【基因组预测】braker2基因结构注释要点记录

记录下braker2的使用要点，以备忘记。

流程使用

braker2有很多流程，根据你的数据：组装的基因组、转录组、蛋白（同源，包括近缘或远缘）选择不同流程，官网有说明：
https://github.com/Gaius-Augustus/BRAKER

现在的动植物组装，大多数都含有以上三类数据吧，因此可选择如下流程，用公共数据库OrthoDB中的直系同源蛋白，根据自己的物种选择，有动物植物微生物等，如我选择植物就有300多万条序列。

image.png

作者指出，braker2并非证据越多越好，该流程还是不够稳定（尤其是对中小基因组）。

整个流程你可以分步，即分别预测转录组和蛋白数据，得到hints，再使用braker进行最终整合和预测。或者只对转录组或者蛋白数据进行预测。比如我先用ProtHint单独对OrthoDB进行预测，这样处理是很快的，三百多万条序列3-4小时即可跑完。最后得到的是prothint_augustus.gff可用于后续输入文件。

cat Rawdata/* >proteins.fasta
/ProtHint-2.6.0/bin/prothint.py genome.fa proteins.fasta --workdir test --threads 40

可参考：
https://github.com/gatech-genemark/ProtHint/tree/master/example
braker流程为：

braker.pl --cores 48 --species=test_orthodb-2 \
         --genome=genome.softmasked.fa \
         --softmasking
         --bam=A.bam,B.bam \
         --hints=prothint_augustus.gff \
         --etpmode \
         --gff3

作者建议用--softmasking 基因组

也可以将所有数据放到脚本中，一步到位。速度也还可以，调用了spaln和diamond等（运行时如果没找到相关软件路径，需要你export PATH临时指定一下），如：

export GENEMARK_PATH=/path/gmes_linux_64
export PATH=/path/gmes_linux_64/ProtHint/bin:/path/GUSHR:$PATH

braker.pl --cores 48 --species=test_orthodb-2 \
         --genome=genome.softmasked.fa \
         --softmasking
         --bam=A.bam,B.bam \
         --prot_seq=proteins.fa \
         --gff3

建议还是看官网吧，我描述的比较片面

另一个可能更实用的流程是：

image.png

可用genomeThreader预测近缘物种同源蛋白。速度会比较慢，不建议用exonerate，巨慢无比。

braker.pl --cores 48 --species=homodb \
         --genome=genome.softmasked.fa \
         --softmasking
         --bam=A.bam,B.bam \
         --prot_seq=proteins.fa \
         --prg=gth \
         --gff3

另外如果你想要预测UTR，braker得到的gtf/gff文件默认是没有这类信息的。则需要调用GUSHR，参数中添加--addUTR=on。最终得到的gushr.gtf即是包含了UTR的结果文件。

问题

braker还不是很成熟，运行过程中可能遇到各种问题。
这是官网的一些建议：

• 使用高质量基因组。组装很碎的基因组不仅耗时，还影响准确性
• 染色体或scaffold名称不宜过长且不含%&!*(){})等特殊字符。
• 使用软屏蔽基因组好于硬屏蔽基因组。
• 检查物种是否具有进化分支特征。
• 检查基因预测结果，如UCSC浏览器。

我个人的一些记录：

• 预测结果文件braker.gtf中，转录本和基因ID，前面可能会自动加上file_1_file_1_，如g4417.t1变为file_1_file_1_g4417.t1，导致生成的gff（或者你用其他软件，如augustus转换脚本gtf2gff.pl，实际上你在参数中指定--gff3，流程调用的也是agustus/gtf2gff.pl）转化得到的gff3文件中没有基因特征。所以，如果你用的结果是braker.gtf，含有这个问题，必须人为去掉。augustus.hints.*则是正常，目前没发现这个问题。

https://www.biostars.org/p/9464353/

• 第二个比较关心的问题是，braker流程出来一堆结果，我到底该用哪个？虽然官网有一些解释，但总有些不能理解。
  几个比较关键的结果： augustus.hints.* 是AUGUSTUS最终蛋白hints结果。
  而braker.gtf/gff3是 AUGUSTUS和GeneMark-EP+预测（braker流程中的蛋白预测）的并集，因此该结果是高敏感性低特异性（更多基因被预测以及更多假阳性）。
  总体来说，二者结果是相近的，如果侧重于敏感性，则用braker.gtf结果。否则用augustus。（个人建议还是用augustus的结果，相当于二次预测）

https://github.com/Gaius-Augustus/BRAKER/issues/194

• 另外，在gtf2gff.pl转换中，还可能会遇到[gtf2gff.pl: transcript jg1.t1 has conflicting gene parents: and jg1](https://github.com/Gaius-Augustus/Augustus/issues/39)类似错误。作者虽然写了一个临时脚本https://github.com/Gaius-Augustus/Augustus/blob/master/scripts/fix_joingenes_gtf.pl 来解决这个问题，但并未解决我的问题。

https://github.com/Gaius-Augustus/Augustus/issues/31

总之，braker2流程虽然使用简单（相对于evm，maker等），但它的结果还是差异很大的，预测的基因数目普遍较多。文章引用率还不是太高，使用需要谨慎。

仅尝试使用体验，后续待补充。