重复序列分析

生信喵

背景
       基因组上有很多的重复区域，重复序列是物种基因组一个明显的特征。在真核生物中重复区序列占据很大的比率，例如人的基因组中重复序列占据了 90%以上的区域。在植物基因组中这个比例更高。
       重复序列可以简单分为散在重复和串联重复，散在重复指某一个相同或相似的片段分散在基因组上。而串联重复则指重复序列片段单元连续出现在一起。如图中所示，这里面注意，对于重复单元可以完全相同，也可以存在差异。
      
       散在重复与串联重复
       串联重复序列根据重复序列的重复单位的长度可分为卫星 DNA（satellites DNA）、小卫星DNA（mimisatellites DNA）和微卫星 DNA（microsatellites DNA）。微卫星 DNA 由 1～6 个核苷酸组成的基本单位重复多次构成的一段 DNA，广泛分布于基因组的不同位置，长度一般在 200bp 以下。分散重复序列分四种：LTR、LINE、SINE 和 DNA 转座子。

一、串联重复序列分析
       对于串联重复序列，可以使用 trf 软件，Trf 是（Tandem Repeat Finder）的简称，用来搜寻DNA 序列中的串联重复序列。重复单元可以从 1bp 到 500bp，DNA 查询序列大小可以超过 5M。

1. #安装软件
   
2. mamba install -y trf
   
3. #串联重复序列预测
   
4. trf MGH78578.fasta 2 7 7 80 10 50 500 -f -d -m

复制代码

      2 7 7 80 10 50：为运行模式选项，各种罚分标准。
       -m：输出屏蔽序列
       -f ：输出侧翼序列
       -d ：输出结果文件
       -h：输出 html 格式结果

二、与已知数据库比对
       目前，识别重复序列和转座子的方法为序列比对和从头预测两类。序列比对方法一般采用Repeatmasker 软件，识别与已知重复序列相似的序列，并对其进行分类。我们利用Repeatmasker 识别与已知重复序列相似的重复序列或蛋白质序列。通过构建 Repbase 数据库在 DNA 水平和蛋白质水平的重复序列，Repeatmasker 能够分别识别在 DNA 水平和蛋白质水平重复的序列，提高了识别率。
2.1 软件安装

1. #安装软件 RepeatMasker
   
2. mamba install -y repeatmasker

复制代码

      下载数据库：
       网址：https://www.girinst.org/server/RepBase/index.php

1. #数据库下载，需注册
   
2. #https://www.girinst.org/server/RepBase/index.php
   
3. RepBaseRepeatMaskerEdition-20181026.tar
   
4. 
   
5. #配置数据库
   
6. #数据库路径：/ifs1/User/meta/miniconda3/share/RepeatMasker/Libraries/
   
7. tar -zxvf RepBaseRepeatMaskerEdition-20181026.tar
   
8. mv Libraries/* /ifs1/User/meta/miniconda3/share/RepeatMasker/Libraries/

复制代码

2.2 运行软件

1. mkdir repeatmasker
   
2. RepeatMasker -pa 2 -species bacteria -q -html -gff -dir
   
3. repeatmasker MGH78578.fasta

复制代码

      -pa：线程数
       -q：快速模式，敏感性稍低，-s 为慢速模式，敏感性更高
       -species：物种名
       -html：输出 html 结果
       -gff：输出 gff 格式结果
       -dir：输出文件夹

2.3 结果解读
       *.tbl：重复序列注释结果报告信息汇总表格 overview
       *.out.html: 网页版结果详细，同 RepeatMasker 在线注释结果报告
       *.masked: 将注释为重复序列区的大项替换为 N 的基因组
       *.out：RepeatMasker 默认输入结果格式，信息基本与 gff 相关
       *.cat.gz: 序列与重复序列比对的文件

三、从头预测 RepeatModeler
Repeatmasker 基于与已知的重复序列数据库比对来寻找重复序列，Repeatmodeler 是通过重续序列的结构特征来进行从头注释，因此可以寻找一些物种特有的重复序列。
网址：http://www.repeatmasker.org/RepeatModeler/
3.1 安装软件

1. #安装软件
   
2. mamba install -y repeatmodeler

复制代码

3.2 软件使用

1. #软件使用
   
2. #下方作为测试，只使用了主要的参数
   
3. #建立基因组索引
   
4. BuildDatabase -name MGH78578 -engine ncbi MGH78578.fasta
   
5. #从头预测
   
6. RepeatModeler -pa 8 -engine ncbi -database MGH78578

复制代码