Augustus 进行基因注释

根据Augutus的官方教程，可靠的基因结构序列的要求如下：

a. 提供基因的编码部分，包含上游几KB。通常而言，基因越多，效果越好，至少准备200个基因以上。还得保证这些基因中要有足够多的外显子，这样子才能训练内含子

b. 这些基因的基因结构一定要足够的准确。不过，也不需要百分百的正确，甚至注释都不需要特别的完整，只要保证起始密码子和终止密码子的准确是准确的即可。

c. 需要保证这些基因没有冗余，也就是说不同序列如果有几乎相同的注释后氨基酸序列，那么仅仅取其中一个（AUGUSTUS教程的建议是：保证任意两个基因在氨基酸水平上低于70%的相似度），这一步既可以避免过度拟合现象，也能用于检验预测的准确性

d. 一条序列允许有多个基因，基因可以在正链也可以在负链，但是这些基因间不能有重叠，每个基因只要其中一个转录本，存放格式是GenBank

之后随机将注释数据集分成训练集和测试集，为了保证测试集有统计学意义，因此测试集要足够多的基因（100~200个），并且要足够的随机。

基因结构集的可能来源有:

a. Genbank

b. EST/mRNA-seq的可变剪切联配, 如PASA

c. 临近物种蛋白的可变剪切联配，如GeneWise

d. 相关物种的数据

e. 预测基因的迭代训练

• 流程如下

（1）格式转换；基于选取物种的GFF3以及ref.fa 文件将其转换为Genbank格式

 1 perl ~/miniconda2/bin/gff2gbSmallDNA.pl ./Spinach_genome/spinach_gene_v1.gff3 ./Spinach_genome/spinach_genome_v1.fa 1000 genes.raw.gb 

（2）尝试训练，捕捉错误；

 1 etraining --species=generic --stopCodonExcludedFromCDS=false genes.raw.gb 2> train.err 

（3）过滤掉可能错误掉基因结构

1 cat train.err | perl -pe ‘s/.*in sequence (\S+): .*/$1/‘ >badgenes.lst
2 filterGenes.pl badgenes.lst genes.raw.gb > genes.gb

（3.1）提取上一步顾虑后的genes.db中的蛋白，进行自身比对，并鉴定出identity <70%的基因，形成GFF3文件，而后在从格式转换开始进行操作 （有些人不进行这个操作）

（4）将上一步过滤后的文件随机分成两份，测试集和训练集。其中训练集的数目根据gb的LOCUS数目决定，至少要有200

1 ## 100 为测试集的基因数目，其余为训练集
2 randomSplit.pl genes.gb 100

（5）初始化HMM参数设置（在相应config中形成参数），并进行训练

1 new_species.pl --species=spinach
2 etraining --species=spinach genes.gb.train

（6）用测试数据集检验预测效果，这里可以比较我们训练的结果，和近缘已训练物种的训练效果

1 augustus --species=spinach genes.gb.test | tee firsttest.out
2 augustus --species=arabidopsis genes.gb.test | tee firsttest_ara.out

在 firsttest.out 的尾部可以查看预测结果的统计，首先需要解释几个统计学概念

1 optimize_augustus.pl --species=spinach genes.gb.train

1 etraining --species=spinach genes.gb.train
2 augustus --species=spinach genes.gb.test | tee secondtest.out

sed -n ‘/^#/p‘ firsttest.out | sed -n ‘/start/,/\]/p‘ | sed ‘s/# start gene />/g;s/protein sequence \= \[//g;s/#//g;s/\]//g;s/^\s//g‘ >seq.fa