基于全基因组的基因家族分析（2）：SlNRAMP家族基因成员鉴定

1.找到你所感兴趣的基因家族

番茄（Solanum lycopersicum），最喜爱的蔬菜水果之一。摘录维基百科最基本的介绍，详细了解番茄的起源，自行Google。小编还是喜欢Transporter gene family，就觉得特别有意思。植物对于各种营养元素的吸收，都需要其帮助，一旦缺少了，轻则营养不良，重则一命呜呼。本次流程，我选择了The natural resistance-associated macrophage protein (NRAMP)家族。

The tomato (see pronunciation) is the edible, often red, fruit of the plant Solanum lycopersicum, commonly known as a tomato plant. The plant belongs to the nightshade family, Solanaceae.

2.获取基因家族pfam number

• 进入官网https://pfam.xfam.org/，主页如下：

pfam主页

• 选择KEYWORD SEARCH，来直接搜索“NRAMP”。点Go，进入搜索结果页面。

KEYWORD SEARCH灰色状态

搜索结果

• 选择第一个Accession number：PF01566，进入以下界面

NRAMP家族信息界面

• 左侧栏选择Curation&model，进入如下界面：

model界面

• 可以看到第二张表格，HMM information，点击表格最下面的download链接，就可以下载Stockholm格式的HMM文件。

3. 利用hmmsearch进行基因家族初步筛选

• 最基本的语法：hmmsearch Nramp.hmm protein.fa > out，一般我只用到这么简单的语法。

Nramp.hmm 是上一步下载到的文件 protein.fa是番茄全基因组蛋白序列文件 out是重定向的输出的文件

• 找到的成员信息，可以看出来，初步找到了共10个NRAMP成员。但是根据拟南芥和水稻的成员数目（各自是6个和7个），估计番茄不会有那么多的成员。此外，从score一栏发现，其中只有5个成员的分数在200以上，可靠性相对比较高。但是不管怎么样，还是先把所有成员的蛋白序列download下来，进行保守结构域分析。

Nramp.hmm文件

out输出文件的内容

• 批量获取家族成员信息

大致思路：首先从out输出文件的内容中，将其中的geneID截取下来，然后再根据ID号将蛋白序列从protein.fa文件中获取所有家族成员。

代码如下:

# 截取id号
vim out
# 获取id号所在的行号，然后再用sed命令截取行，再用grep命令将id号匹配并重定向。
在vim命令模式下，输入“：set nu”
# sed命令截取，并用管道符直接输入给grep，匹配重定向到id文件
sed -n '17,26p' out | grep -o "Sol.*\.1" > id
# 利用samtools工具来进行序列提取
# 首先建立索引文件
samtools faidx protein.fa
# 再将id好作为输入，之后在重定向
# 参考链接：https://www.biostars.org/p/49820/
xargs samtools faidx protein.fa < id > nramp_protein
less nramp_protein
# 得到的序列文件是含有回车符的，我利用一个perl单行命令将fasta格式的多行序列变成单行的fasta格式序列，链接：http://www.biotrainee.com/thread-291-1-1.html
perl -pe '/^>/ ? print "\n" : chomp' in.fasta | tail -n +2 > out.fasta
# 最后在samrt网站确认是否是该家族成员，进行最后的鉴定。链接：http://smart.embl.de/smart/set_mode.cgi?NORMAL=1

行号显示

会多这样一个fai后缀的索引文件

含有NRAMP结构域的基因