/v4.09.1/trf409.linux64mv trf409.linux64 trfchmod 755 trf 安装和配置RepeatMasker下载RepeatMasker 1234cd ~/software/wget https://www.repeatmasker.org/RepeatMasker/RepeatMasker-4.1.2-p1.tar.gztar zxf RepeatMasker-4.1.2-p1.tar.gzrm ~/software/RepeatMasker-4.1.2-p1.tar.gz下载RepBase数据库 1234cd ~/software/RepeatMasker/wget https://www.biochen.org/public/software/RepBaseRepeatMaskerEdition-20181026.tar.gztar zxf RepBaseRepeatMaskerEdition-20181026.tar.gzrm ~/software/RepeatMasker/RepBaseRepeatMaskerEdition-20181026.tar.gz更新Dfam数据库 RepeatMasker带一个小的Dfam数据库，我们需要重新下载完整版的数据库。解压后的Dfam.h5文件83G，非常大。 123cd ~/software/RepeatMasker/Libraries/wget https://www.dfam.org/releases/Dfam_3.3/families/Dfam.h5.gzgunzip Dfam.h5.gz安装h5py 1pip install h5py配置RepeatMasker 12cd ~/software/RepeatMasker/perl ./configure配置过程中，必须配置trf路径，4种搜索引擎的路径可以选择配置。 12345TRF_PRGM: /home/chenwen/software/trfCROSSMATCH_DIR: /home/chenwen/software/phrap_cross_match_swat_1.090518RMBLAST_DIR: /home/chenwen/software/rmblast-2.11.0/binHMMER_DIR: /home/chenwen/software/hmmer-3.2.1/binABBLAST_DIR: /home/chenwen/software/ab-blast-20200317-linux-x64如果配置成功，将有如下提示。 配置成功之后，删掉巨大的Dfam.h5文件。 1rm ~/software/RepeatMasker/Libraries/Dfam.h5将RepeatMasker添加到环境变量 12echo "export PATH=$HOME/software/RepeatMasker:\$PATH" >> ~/.bashrcsource ~/.bashrc 运行RepeatMasker这里我们以从Ensembl下载的斑马鱼基因组为例。 12345mkdir ~/test_RepeatMaskercd ~/test_RepeatMasker/wget http://ftp.ensembl.org/pub/release-104/fasta/danio_rerio/dna/Danio_rerio.GRCz11.dna.primary_assembly.fa.gzgunzip Danio_rerio.GRCz11.dna.primary_assembly.fa.gzmv Danio_rerio.GRCz11.dna.primary_assembly.fa Danio_rerio.fa 1RepeatMasker Danio_rerio.fa -species "Danio rerio" -e rmblast -xsmall -s -gff -pa 12参数说明 12345678-e rmblast 指定搜索引擎为rmblast，还可以选择crossmatch、abblast或者hmmer-species "Danio rerio" 指定物种为斑马鱼，物种名必须在NCBI物种分类数据库(Taxonomy)中，推荐使用拉丁学名-pa 12 使用12线程运行RepeatMasker-s 慢速搜索，灵敏度比高0~5%，速度慢2-3倍-xsmall 软屏蔽，将重复序列变成小写字母，而不是N或者X。-gff 输出GFF文件-nolow 忽略低重复的序列-norna 忽略Small RNA 结果解读斑马鱼基因组大小约1.4G，上述命令在我的i5 10400（6核12线程）电脑上面跑了约10.5小时。结果文件主要有：Danio_rerio.fa.tbl、Danio_rerio.fa.masked、Danio_rerio.fa.out、Danio_rerio.fa.out.gff、Danio_rerio.fa.cat.gz。.cat.gz是重复序列与基因组序列的比对文件，其他文件我们打开看一下。 .tbl文件是重复序列的统计信息，我们可以看到斑马鱼有60%以上的重复序列。 .masked文件是屏蔽重复序列后的基因组文件，这里是软屏蔽，重复序列用小写字母表示。 .out文件是RepeatMasker默认的输出结果，.out.gff文件是相应的GFF文件。 |
【本文地址】
今日新闻 |
推荐新闻 |