EMBOSS命令行使用

EMBOSS

序列提取程序

• extractseq

   Example1:Extract the regions 30 to 45
   extractseq sequence -regions "30-45"
   Example2: extract the regions 1787-1912, 782-856;
   extractseq sequence -reg "1787..1912,782..856"
   EXAMPLE3: extract the regions 782-856, 1787-1912 all to separate output sequences:
   extractseq tembl:x65921 -reg "782..856,951..1095,1557..1612,1787..1912" stdout
 -separate

   其他高级检索：
 -snucleotideq :如果序列是核苷酸
  -sprotein1 :如果序列是蛋白质
  -slwer1 :make lower case
  -sid1 
  -squery1 
  -osformat1 <输出序列格式>
  -ossingle2 :seperate file for each entry
  -ufo1 

---

双序列比对

• needle
• water
• stretcher: 改进的Needleman-Wunsch动态规划算法局相似性双序列比对程序，占用内存较少，运行时间较长。
  • 例：比较af164138时，needle显示“Died: Sequences too big. Try 'stretcher'”

-datafile <矩阵>：选择blosum做蛋白比对，或者EDNAFULL做核酸序列比对（事实上可自动识别，不需再手动设置）
-sbegin1 <数字>：作为序列起始
-send1 ： 作为序列最后
-sprotein: 序列是否是蛋白，不是则可继续读取
-snucleotide: 序列是否是核苷酸，同上
-sreverse：默认“-”前为mRNA，将其反转成DNA后再比对（“-sreverse1”，即使在最后也将翻转1）
-option：菜单模式

• matcher：局部相似性双序列比对，通过设定参数可同时输出多个相似性片段。
  • a rigorous algorithm based on Bill Pearson's lalign application
  • 用于相似度较低的矩阵（与water相似）

EXAMPLE:找到十个最佳alignment；
matcher   -alt 10;
额外的参数：
-alternatives （-alt）: 给出局部高分匹配序列，默认1只给出得分最高的序列；但是在cDNA多域蛋白与基因组DNA比较中，需要修改可能会得到其他有趣且重要的片段（若序列过短则会给出全局比对）；（得分越高说明序列的相似度越高）
-gapextend（-gape）: 【所有序列默认都是4】一般认为取几个长的空位比去很多短空位要合理，所以gape的值一般较小（除去某些特殊情况，比如单端测序使得序列有误时倾向于选择多个短空位，可以通过调低gapo实现（罚分针对的是第一条的空位插入情况））；

• supermatcher：基于局部相似性的双序列快速比对，适用于超长序列之间或序列和数据库条目之间相似性比对，所得结果为近似解而非最优解

EXAMPLE:
supermatcher @eclac.list tembl:j016136 -word 50
可选参数：
-minscore : 输出的匹配最小得分
-width : alignment的宽度
-wordlen : 读取步长

• seqmaterall：基于局部相似性的双序列快速比对，用于寻找一组序列中所有匹配字串（无文件）
• esim4：将mRNA序列定位于基因组序列：

esim4   :
seq1 = , 577 bp
seq2 =  ((no header)), 846 bp

1-132  (4-135)   100% ->
133-337  (253-457)   100% ->
338-577  (607-846)   100%

---

esim4  
可选参数：
-word : blast的word size参数设置
-extend : 设置 在3~10之间
-format : 0：only exon endpoints;
                   5:CDS(只显示基因组上与mRNA相同的开始      和结束位置);
                   1：显示序列对应情况
-cutoff : integer 3~10            

---

• est2genome：将EST序列定位于基因组序列

---

序列变换：

• revseq:将输入序列转换成反向互补序列

EXAMPLE1:给出seq1的反义互补序列的sev文件
revseq seq1 seq1.sev
EXAMPLE2: 只输出seq1的互补序列sev文件
revseq seq1 seq1.sev -norev
EXAMPLE3: 输出seq1自身的反义序列
reseq seq1 seq1.sev -nocomp

-其他命令：
-notag: 输出文去除标题

• msbar：对序列进行模拟突变
  • the number, size and type of mutation may be specified
  • 碱基替换是随机单位点的碱基替换

交互式，主要命令都会显示并解释
高级参数：
-othersequence : 输出的突变序列不会和othersequece的序列相同

• shuffleseq：对输入序列进行变换，产生随机新序列（只改变碱基或氨基酸残基的顺序）

e.g.给出输入序列的两个随机拷贝：
shuffleseq -shuffle 2
交互式命令

---

核酸序列CpG岛分析

• cpgplot: 预测核酸序列中的CpG岛，用图形方式输出结果

交互式命令：
-window : CG百分数和观察到的CG频率以此参数设定的窗口大小来计算，并且窗口在序列上移动，并将数值累加。
-minlen : CpG岛的最小长度
-minoe : 设置了一组10个窗口中，(C+G)观察值与CpG的期望值最小比率的平均值
-minpc : 设置G和C在一组十个窗口中的最小平均百分数（期望值）
-graph <格式>：ps,hpgl,meta,cps（彩色）,x11,tek,none,data,xterm,png,gif,pdf,svg

手动添加：
-（no）plot: 作为开关，可以绘出得分

• cpgreport: 识别核酸序列中富含CpG双核苷酸区域
  • 可人为改变CpG岛输出的阈值
  • 由于该条命令算法是只要遇到CG就会有一个得分，并且将序列上的所有得分相加，因此会发生过度预测的情况，但是可以发现主外显子附近的较小的CpG岛
  • 会出现的错误
    [图片上传失败...(image-1c222c-1588692442306)]

e.g.报告seq1中CpG富集区域,输出阈值为28
cpgreport seq1 -score 28 -outflie <> -outfeat <>
(-outfeat 是特征值输出格式；或者可直接使用交互命令)

• newcpgreport：识别核酸序列中富含CpG双核苷酸区域新方法
  • 输出显示：位置、长度、C+G的总量，CG百分比和期待值百分率

相较于cpgplot的特殊之处：
-shift : 改变每次位移长度，当integer=1时，与cpgplot选择的cpg岛的片段是相同的（可见二者得分算法应该是相同的）

• newcpgseek: 识别核酸序列中富含CpG双核苷酸区域新方法，灵敏度高。
  • 与cpgreport的算法基本相同，但是会自动忽略把CG直接当成一个得分17的CpG岛的情况

-score : CpG被确认的得分阈值

读码框分析程序

• plotorf:根据起始密码子和终止密码子位置用图形方式显示DNA序列开放读码框
• showorf：按一定格式显示DNA序列及其翻译所得蛋白质序列
• getorf：从DNA序列中提取开放读码框序列，或其编码的氨基酸序列

-find :0，终止密码子之间的翻译；1，起始密码子和终止密码子之间的翻译；2，终止子之间的核苷酸序列；3，启动子和终止子之间的核苷酸序列；4，启动子旁侧序列；5，最初终止子的旁侧序列；6，最后终止子的旁侧序列；

• sixpack：显示DNA序列6个开放读码框和翻译所得氨基酸序列