genome threader手册

介绍：

GenomeThreader是一个基于相似性预测基因结构的软件。它使用额外的cDNA/EST或蛋白质序列通过剪接比对预测基因结构。

• 内含子切除技术：
  内含子切除技术对核心动态规划算法进行扩展，克服了处理长内含子基因组算法的空间和时间限制。
• 高度参数化：
  有很多参数

---

1. 组成：

genome threader由几个基因预测工具组成。gth是其中最重要的一个，用来计算基因结构。

除了gth，还有一些其他的工具：

• gthconsensus通过intermediate文件（中间文件？）获得一致的剪接比对
• gthsplit分割intermediate文件
• gthgetseq从intermediate文件处获得FASTA文件
• gthfilestat描述intermediate文件中剪接比对的各个统计量
• gthbssmfileinfo展示BSSM的信息
• gthbssmtrain训练BSSM
• gthbssmbuild构建BSSM文件
• gthclean.sh移除所有的索引（indice）

gth产生intermediate文件;
BSSM 即贝叶斯剪接位点模型（Bayesian Splice Site Model）

---

2. 安装注意事项：

• 把bin目录添加到PATH变量里；
• 确保bssm文件夹、gthdata文件夹、可执行文件在同一个目录里。否则需要分别创建BSSMDIR、GTHDATADIR来指明他们的位置。

#针对bash
$ export BSSMDIR="$HOME/gth-1.6.1-Linux i686-32bit/bin/bssm"
$ export GTHDATADIR="$HOME/gth-1.6.1-Linux i686-32bit/bin/gthdata"

• 可以指定多个目录，但需要在对应的环境变量中用冒号分隔

---

3. gth:

3.1. 语法：gth [options] -genomic genseqfiles -cdna cdnafiles -protein proteinfiles

3.2. option介绍

3.2.1. 输入选项

• -genomic：需要预测基因结构的基因组文件；
• -cdna：被剪接、比对到基因组的cDNAs/ESTs；
• -protein：被剪接、比对到基因组的蛋白质；

1.必须要提供基因组文件（要不然比啥呢）。cdna和protein有一个就行。

2.针对输入文件，支持以下格式：
I. multiple FASTA format：以 > 开始。以 > 开头的行包含其后序列的说明；
II. multiple EMBL/SWISSPROT format：以字符串ID开始。ID和DE行包含对应序列的说明。 EMBL格式和SwissProt格式一样；
III. multiple GENBANK format：以字符串LOCUS开始。LOCUS 和DEFINITION-lines包含对应序列的说明；
IV. Plain format：如果不属于上面的三种类型，将整个文件作为输入文件（包括空格）

3.2.2. 参数文件选项

未指定BSSM参数文件时，使用通用剪接位点模型

• -species：使用针对特定物种的BSSM文件。在运行文件的目录和BSSMDIR里搜索。

  
  
  提供12个物种的贝叶斯剪接位点文件

• -bssm：加载BSSM参数文件。会在当前路径和BSSMDIR里搜索

• -scorematrix：氨基酸替换矩阵，用于与蛋白质的剪接比对。默认打分矩阵为BLOSUM62。在运行文件目录和GTHDATADIR里搜索。

class：选用二分类贝叶斯模型还是7分类贝叶斯模型训练参数
对号：表示对应BSSM文件里有该donor或acceptor的的模型

• -translationtable：密码子翻译表
  
  密码子翻译表的代码及名称

-species 和-bssm不能一起用，否则会报错

3.2.3. 链方向选项

• -f: 只分析基因组的正链
• -r: 只分析基因组的负链
• -cdnaforward: 只比对cnda的正链

1. DNA是双链的，对于一个参考基因组，指定其中一条链为forward链，那么另一条就是reverse链，并没有什么生物学意义。
2. 不能同时使用-f和-r。但是如果两个都不用的话，默认分析基因组的两条链

3.2.4. 基因组序列位置选项

基因组序列中的位置以1开头。以下选项用于指定需要预测基因结构的基因组序列，只适用于一个基因组序列的情况

• -frompos: 指定要分析的基因组区域的第一个位置i（正整数）
• -topos: 指定要分析的基因组区域的最后一个位置j（正整数）
• -width: 仅分析宽度为w的基因组区域

