LTR_retriever: 一个更加准的LTR整合分析工具

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。

LTR-RT结构

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_FINDERMGEScan_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

运行结果

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)

基因组评估

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)

你可能感兴趣的:(LTR_retriever: 一个更加准的LTR整合分析工具)