细菌基因组结构分析

甲基化修饰

1. 甲基化分析结果（直接从服务器下载，文件名乱码）
   /opt/pacbio_soft/smrtanalysis/userdata/jobs/016/jobID/data
   从该文件夹下载modification和motif名字的4个文件。分别是gff和csv
   用gunzip解压

   
   
   

   image.png

2. 统计
   motif.gff 中两个类别的修饰，分别计算平均质量值
   motif.summary.csv 平均覆盖度 mean coverage求平均

   
   
   

   image.png

2.4.1 编码基因prodigal

assembly.gff文件注释行：seqnum=1;基因组全长seqlen=5717668; gc_cont=64.44

1. 编码基因个数：5036
   gff数CDS
   cat assembly.gff | grep CDS | wc -l
   5036
   genes.cds数>
   cat genes.cds | grep "\>" | wc -l
   5036
2. 编码基因平均长度: 5097850/5036=
   计算编码基因总长： 5097850
   tail -n +3 assembly.gff | awk '{len=$5-$4+1;if(len<0) len=-len;sum+=len}END{print sum}'
   去掉前三行
3. 编码基因百分比:5097850/5717668=
4. G+C含量百分比:64.44

2.4.2 重复序列

2.4.2.1 散在重复序列-repeatmasker

1. 输出文件：gff 和 tbl

2. 输出结果的统计（tbl文件）:主要看interspersed repeats

   
   
   

   tbl

按四个大项：SINE LINE LTR DNA-elements右侧的数据进行统计。小项目比如ALUs，MIRs只有少数确定了的才写出来。
link

2.4.2.2 串联重复序列-TRF

link
可以在线提交 ；也可以本地跑
结果文件：dat，mask，html（结果多的话会分成两个）

1. 重复序列个数 206
   tail -n +16 assembly.dat|wc -l
   txt.html写了：

This is table 1 of 2 ( 206 repeats found )

2. total length：18453
   tail -n +16 assembly.fasta.2.7.7.80.10.50.500.dat | awk -F " " '{len=$2-$1+1;if (len < 0) len=-len;sum+=len}END{print sum}'

多个contig的情况

需要整合每个contig的数据

image.png

将每个contig的信息作为第一列

image.png

2.4.3 统计各类非编码RNA

2.4.3.1 统计sRNA - Rfam

详细见此记录
可以得到tRNA，sRNA，rRNA的结果，但只看sRNA的。

2.4.3.2 tRNA-scan-SE

tRNAscan-SE -o tRNA.out -f rRNA.ss -m rRNA.stats ../assembly.fasta
得到三个文件：out ss stats

1. stats文件有tRNA个数：76

   
   
   

   image.png

2. ss计算总长度 :5690
   cat rRNA.ss |grep Length | awk '{split($2,x," ");num = x[2];len += num}END{print len}'

2.4.3.3 rRNA

线上分析只能分析1000，000
线下rRNAmmer

1. 输出文件：rRNA.fasta rRNA.gff2 rRNA.hmmreport rRNA.xml
2. 需要：gff fasta
3. 根据fasta统计结果
   seqkit stat rRNA.fasta
   
   

   seqkit

2.4.4 基因岛：IslandPath-DIOMB

1. 需要genbank或者embl格式。
2. 线上link或者dimob.pl
3. 线上islandViewer整合了islandpath-DIMOD和SIGI-HMM，IslandPick。

1. 分析方法一

1. 目前手里有fasta和prodigal分析的gff文件。利用两者来转换得到gbk（genbank）文件的方法有两种：
   seqret help
   1）EMBOSS的seqretseqret -sequence assembly.fasta -feature -fformat gff -fopenfile prodigal/assembly.gff -osformat embl -auto
   2)python脚本，在ipython中。gff_to_genbank.py，用到BIO-seqIO和BCBio-Gff。
2. Dimob.pl ../assembly.gbk islands.txt
   分析似乎有报错但还是正常结束了，输出文件只有四个结果GIs.txt（和online一致）
   将gbk文件在线上分析，下载整合结果online_all_out和选择Dimob的结果dimob_all_out下载。每个island含多个基因。（ok）

2. 分析方法二

1. prodigal直接输出gbk文件。
2. 线上和dimob.pl均报错: 找不到CDS。

3.结果提取

1. cat online-Dimob_out.csv | awk '{print $1,$2}'|uniq
   取第一行，第二行（island start，end），去重复。

Island start Island end
223663 232240
436628 451563
3691538 3705640
5510000 5539637

2. sed '1d' online-Dimob_out.csv | awk '{print $3}'|sort -u|awk '{len+=$1}END{print len}
   去除第一行，将第三行（length）取出，去重复。加和。
   67251
   3.保留online-Dimob_out.csv

2.4.5 转座子

TransposonPSI
./transposonPSI.pl fastaFile prot|nuc

1. 运行报错

processing unitig_0|quiver.
Error, formatdb -i transposonPSI.354.mu01.tmp/unitig_0_quiver/unitig_0_quiver.seq -p F (ret -1) at ../../biosoft/TransposonPSI_08222010/transposonPSI.pl line 115, <$filehandle> line 1.
% ./transposonPSI.pl

问题最终是因为该程序用的是早期版本的blastall和blastpgp，而不是现在的blast+。

2. 下载早期版本的blast legacy

3. prot和nuc
   输入文件是核酸序列则选参数nuc
   输入文件是蛋白序列则选参数prot
   Two output files are created:
   fastaFile.topHits (for prot searches)
   fastaFile.allHits (for nuc searches)
   The .topHits file contains only the single best hit (by blast score).
   The .allHits file contains each match scoring above the 1e-5 E-value default.
   On 'nuc' searches, gff3 files are automatically generated for all hits and only the best hits per genomic locus.

4. 运行要求
   -you must have NCBI blast installed, including blastall and blastpgp
   -bioPerl

5. 相关信息
   info

6. 输出文件：allhits 5个文件
   保留gff文件。
   gff统计总长度：1976

2.4.6 前噬菌体

PHAST
线上分析 phast_result.txt

PHASTER
online

两个都是提交后，运行的同时给出每个contig结果的链接。可以查看是否完全。全部完成后再下载。

image.png

image.png

下载是按contig分别存的文件夹。删除大量的注释信息，并去除行首的空格，分别按contig名字存入txt。

image.png

2.4.7 CRISPR

link
2个，len 94 100
似乎无法下载result，打开无反应。
直接复制粘贴。