（日常记录）smRNA本地注释分类

通过rfam数据库对smRNA进行注释并分类统计。

准备：1、rfam数据库 2、rfam clain文件 3、软件infernal 4、待测序列（fasta文件）

一、数据库下载

进入rfam官网，点击FTP，选择最新版本，下载这两个文件并解压。

 二、安装infernal

下载数据库和infernal安装方法参考https://www.jianshu.com/p/0bceb4c54474

三、使用

1、建库：cmpress Rfam.cm

2、计算Z值：公式：Z = total * 2 * CMmumber/106（后续命令会使用到）

total值查看：esl-seqstat my-genome.fa

CMmumber值查看：

cd database（path）

less Rfam.cm | grep 'NAME'|sort|wc -l （14.2版本计算为6048)

3、命令（使用绝对路径）

#获得比对结果

cmscan -Z 67103.40672 -T 10 --nohmmonly --tblout /mapping/WPS167.tblout --fmt 2 --rfam --clanin /database/Rfam/Rfam.clanin --cpu 16 /database/Rfam/Rfam.cm  /mapping/my genome.fa > /mapping/my genome.cmscan

-Z :前面计算的Z值

-T：输出阈值的设定，默认20

--tblout：输出为tblout格式，其余参数默认就可以了，在这里需要提到的是常规参数中会添加--cut_ga, 但是smRNA通常都是很短的片段，比对分值常较低，如果使用--cut_ga,根据官网界定的阈值来筛选，很可能会导致空的tblout。具体cmscan的使用可以通过-h来查看。

输出文件有2个，.tblout和.cmscan。.tblout为主要结果，.cmscan记录的hit的详细信息（这个不讲了，暂时用不上）。

tblout结果格式

然后我们对olp为“=”的序列进行删除（=意思是在数据库中已经比对到了其他更好的序列，所以这条可以不要）

命令：grep -v '=' WPS167.tblout > WPS167_deoverlapped.tblout

命令：awk 'BEGIN{OFS="\t";}{if(FNR==1) print "target_name\taccession\tquery_name\tquery_start\tquery_end\tstrand\tscore\tEvalue"; if(FNR>2 && $20!="=" && $0!~/^#/) print $2,$3,$4,$10,$11,$12,$17,$18; }' WPS167_deoverlapped.tblout > WPS167.tblout.final.xls #整理结果文件，保留需要的数据。

保留后数据

命令：sort -t $'\t' -k3,3 -u WPS167.tblout.final.xls > WPS167miRNA_avrep.xls #设置阈值过低，会出现同一序列反向和正向比对的结果，出现重复比对，为了后面进行各类RNA分类统计的占比，需要根据query_name对序列进行去重

命令：awk '{print $1}' WPS167miRNA_avrep.xls > id.xls #提取ID

命令：sort id.xls | uniq -c| sort -nr > id.frequency.txt #统计ID频率

持续更新。。。