背景篇
在植物基因组中，I类转座因子，LTR-RT(LTR retrotransposons)是基因组扩张的主要原因。完整的LTR长度在85~5000 bp之间，下图图A表示的是一个完整的LTR-RT，灰色框表示TSD(target site duplications), 红色三角形表示LTR motif(长度在2bp左右), 蓝色框表示LTR。LTR中间序列长度在1,000~15,000之间波动。
完整的LTR-RT主要归为两大类: Gypsy和Copia。如果LTR中间的序列不包含开放阅读框(ORF), 那么所属的LTR-RT就无法独立的转座。
安装篇
LTR_retriever不是一个独立的工具，他的主要作用就是整合 LTRharvest, LTR_FINDER, MGEScan 3.0.0, LTR_STRUC, 和 LtrDetector的结果，过滤其中的假阳性LTR-RT，得到高质量的LTR-RT库。
先下载LTR_retriever本体
git clone https://github.com/oushujun/LTR_retriever.git
之后修改LTR_retriever下的paths, 提供BLAST+, RepeatMasker， HMMER， CDHIT这些工具的路径。
BLAST+=/your_path_to/BLAST+2.2.30/bin/
RepeatMasker=/your_path_to/RepeatMasker4.0.0/
HMMER=/your_path_to/HMMER3.1b2/bin/
CDHIT=/your_path_to/CDHIT4.6.1/
BLAST=/your_path_to/BLAST2.2.26/bin/ #not required if CDHIT provided
更加方便的安装方法用Bioconda安装好cd-hit repeatmasker， 然后下载LTR_retriever:
conda create -n LTR_retriever
source activate LTR_retriever
conda install -c conda-forge perl perl-text-soundex
conda install -c bioconda cd-hit
conda install -c bioconda/label/cf201901 repeatmasker
git clone https://github.com/oushujun/LTR_retriever.git
./LTR_retriever/LTR_retriever -h
此外你还需要额外安装LTRharvest, LTR_FINDER 和MGEScan_LTR。
- LTRharverst: http://genometools.org/
- LTR_FINDER: https://github.com/xzhub/LTR_Finder
- 修改版MGEScan_LTR: http://dawgpaws.sourceforge.net/
由于MGEScan_LTR装起来比我想象中麻烦，所以本文就仅使用LTRharverst和LTR_FINDER
使用篇
尽管LTR_retriever支持多个LTR工具的输入，但其实上LTRharverst和LTR_FINDER的结果就已经很不错了。
以拟南芥的基因组序列为例，分别使用LTRharverst和LTR_FINDER来寻找拟南芥中潜在LTR序列，之后用LTR_retreiver来合并结果。
#LTRharvest
gt suffixerator \
-db TAIR10.fa \
-indexname TAIR10 \
-tis -suf -lcp -des -ssp -sds -dna
gt ltrharvest \
-index TAIR10 \
-similar 90 -vic 10 -seed 20 -seqids yes \
-minlenltr 100 -maxlenltr 7000 -mintsd 4 -maxtsd 6 \
-motif TGCA -motifmis 1 > TAIR10.harvest.scn &
# LTR_FINDER
ltr_finder -D 15000 -d 1000 -L 7000 -l 100 -p 20 -C -M 0.9 TAIR10.fa > TAIR10.finder.scn &
LTR_retriever支持单个候选的LTR，
LTR_retriever -genome TAIR10.fa -inharvest TAIR10.harvest.scn
也支持多个候选LTR输入
LTR_retriever -genome TAIR10.fa -inharvest TAIR10.harvest.scn -infinder TAIR10.finder.scn -threads 20
输出文件如下
其他测试
LAI值是作者提出用于衡量基因组完整度参数。比较2个LTR输入和1个LTR输入的LAI值，后者是15.62，前者是14.47，这也意味这个值其实是受到输入的候选LTR数目影响，但最终结果应该稳定在一个阈值内。
我测试了多个物种在两种软件下找到的LTR，以及最终pass留下的LTR, 发现最终能够pass，数量都相对较少。同时限速步骤就是LTR_finder 和 LTRharvest。
| 物种 | 基因组大小 | LTR_finder | LTRharvest | Pass | LAI | 测序技术 |
|---|---|---|---|---|---|---|
| A. lyrata | 206M | 1456 | 1017 | 1044 | 20.39 | Sanger |
| A. thaliana (TAIR10) | 120 M | 207 | 550 | 184 | 15.62 | Sanger |
| B. rapa (2.5) | 391M | 1251 | 3182 | 520 | 0 | PacBio + 二代20Kb 40Kb文库 |
| B. rapa (3.0) | 353 M | 3515 | 3635 | 1968 | 7.16 | PacBio + BioNano + Hi-C |
| C.rubella | 135 M | 643 | 600 | 144 | 10.96 | 454 + Sanger |
| A. alpina | 336 M | 3840 | 3107 | 2556 | 11.01 | PacBio + BioNano + Hi-C |
| 某物种A | 454 M | 5384 | 2789 | 4294 | 17.89 | PacBio |
还有一个有趣的现象，B. rapa 3.0版本尽管是最近用三代加Hi-C组装的基因，但是以LAI的标准，只能算是Draft级别, 当然也比2.5版本好出不少。
当然作者也对很多物种的多个版本组装进行了比较，下图来自于 Assessing genome assembly quality using the LTR Assembly Index (LAI)
如果使用该软件记得引用下面两篇文献
- LTR_retriever: A Highly Accurate and Sensitive Program for Identification of Long Terminal Repeat Retrotransposons
- Assessing genome assembly quality using the LTR Assembly Index (LAI)