MAKER 目前支持
SNAP (效果好、易于训练,但在长内含子的基因组上表现不如其他软件)
Augustus (效果好、训练麻烦但提升效果好)
GeneMark (自我训练,在碎片化基因组或长内含子上表现不佳)
FGENESH (效果好,但是训练需要花钱)
1.AUGUSTUS
将PASA获得的database.sqlite.assemblies.fasta.transdecoder.genome.gff3转为genbank格式
augustus/scripts/gff2gbSmallDNA.pl database.sqlite.assemblies.fasta.transdecoder.genome.gff3 genome.fasta 1000 trans.gene.raw.gb
过滤可能错误的基因结构
#创建物种初始化hmm文件
augustus/scripts/new_species.pl --species=new
#训练,捕捉错误
augustus/bin/etraining --species=new --stopCodonExcludedFromCDS=false trans.gene.raw.gb 2> train.err
#过滤错误
cat train.err | perl -pe 's/.*in sequence (\S+): .*/$1/' > badgenes_list.txt
augustus/scripts/filterGenes.pl badgenes_list.txt trans.gene.raw.gb > trans.genes.gb
初步训练
将过滤后的trans.genes.gb随机分为训练集trans.genes.gb.train和测试集trans.genes.gb.test ,为了使测试准确性具有统计学意义,测试集应该足够大(包括100~200个loci),剩余loci包含在训练集中。
augustus/scripts/randomSplit.pl trans.genes.gb 100 #100是测试集的loci数
创建初始化HMM参数文件,并进行训练,从头预测trans.genes.gb.train中的基因
augustus/scripts/new_species.pl --species=new
augustus/bin/etraining --species=new trans.genes.gb.train | tee firsttest.out
grep -A 22 Evaluation firsttest.out #查看报告
******* Evaluation of gene prediction *******
---------------------------------------------\
| sensitivity | specificity |
---------------------------------------------|
nucleotide level | 0.873 | 0.626 |
---------------------------------------------/
----------------------------------------------------------------------------------------------------------\
| #pred | #anno | | FP = false pos. | FN = false neg. | | |
| total/ | total/ | TP |--------------------|--------------------| sensitivity | specificity |
| unique | unique | | part | ovlp | wrng | part | ovlp | wrng | | |
----------------------------------------------------------------------------------------------------------|
| | | | 253 | 101 | | |
exon level | 484 | 332 | 231 | ------------------ | ------------------ | 0.696 | 0.477 |
| 484 | 332 | | 35 | 0 | 218 | 36 | 0 | 65 | | |
----------------------------------------------------------------------------------------------------------/
----------------------------------------------------------------------------\
transcript | #pred | #anno | TP | FP | FN | sensitivity | specificity |
----------------------------------------------------------------------------|
gene level | 156 | 100 | 47 | 109 | 53 | 0.47 | 0.301 |
----------------------------------------------------------------------------/
100个基因中有47个被准确预测
69.6%的外显子被准确预测
47.7%预测的外显子在测试集中确切存在
使用optimize_augustus.pl可以将预测准确度提高几个百分点,但极其耗时
augustus/scripts/optimize_augustus.pl --species=new trans.genes.gb.train
在optimize_augustus.pl完成后,重新使用它设置的参数进行训练
augustus/bin/etraining --species=new trans.genes.gb.train
用测试集检查预测准确度
augustus/bin/augustus --species=new trans.genes.test.gb
如果sensitivity低于20%,可能是训练集不够大、基因组质量不高或者物种在某种程度上很“特殊”
2.SNAP模型训练
①SNAP是从基因组中从头预测基因的软件,首先训练一个包含转录组序列与基因组比对结果的SNAP模型
maker -CTL
vi maker_opts.ctl
genome=genome.fasta #基因组序列
est=trinity.fasta #从头组装的转录组序列
protein=protein.fasta #t同源蛋白序列
est2genome=1
protein2genome=1
cpus=12
maker &> maker.log &
②将上一步生成的结果转换为构建SNAP模型的输入文件
mkdir SNAP && cd SNAP
maker/bin/gff3_merge -d ../genome.fasta.maker.output/genome.fasta_master_datastore_index.log
maker/bin/maker2zff -c 0.8 -e 0.8 -o 0.8 -x 0.2 genome.fasta.all.gff
maker2zff生成一个ZFF格式文件(genome.ann)和一个FASTA格式文件(genome.dna),过滤用于再次训练的高置信度基因,共有7个选项:
-c 由EST/mRNA-Seq比对确定的剪接位点的比例,默认0.5
-e 与EST/mRNA-Seq比对重叠的外显子的比例,默认0.5
-o 和任何证据(EST或者蛋白)重叠的外显子的比例,默认0.5
-a 从头预测证实的剪接位点的比例,默认0
-t 和从头预测结果重叠的外显子的比例,默认0
-l mRNA翻译的蛋白质序列的最短长度
-x 最大AED值,默认0.5
-n 不过滤
AED值:maker2使用注释编辑距离(AED)来评估基因组注释的准确性,AED是一个介于 0 和 1 之间的数字,衡量注释与支持它的evidence的拟合优度,0 表示与可用证据完全一致,1 表示缺乏对注释基因模型的支持
③接着构建模型,生成输入maker2的hmm文件
SNAP/fathom -categorize 1000 genome.ann genome.dna
SNAP/fathom -export 1000 -plus uni.ann uni.dna
SNAP/forge export.ann export.dna
SNAP/hmm-assembler.pl snap . > snap.hmm
④回到maker2的文件夹,编辑maker_opts.ctl,重新运行maker2
vi maker_opts.ctl
genome=genome.fasta
est=trinity.fasta
protein=protein.fasta
snap=snap.hmm
est2genome=0 #直接从EST中预测基因,1=yes,0=no
protein2genome=0
maker &> maker.log &
②-④重复2~3次
ERROR: Could not determine if RepBase is installed
参考ERROR: Could not determine if RepBase is installed · Issue #16501 · bioconda/bioconda-recipes · GitHub
将maker_opts.ctl文件中的model_org设为空选项,不会检查RepBase有没有安装
ERROR:Comparison failed. Retrying with larger minmatch (10)
根据custom de novo library failing - batch failures and "Comparison failed. Retrying with larger minmatch (10)" · Issue #124 · rmhubley/RepeatMasker · GitHub,暂无解决办法
参考文章:
MAKER Tutorial for WGS Assembly and Annotation Winter School 2018 - MAKER Wiki (utah.edu)
http://www.yandell-lab.org/publications/pdf/maker_current_protocols.pdf
https://vcru.wisc.edu/simonlab/bioinformatics/programs/augustus/docs/tutorial2015/training.html
使用MAKER进行基因注释(高级篇之AUGUSTUS模型训练) - (jianshu.com)
https://biohpc.cornell.edu/doc/annotation_2018_exercises1.pdf
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3280279/
https://www.nature.com/articles/s41598-018-26416-2
http://weatherby.genetics.utah.edu/MAKER/wiki/index.php/The_MAKER_control_files_explained