教程 | [下篇] 规模化物种同源基因分析 - orthofinder

写在前面

两个月前，我推送了一个师妹的投稿，介绍了orthofinder软件的应用场景和具体安装，属于上篇。有上便有下，评论区和后台看到不少朋友在催更下篇。今天即推出，主要内容即：

• 软件的使用
• 结果的解读

运行

准备文件

#在一个合适的路径，创建个人工作文件；
 mkdir test && cd test 

准备所需物种的蛋白文件
统一后缀为(.pep/.fasta/.fa/.faa/.fas 均是Orthofinder可以识别的后缀)
注意：如果基因组具有可变剪切转录本，需要提取最长转录本进行（TBtools可）

运行主程序

#暂时退至上一层目录
cd ..
#运行主程序
orthofinder -f test/  -M msa   -a 40  
#非conda安装,主程序运行使用orthofinder.py 

可见用到的参数并不多，正是Orthofinder使用简单的原因。
主要用到相关参数介绍：

#-a 分析所用到的线程
#-f 指定文件夹（存放我们所有物种的序列） 
#-M 推断基因树的方法 可选：msa 和 dendroblast （默认 dendroblast）
dendroblast不依赖多序列比对，基于Blast评分方法聚类的方法，更节约时间。但相对多序列比对（msa）还是准确性差一点。
#-S 序列比对的方法 可选：Diamond 和 blast (默认Diamond)
diamond相对于blast比对速度更快，准确性也有保证
#-T 建树的方法 可选：fasttree, raxml, raxml-ng, iqtree (默认fasttree)
建树的精准度/耗时 raxml > iqtree > fastree; 
如果追求更高的精准度可以使用 iqtree。
# 此处应有误，最准确应该是raxml，也是最慢的 - CJ

结果解读

#进入运行路径
cd test
#可以发现产生了 OrthoFinder/Results_Jun12
cd OrthoFinder/Results_Jun12
ls -1tr #查看结果文件

进入结果文件查看，主要包含以下文件夹情况。

• Orthogroup_Sequences 该文件夹包含了每个同源基因集合，各物种的同源基因序列。
• Orthogroups 同源组信息的目录

Orthogroups.GeneCount.tsv #每个物种在每个同源基因集合所具有的基因数目
Orthogroups.tsv #每个物种在每个同源基因集合的基因ID
Orthogroups_UnassignedGenes.tsv #每个物种在每个同源基因集合的基因ID（包括未分配同源组的基因）
Orthogroups.txt #OrthoMCL的输出格式
Orthogroups_SingleCopyOrthologues.txt #单拷贝的同源基因集合

• Single_Copy_Orthologue_Sequences 该文件包含了单拷贝的直系同源基因核酸序列。后续需要若需要构建时间分歧进化树，使用的序列。
• MultipleSequenceAlignments 多序列比对的文件。
• WorkingDirectory 运行程序的文件夹。
• Species_Tree 物种树文件夹

Orthogroups_for_concatenated_alignment.txt #构建进化树所用到的同源基因集合
SpeciesTree_rooted.txt #有根物种树文件
SpeciesTree_rooted_node_labels.txt
#具有Node信息的树文件；导进查看树文件的软件即可，大致了解到物种关系。

• Phylogenetic_Hierarchical_Orthogroups 输出文件以 N0.tsv，N1.txt，N2.tsv，… 为格式。分别指以物种树 N0，N1，N2，… 节点为标准推断出的Hierarchical Orthogroups（不考虑基因复制，从古老祖先进化的一组直系同源基因）。
• Orthologues

cd Orthologues
#Orthologues_Athaliana
#Orthologues_Slycopersicum
#Orthologues_Csinensis
#Orthologues_Vvinifera
###
cd Orthologues_Athaliana
#Athaliana__v__Csinensis.tsv
#Athaliana__v__Slycopersicum.tsv
#Athaliana__v__Vvinifera.tsv

进入该目录，可以具有各物种的子目录。子目录内又包括了两个物种间的同源基因集合比较的文件。

• Gene_Trees 该文件存放同源基因树。
• Resolved_Gene_Trees 该文件存放重定根的同源基因树。
• Gene_Duplication_Events 统计支持度大于50%的复制事件，支持度是指复制后两个基因副本未被丢失的比例。

SpeciesTree_Gene_Duplications_0.5_Support.txt #物种的分支上具有基因复制事件的数量（50％支持度的）展示如下图
Duplications.tsv #列出复制事件具体情况

• Comparative_Genomics_Statistics 该目录主要包括了基因组比较的统计

Statistics_PerSpecies.tsv #统计每个物种的情况
Statistics_Overall.tsv #基于同源基因集合（Orthogroups）统计情况
Orthogroups_SpeciesOverlaps.tsv #物种间共享的同源基因集合
OrthologuesStats_one-to-one.tsv #物种对间一一对应的直系同源基因数量
OrthologuesStats_one-to-many.tsv #物种对间多对一的直系同源基因数量
OrthologuesStats_many-to-one.tsv #物种对间一对多的直系同源基因数量
OrthologuesStats_many-to-many.tsv #物种对间多对多的直系同源基因（在物种形成后的基因复制事件）
OrthologuesStats_Totals.tsv #包括多重性的每个物种对的直系同源基因总数（即上述数量的总和）
Duplications_per_Species_Tree_Node.tsv #物种树每个分支发生的复制次数
Duplications_per_Orthogroup.tsv  #每个物种对共享的同源群数目

• Log.txt 记录文件~
• Citation.txt 引用信息~

写在最后

Emmm，这位师妹整体进步速度还不错，应该也是差不多研二转生信数据分析，研三毕业时已经可以独立完成植物基因组项目，也是其毕业论文。今天的稿件，我压了两个月，主要原因是一直找不到时间排版。碰巧这会在测试过几天培训的虚拟机。有时候，最难的是在限定的计算资源下，完成一些原本应该是高占用资源的项目，比如基因组组装。
Anyway，稿件终于还是放出来了。前面跟师妹还约了另外的稿件，感兴趣的朋友，就等着吧。