跨物种进化研究必备的‘单拷贝直系同源基因’如何查找

通过对直系同源基因的研究,我们可以发现不同物种之间的进化关系,如利用直系同源基因序列构建系统发育树。

如果大家搞不清直系同源基因与旁系同源基因的区别,我们可以用一张图来清楚地说明。

那如何来查找这些基因呢?这就要用到OrthoMCL这个软件了。

OrthoMCL介绍

OrthoMCL (http://orthomcl.org/orthomcl/) (v2.0版本)是现在用的最多的一款来找直系同源基因(Orthologs)以及旁系同源基因 (Paralog) 的软件。

根据官网的教程需要十多步来完成整个运行流程,但是绝大部分的工作都有代码可以用,按照他的步骤来,还是很省心的。话不多数,接下来就以蛋白质序列为例,详细介绍Orthomcl的使用。

辅助模块

Orthomcl需要的linux详细配置,简单叙述。

系统:unix

BLAST:我们推荐NCBI的 BLAST,

Database:oracle 或 mysql,下文我们选择mysql来进行阐述.

Hardware:内存4G,硬盘100G

MCL程序

软件安装

(1)Mysql安装

Orthomcl需要用到数据库,对数据库不太了解也没关系,只要能够安装好数据库、并使用简单的几条SQL语句就可以了,较复杂的工作都有程序直接完成。具体安装过程就不说啦。

(2)安装mcl

下载地址在http://www.micans.org/mcl/src/mcl-latest.tar.gz,自动获取最新版。

#注意出现make[] Nothing to be done for '***'

make[] leaving directory '***'

不是make错误!make时最好用root权限,即在make前加sudo

(3)安装Orthmcl:

使用以下命令解压:

解压完成后的文件夹下包括bin config doc lib 四个文件夹,可以将bin目录加到环境变量里,方便以后操作:

之后可以在Orthomcl software主文件夹或其它地址下创建文件夹作为工作目录,这里以官网文档的my_orthomcl_dir为例。把/doc/OrthoMCLEngine/Main/orthomcl.config.template文件复制到my_orthomcl_dir下,命令如下:[路径:解压后的orthomclSoftware-v2.0.9]

修改orthomcl.config:

具体操作

具体操作步骤包括创建数据库、转换序列格式、过滤、比对、解析结果和聚类等步骤,详细说明如下:

(1)创建数据库并建表

这一部分就是依据刚才配置的config文件,对mysql进行配置,在数据库里建立一些空表,Note:在做这步前,请先在你的mysql中新建一个数据库,如create database orthomcl,下面我就使用这个数据库来操作数据。

(2)格式化orthomcl输入文件

我们使用多个物种所有基因的蛋白质序列查找同源基因,数据来源于转录组或数据库下载。该步将会将你的pep文件转换为orthmcl所要求的文件,其实也就是一个改写的过程,格式要求为如下:

例如:

使用orthomclAdjustFasta程序可以把fasta格式的序列文件转换成orthomcl的标准格式,转换格式前先在my_orthomcl_dir目录下创建名为compliantFasta的文件夹,命令如下:

执行完上述命令后,产生的文件为hsa.fasta存放在compliantFasta目录下。compliantFasta文件夹下存放各个物种的蛋白组,如Hsa.fasta Dha.fasta Ali.fasta Kla.fasta......

(3)过滤序列

使用orthomclFilterFasta命令对compliantFasta文件夹下的序列进行过滤,orthomcl的推荐规则是允许protein序列最短长度为10,stop coden占的最大比例为20%,命令会在my_orthomcl_dir目录下产生goodProteins.fasta和poorProteins.fasta,goodProteins.fasta文件中包含所有comliantFasta文件夹下经过筛选的物种蛋白组。

(4)blast比对

用goodProteins.fasta建库,并与自身比对。由于数据量较大,比对时间可能会比较长,一两天都是正常的,小伙伴们请耐心等待!

(5)处理blast产生的结果

#使用orthomclBlastParser命令引入compliantFasta文件夹下文件,生成similarSequences.txt文件,找出相似性序列,输出文件从第1列到第8列分别是:query_id, subject_id, query_taxon, subject_taxon, evalue_mant, evalue_exp, percent_ident, percent_match。

(6)相似性序列载入mysql数据库

(7)寻找成对蛋白质

(8)将数据从mysql数据库中导出

此命令会在my_orthomcl_dir下生成一个mclInput文件和一个pairs文件夹,pairs文件夹下包含coorthologs.txt和inparalogs.txt和orthologs.txt三个文件。

(6)(7)(8)三步是对数据库的操作,不懂没关系,照做就可以了。

(9)使用mcl对pairs进行聚类

(10)提取mcl的结果,生成group.txt文件

至此orthomcl程序运行完毕,产生的groups.txt即为即为最终结果文件,可对其进行各种数据操作,例如提取单拷贝的直系同源基因,只需要判断同源组中包含研究的所有物种,且每个物种都只有一个基因,这样的就是一组单拷贝的直系同源基因啦。

参考文章:

http://www.plob.org/2012/06/12/2207.html

http://www.plob.org/2013/09/18/6174.html

http://blog.sina.com.cn/s/blog_7f1542270102wbxc.html

科技服务事业部 文案

图片源于网络 侵删

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180321A1B6C200?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券