Genome Informatics Laboratory at KRIBB

User Tools

Site Tools

Trace:
bioinfo:유전체_주석화_genome_annotation

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
bioinfo:유전체_주석화_genome_annotation [2023/06/29 10:36] – [특정 위치의 유전자, 염기서열, 코돈 및 아미노산 알아내기] hyjeongbioinfo:유전체_주석화_genome_annotation [2024/08/05 15:12] (current) – [PGAP 사용하기] hyjeong
Line 10: Line 10:
  
 ===== PGAP 사용하기 ===== ===== PGAP 사용하기 =====
-Prokaryotic Genome Annotation System(PGAP, [[https://www.ncbi.nlm.nih.gov/genome/annotation_prok/|NCBI]] or [[https://github.com/ncbi/pgap|GitHub]])은 세균 유전체의 자동 주석화를 위하여 NCBI에서 공식적으로 사용하는 프로그램이다. 여러 개 유전체 서열에 대하여 신속하게 주석화를 하려면 Prokka가 매우 편리하지만, 대용량의 DB를 참조하여 주석화를 실시하는 PGAP이 더욱 양질의 결과를 산출하게 된다. 원래 PGAP은 RefSeq genome의 주석화용으로 내부적으로만 쓰이다가 누구나 설치할 수 있는 형태로 배포되기에 이르렀다. 유튜브에는 사용자의 유전체를 PGAP으로 직접 주석화하는 방법을 소개하는 [[https://youtu.be/pNn_-_46lpI|동영상]]이 올라와 있다. 설치와 사용 방법에 대한 상세한 설명은 PGAP 위키 사이트의 [[https://github.com/ncbi/pgap/wiki/Quick-Start|Quick-Start]]를 참고하도록 한다. Standalone 버전이 처음 나왔을 떄에 비하면 설치 방법이 훨씬 간단해진 것 같다. PGAP 버전 번호는 ‘YYYY-MM-DD.build####’의 형식을 따른다. 2023년 6월 22일에 설치한 input-2023-05-17.build6771 버전의 설치 후 용량은 32GB 정도이다.+Prokaryotic Genome Annotation System(PGAP, [[https://www.ncbi.nlm.nih.gov/genome/annotation_prok/|NCBI]] or [[https://github.com/ncbi/pgap|GitHub]])은 세균 유전체의 자동 주석화를 위하여 NCBI에서 공식적으로 사용하는 프로그램이다. 여러 개 유전체 서열에 대하여 신속하게 주석화를 하려면 Prokka가 매우 편리하지만, 대용량의 DB를 참조하여 주석화를 실시하는 PGAP이 더욱 양질의 결과를 산출하게 된다. 원래 PGAP은 RefSeq genome의 주석화용으로 내부적으로만 쓰이다가 누구나 설치할 수 있는 형태로 배포되기에 이르렀다. 유튜브에는 사용자의 유전체를 PGAP으로 직접 주석화하는 방법을 소개하는 [[https://youtu.be/pNn_-_46lpI|동영상]]이 올라와 있다. 설치와 사용 방법에 대한 상세한 설명은 PGAP 위키 사이트의 [[https://github.com/ncbi/pgap/wiki/Quick-Start|Quick-Start]]를 참고하도록 한다. Standalone 버전이 처음 나왔을 떄에 비하면 설치 방법이 훨씬 간단해진 것 같다. PGAP 버전 번호는 ‘YYYY-MM-DD.build####’의 형식을 따른다. 2023년 6월 22일에 설치한 input-2023-05-17.build6771 버전의 설치 후 용량은 32GB 정도이다. PGAP은 conda와 상관이 없다.
  
   # 현재 배포 중인 PGAP의 최신 버전 확인하기   # 현재 배포 중인 PGAP의 최신 버전 확인하기
   $ curl --silent "https://api.github.com/repos/ncbi/pgap/releases/latest" | grep -Po '"tag_name": "\K.*?(?=")' > VERSION   $ curl --silent "https://api.github.com/repos/ncbi/pgap/releases/latest" | grep -Po '"tag_name": "\K.*?(?=")' > VERSION
   $ cat VERSION    $ cat VERSION 
-  2023-05-17.build6771+  2024-07-18.build7555
  