1. 必须要用-frompos，-topos和-width用一个就可以。
2. 如果使用选项-frompos，程序将自动设置-inverse，会消耗大量内存。如果可以取出感兴趣的基因组序列，然后再用gth分析的话，便可以避免这个问题

3.2.5. 输出选项

• -v: 提供有关不同步骤以及计算资源要求的报告。 会很长···
• -xmlout: 以xml格式展示结果
• -gff3out: 以gff3格式展示结果。要么是剪接比对（设置 -intermediate），要么是保守剪接比对（设置-skipalignmentout）
• -md5ids: 将MD5指纹作为序列ID
• -o: 重定位输出文件
• -gzip: 用gzip压缩-o指定的输出文件
• -bzip2: 用bzip2压缩-o指定的输出文件
• -force: 强制写入-o指定的输出文件。默认，仅在文件不存在时写入。
• -skipalignment: 跳过剪接、比对的输出
• -mincutoffs：展示完整的拼接比对。 即，在比对的任一侧仅切除插入物和内含子。（不是很理解）
• -showintronmaxlen: 可以展示的内含子的最大长度。如果内含子大于设定值，则显示其缩写形式。设为0时可以显示所有外显子（无论多长）
• -minorflength: 最小阅读框长度（大于0，整数）。默认为64
• -startcodon: ORF必须以起始密码子开头
• -finalstopcodon: 要求最后的ORF必须以终止密码子结尾。
• -showseqnums: 在输出中显示序列号。即在描述用于剪接比对的序列时添加序列编号。从0开始编号
• -pglgentemplate: 在PGL行中展示基因组模版。默认为yes
• -gs2out:以GeneSeqer2的格式输出结果。GeneSeqer2是genome threader的前身

如果同时使用-o和-v，-v产生的输出将不会重定向到-o指定的文件中。我们可以边保存计算结果，边在标准输出中查看进度。

3.2.6. 数据预处理选项

通过内部调用Vmatch包中的mkvtree实现

• -maskpolyatails: 自动屏蔽cDNA/EST序列中poly(A)尾和poly(T)头。这对于正确注释基因结构很重要
• -proteinsamp: 指定用于蛋白质文件索引构建的相关文件。内部调用mkvtree
• -noautoindex: 如果调用的话，就不能自动构建索引文件，需要手动构建
• -createindicesonly: 程序会在构建完索引后停下来。这将有助于genome threader的多个程序同时处理同一文件，而不会产生干扰
• -skipindexcheck: 不检查索引。在genome threader的多个程序在同一文件的多个索引（-createindicesonly）上运行时用。可以加速预处理阶段。详情还是看帮助文档吧

1. -maskpolyatails，-noautoindex ，-proteinsmap和-noautoindex 不能同时用。
2. -createindicesonly 、 -noautoindex和 -skipindexcheck也不能同时用

3.2.7. 相似性过滤选项

预测和cDNAs/ESTs或蛋白质相似的基因组区域时用。通过内部调用Vmatch实现。

• -inverse: 只会影响cDNAs/ESTs的处理。将query和subject调一下。让基因组当query，cDNAs/ESTs当subject

match query against subject

• -duplicatecheck:设置剪接、比对相似项的标准。常用选项为none, id, desc, seq, or both

3.2.8. 一些乱七八糟的选项

• -intermediate: 把输入文件分成多个部分，分别调用gth。在最后把结果合并起来。对于更新的cDNAs/ESTs或蛋白质数据库，-intermediate可以实现渐进式更新
• -first:指定每个基因组DNA的最大剪接比对数。默认是0，即计算所有可能的剪接比对