标签:贝叶斯 ndt rand 开始 模型 spin 格式 转换 href
目前的从头预测软件大多是基于HMM(隐马尔科夫链)和贝叶斯理论,通过已有物种的注释信息对软件进行训练,从训练结果中去推断一段基因序列中可能的结构,在这方面做的最好的工具是AUGUSTUS它可以仅使用序列信息进行预测,也可以整合EST, cDNA, RNA-seq数据作为先验模型进行预测。
安装
具体看看这个http://www.chenlianfu.com/?p=1224
使用
(1)若存在已经被训练的物种(augustus --species=help查看),则直接使用一下代码进行预测基因,以拟南芥为例:
1 augustus --speices=arabidopsis test.fa > test.gff
(2)若不存在被训练过的物种,则需要进行训练
准备训练集和测试集
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
这一部分有时间可以看看
http://www.chenlianfu.com/?p=2307 还有这个https://www.jianshu.com/p/679bd6bb0ea4
(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)过滤掉可能错误的基因结构
1 cat train.err | perl -pe ‘s/.*in sequence (\S+): .*/$1/‘ >badgenes.lst 2 filterGenes.pl badgenes.lst genes.raw.gb > genes.gb
(4)提取上一步过滤后的genes.db中的蛋白 (其中第4-6步骤,也有人忽视)
1 grep ‘/gene‘ genes.gb |sort |uniq |sed ‘s/\/gene=//g‘ |sed ‘s/\"//g‘ |awk ‘{print $1}‘ >geneSet.lst 2 python extract_pep.py geneSet.lst Spinach_genome/spinach_pep_v1.fa
(5)将得到的蛋白序列进行建库,自身blastp比对。根据比对结果,如果基因间identity >= 70%,则只保留其中之一,再次得到一个过滤后的gff文件,gene_filter.gff3
1 makeblastdb -in geneSet.lst.fa -dbtype prot -parse_seqids -out geneSet.lst.fa 2 blastp -db geneSet.lst.fa -query geneSet.lst.fa -out geneSet.lst.fa.blastp -evalue 1e-5 -outfmt 6 -num_threads 8 3 python delete_high_identity_gene.py geneSet.lst.fa.blastp Spinach_genome/spinach_gene_v1.gff3
(6)将得到的gene_filter.gff3 转换为genbank 格式文件
1 perl ~/miniconda2/bin/gff2gbSmallDNA.pl gene_filter.gff3 ./Spinach_genome/spinach_genome_v1.fa 1000 genes.gb.filter
(7)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.filter 100
(8)初始化HMM参数设置(在相应~/minicode/config/species/relative name中形成参数,若之前已经存在该物种名字,则需要删除),并进行训练
1 new_species.pl --species=spinach 2 etraining --species=spinach genes.gb.filter.train
(9)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.filter.test | tee firsttest.out 2 augustus --species=arabidopsis genes.gb.filter.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
基于上述,引出下面两个概念。"sensitivity"等于TP/(TP+FP)(预测到的百分率), 是预测为真且实际为真的占你所有认为是真的比例."specificity"等于TN/(TN+FN)(其中正确的百分率), 是预测为假且实际为假的占你所有认为是假的比例。我们希望在预测中,尽可能地不要发生误判,也就是没有基因的地方不要找出基因,有基因的地方不要漏掉基因。
1 optimize_augustus.pl --species=spinach genes.gb.filter.train
(11)再次进行训练,并检验,进行前后比较
1 etraining --species=spinach genes.gb.filter.train 2 augustus --species=spinach genes.gb.filter.test | tee secondtest.out
下面命令可用于从 firsttest.out 中提取氨基酸序列
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
标签:贝叶斯 ndt rand 开始 模型 spin 格式 转换 href
原文地址:https://www.cnblogs.com/bio-mary/p/12610996.html