 PGAP은 docker 환경을 사용하므로, 사용자는 관리자이거나 sudo 권한을 갖고 있어야 한다. PGAP 배포판에 포함된 샘플 유전체 서열을 대상으로 주석화를 실행하는 방법은 다음과 같다. pgap.py 스크립트는 /data/apps/pagp에 있다고 가정한다. PGAP은 docker 환경을 사용하므로, 사용자는 관리자이거나 sudo 권한을 갖고 있어야 한다. PGAP 배포판에 포함된 샘플 유전체 서열을 대상으로 주석화를 실행하는 방법은 다음과 같다. pgap.py 스크립트는 /data/apps/pagp에 있다고 가정한다.
Line 112: Line 112:
  
 ==== 개별 사용을 위하여 PGAP을 실행하기 ==== ==== 개별 사용을 위하여 PGAP을 실행하기 ====
-GenBank에 제출할 용도가 아니라 개인적으로 쓰기 위한 것이라면, 부수적인 정보를 담고 있는 YAML 파일은 필요하지 않다. 단지 genome FASTA file과 미생물의 이름(organism name)만 있으면 된다. Organism name은 'genus' 또는 'genus species' 형식으로 제공한다.+GenBank에 제출할 용도가 아니라 개인적으로 쓰기 위한 것이라면, 부수적인 정보를 담고 있는 YAML 파일은 필요하지 않다. 단지 genome FASTA file과 미생물의 이름(organism name)만 있으면 된다. Organism name은 'genus' 또는 'genus species' 형식으로 제공한다. 이 기능은 비교적 최근에 추가되었다.
   $ ./pgap.py -r -o <results> -g <fasta> -s '<organism_name>'   $ ./pgap.py -r -o <results> -g <fasta> -s '<organism_name>'
  
Line 149: Line 149:
  
 gbkInfo.pl 스크립트는 단순한 유전자 구조를 지닌 prokaryotic genome의 GenBank 파일에 대해서만 정상적인 작동을 보장한다. 따라서 spliced gene이나 translation exception 등의 정보가 수록된 GenBank 파일은 처리하지 않기를 권한다. gbkInfo.pl 스크립트는 단순한 유전자 구조를 지닌 prokaryotic genome의 GenBank 파일에 대해서만 정상적인 작동을 보장한다. 따라서 spliced gene이나 translation exception 등의 정보가 수록된 GenBank 파일은 처리하지 않기를 권한다.
-==== 특정 위치의 유전자, 염기서열, 코돈 및 아미노산 알아내기 ==== +==== 특정 위치(1-bp lentgh)의 유전자, 염기, 코돈 및 아미노산 알아내기 ==== 
-일루미나 시퀀싱 데이터를 이용하여 참조 서열을 기준으로 변이가 발생한 위치와 내역을 알아냈다 하여도 분석 프로그램에 따라서는 어느 유전자에 변이가 발생하였는지, 그리고 어느 코돈이 어떻게 바뀌어서 실제로 아미노산 잔기가 바뀌었는지를 친절하게 보여주지는 않는다. 여기에서는 바로 직전 섹션에서 설명한 gbkInfo.pl의 부가 기능을 사용하여 문제를 해결하는 방법을 알아보도록 하자. 우선 변이가 발생한 염기가 어느 유전자에 위치하는지를 확인하여 data.txt 파일에 기록해야 한다. 이를 위해서는 (1) GenBank 파일로부터 만든 GFF 파일과 변이 위치를 수록한 BED 파일을 만든 뒤 [[https://bedtools.readthedocs.io/en/latest/content/tools/intersect.html|bedtools intersect]]에 인수로 공급하면 공통으로 존재하는 위치가 출력된다. 기본 조건에서는 (1)과 (2)의 컬럼이 전부 합쳐진 상태로 출력이 되므로, 서열 ID와 유전자의 locus tag 및 염기의 위치만 출력되도록 다소 복잡한 awk one-liner를 이용하였다.+일루미나 시퀀싱 데이터를 이용하여 참조 서열을 기준으로 변이가 발생한 위치와 내역을 알아냈다 하여도 분석 프로그램에 따라서는 어느 유전자에 변이가 발생하였는지, 그리고 어느 코돈이 어떻게 바뀌어서 실제로 아미노산 잔기가 바뀌었는지를 친절하게 보여주지는 않는다. 여기에서는 바로 직전 섹션에서 설명한 gbkInfo.pl의 부가 기능을 사용하여 문제를 해결하는 방법을 알아보도록 하자. 우선 변이가 발생한 염기가 어느 유전자에 위치하는지를 확인하여 data.txt 파일에 기록해야 한다. 이를 위해서는 (1) GenBank 파일로부터 만든 GFF 파일과 변이 위치를 수록한 BED 파일(position.bed; length는 반드시 1 bp여야 함)을 만든 뒤 [[https://bedtools.readthedocs.io/en/latest/content/tools/intersect.html|bedtools intersect]]에 인수로 공급하면 공통으로 존재하는 위치가 출력된다. 기본 조건에서는 (1)과 (2)의 컬럼이 전부 합쳐진 상태로 출력이 되므로, 서열 ID와 유전자의 locus tag 및 염기의 위치만 출력되도록 다소 복잡한 awk one-liner를 이용하였다. 
 + 
 +  # 다음의 sed 명령은 GFF 파일에서 ‘##FASTA’로 시작하는 줄부터 파일 끝까지를 제거한다. 
 +  $ bp_genbank2gff3.pl -r CP000727.gbk -o - | sed -n '/^##FASTA/q;p' > CP000727.gff 
 +  # 변이 위치 BED 파일(position.bed)은 단일염기변이 기준으로 작성되어야 하므로 시작과 끝 위치는 동일하다. 또한 시작 위치를 기준으로 정렬이 되어 있어야 한다. 
 +  $ cat position.bed  
 +  CP000727 758733 758733 
 +  CP000727 867070 867070 
 +  CP000727 1672839 1672839 
 +  CP000727 2233512 2233512 
 +  CP000727 2687719 2687719 
 +  CP000727 3340681 3340681 
 +  $ bedtools intersect -wa -wb -a CP000727.gff -b position.bed | awk -F"\t" -vOFS="\t" '$3~/gene/{p=$11; gsub(/ID=/,""); gsub(/;.*$/, ""); gsub(/\.gene*$/, ""); print $1, $9, p}' > data.txt 
 +  $ cat data.txt  
 +  CP000727 CLC_0737 758733 
 +  CP000727 CLC_0840 860707 
 +  CP000727 CLC_1601 1672839 
 +  CP000727 CLC_2104 2233512 
 +  CP000727 CLC_2562 2687719 
 +  CP000727 CLC_3207 3340681 
 +   
 +data.txt 파일이 준비되었으면 gbkInfo.pl을 debug mode로 실행한다. gbkInfo.pl 스크립트를 적당한 편집기로 열어서 $debug 변수를 1로 바꾼다. INPUT.gbk.txt 파일은 정상적으로 만들어진다. 
 + 
 +  $ ./gbkInfo.pl CP000727.gbk > results.txt 
 +  [STDERR] Entering debug mode...[ $debug = 1 ; data.txt file will be used ] 
 +  [STDERR] LOCUS: CP000727 (VERSION: 1) 
 +  [STDERR] Organism: Clostridium botulinum A str. Hall 
 +  [STDERR] CP000727.gbk has 1 sequence(s) 
 +  [STDERR] CP000727.gbk has 3571 gene features 
 +  [STDERR] CP000727.gbk has 3508 active CDS features (not marked as 'pseudo') 
 +  [STDERR] CP000727.gbk has 56 pseudo genes 
 +  [STDERR] Feature information is being written to [ CP000727.gbk.txt ] (pre-existing file was overwritten!) 
 +  $ cat results.txt  
 +  #SeqID locus_tag strand feature_start SNP_position NT_position (gene) AA_position (gene) position_in_codon codon AA nucleotide (genome) 
 +  CP000727 CLC_0737 + 757560 758733 1174 392 1 AGA R A 
 +  CP000727 CLC_0847 + 866364 867070 707 236 2 GAG E A 
 +  CP000727 CLC_1601 + 1672354 1672839 486 162 3 AAT N T 
 +  CP000727 CLC_2104 + NA 2233512 NA NA NA NA NA C 
 +  CP000727 CLC_2562 - 2687587 2687719 546 182 3 TTA L T 
 +  CP000727 CLC_3207 - 3340611 3340681 1493 498 2 GTA V A 
 + 
 +맨 마지막 컬럼에 보이는 염기는 유전체 서열을 기준으로 한 것이므로, 만약 해당되는 유전자가 reverse strand에 있다면 상보적인 것을 택해야 한다. 이상에서 소개한 방법은 오직 **단일 염기의 치환** 결과물만을 정확하게 다룰 수 있음에 유의하라.
 ===== InterProScan 활용하기 ===== ===== InterProScan 활용하기 =====
 핵산 혹은 단백질 서열의 주석화 도구로서 BLAST가 널리 사용되지만 이것은 local alignment를 이용하므로 기능 정보의 transfer를 위한 엄격한 기준점을 제시하기 힘들고 DB의 정확성에 크게 의존한다. InterPro는 단백질 패밀리의 데이터베이스 및 검색도구('classification of protein families')로서 [[https://www.ebi.ac.uk/interpro/search/sequence/|웹서버]]에 단백질 혹은 CDS 서열을 입력하여 분석을 실행할 수 있다. InterPro에서는 protein signature 및 family 정보를 이용하므로 훨씬 정확한 기능 예측 결과를 제공한다. Entry type(homologous superfamily, family, domain, repeat 및 site)에 대한 개요는 [[https://www.ebi.ac.uk/interpro/help/faqs/|FAQ 웹사이트]]를 참조하라. 유전체에서 얻어진 프로테옴 세트 전체에 대한 분석을 실시하려면 local server에 InterProScan 소프트웨어와 데이터베이스를 설치하여 이용하는 것이 바람직하다([[https://interproscan-docs.readthedocs.io/en/latest/UserDocs.html#installation-requirements|설치 요구 사항]] [[https://interproscan-docs.readthedocs.io/en/latest/HowToDownload.html|복사본 다운로드]] [[https://interproscan-docs.readthedocs.io/en/latest/HowToRun.html|실행 방법]]). 핵산 혹은 단백질 서열의 주석화 도구로서 BLAST가 널리 사용되지만 이것은 local alignment를 이용하므로 기능 정보의 transfer를 위한 엄격한 기준점을 제시하기 힘들고 DB의 정확성에 크게 의존한다. InterPro는 단백질 패밀리의 데이터베이스 및 검색도구('classification of protein families')로서 [[https://www.ebi.ac.uk/interpro/search/sequence/|웹서버]]에 단백질 혹은 CDS 서열을 입력하여 분석을 실행할 수 있다. InterPro에서는 protein signature 및 family 정보를 이용하므로 훨씬 정확한 기능 예측 결과를 제공한다. Entry type(homologous superfamily, family, domain, repeat 및 site)에 대한 개요는 [[https://www.ebi.ac.uk/interpro/help/faqs/|FAQ 웹사이트]]를 참조하라. 유전체에서 얻어진 프로테옴 세트 전체에 대한 분석을 실시하려면 local server에 InterProScan 소프트웨어와 데이터베이스를 설치하여 이용하는 것이 바람직하다([[https://interproscan-docs.readthedocs.io/en/latest/UserDocs.html#installation-requirements|설치 요구 사항]] [[https://interproscan-docs.readthedocs.io/en/latest/HowToDownload.html|복사본 다운로드]] [[https://interproscan-docs.readthedocs.io/en/latest/HowToRun.html|실행 방법]]).
Line 201: Line 242:
   all 7   all 7
  
 +이제부터의 작업은 R에서 실시한다. 모든 *.tsv.txt 파일을 모아서 하나로 병합한 뒤 results.txt 파일에 저장한다.
 +
 +  rm(list=ls())
 +  list.filenames = list.files(pattern="*faa.tsv.txt")
 +  # create an empty list
 +  list.data=list()
 +  length(list.filenames)
 +  # create a loop to read in your data
 +  for (i in 1:length(list.filenames))
 +  {
 +  list.data[[i]] = read.table(list.filenames[i],sep="\t",header=F)
 +  colnames(list.data[[i]]) = c("markers",list.filenames[i])
 +  }
 +  
 +  # full outer join
 +  for (i in 1:(length(list.filenames)-1))
 +  {
 +  df = merge(x=list.data[[i]],y=list.data[[i+1]],by="markers",all=TRUE)
 +  list.data[[i+1]] = df
 +  }
 +  df = list.data[[length(list.filenames)]]
 +  df[is.na(df)] = 0
 +  rownames(df) = df[,1]
 +  df = df[,-1]
 +  colnames(df) = gsub(".faa.tsv.txt","",list.filenames)
 +  
 +  # 최종 확인
 +  dim(df)
 +  View(df)
 +  
 +  # accession을 species로 치환
 +  data = read.table("acc_species_strain",sep="\t",stringsAsFactors=F)
 +  key = data[,1]
 +  names(key) = data[,2]
 +  
 +  x = c()
 +  for (i in names(df)){
 +  temp = names(key)[key==i]
 +  x = append(x, temp)
 +  }
 +  
 +  df = rbind(df, x)
 +  rownames(df)[7] = "species"
 +  View(df)
 +  
 +  # row를 정렬하고 transpose
 +  sorted = c("species","IPR039697","IPR014182","IPR002347","IPR012079","IPR012394","all") 
 +  df = df[sorted,]
 +  df.2 = as.data.frame(t(df))
 +  df.2[,2:7] = sapply(df.2[,2:7],as.numeric)
 +  str(df.2)
 +  write.table(df.2,"results.txt",sep="\t",quote=F) 
 +
 +results.txt 파일을 이용하여 다양한 변형 및 탐색을 실시해 보자. 이때 dplyr 패키지가 매우 유용하게 쓰인다. 각 species에 대하여 family에 정의된 InterPro entry에 해당하는 유전자의 최댓값은 얼마인가? 그것에 해당하는 균주 또는 accession은 무엇인가? 다음 R 코드에서 그 방법을 알아보자.
 +
 +  # R 세션을 끝내고 다시 시작한다고 가정함
 +  # 혹은 rm(list=ls())를 실행하여 변수를 초기화한다.
 +  # reading from pre-existing file
 +  df = read.table("results.txt",sep="\t")
 +  # accession을 추출하여 첫번째 컬럼으로 삽입한다.
 +  accession = rownames(df)
 +  df = cbind(accession, df)
 +  write.table(df,"results_with_accession.txt",sep="\t",row.names=F,quote=F)
 +  
 +  # 각 species에 대하여 family에 해당하는 유전자가 가장 많이 검출된 균주(assembly accession; row)를 찾는다.
 +  # all 대신 IPR039697 등 다른 컬럼을 선택할 수 있다.
 +  # [1] 단순한 방법
 +  df.agg = aggregate(all ~ species, df, max)
 +  df.max = merge(df.agg, df)
 +  
 +  # [2] 또는 dplyr을 사용한 방법
 +  library(dplyr)
 +  x = df %>% group_by(species) %>% filter(all==max(all)) %>% arrange(species)
 +  x # 필요하면 파일로 저장한다.
 +  
 +  # quick descriptive information  https://ademos.people.uic.edu/Chapter11.html
 +  with(df,summary(species))
 +  with(df,summary(IPR039697))
 +  with(df,summary(all))
 +  df[df$species=="Lactobacillus brevis",]
 +  df[df$species=="Lactobacillus brevis",]$all
 +  summary(df[df$species=="Lactobacillus brevis",])
 +  
 +  # dplyr을 사용하면 데이터 프레임에 대한 탐색적 분석을 쉽게 할 수 있다.
 +  # 데이터 프레임을 tbl_df(‘tibble’) 형태로 변환하면 좀 더 쉽게 다룰 수 있다.
 +  df_df = tbl_df(df)
 +  select(df_df, accession, species, all) # 선택된 column을 출력
 +  filter(df_df, all > 10) # filter()는 조건에 맞는 row를 출력
 +  df_df %>% group_by(species) %>% summarise(number_of_strains=n()) %>% arrange(species)
 +  df_df %>% group_by(species) %>% summarise(max(all)) %>% arrange(species)
 +
 +마지막으로 각 species에 대하여 family에 정의된 InterPro entry 검출 결과를 집계하여 error bar(표준편차)를 포함한 막대그래프를 그려 보자. ggplot2 라이브러리를 로드해야 한다.
 +
 +  library("ggplot2")
 +  rm(list=ls())
 +  # https://stackoverflow.com/questions/32984974/add-error-bars-to-a-barplot 
 +  # reading from pre-existing file
 +  data = read.table("results.txt",sep="\t")
 +  nrow(data)
 +  species_list = levels(data$species)
 +  ipr_entries = colnames(data)
 +  ipr_entries = ipr_entries[-1]
 +  
 +  myData = aggregate(data[,2:7],by=list(data$species),FUN=function(x) c(mean=mean(x), sd=sd(x)))
 +  
 +  df = data.frame()
 +  j=1
 +  for (i in species_list) {
 +  x = matrix(data=as.vector(unlist(myData[j,2:7])),ncol=2,byrow=T)
 +  df.tmp = data.frame(species=rep(i,length(ipr_entries)),ipr=ipr_entries,mean=x[,1],sd=x[,2])
 +  df = rbind(df,df.tmp)
 +  
 +  j = j + 1
 +  }
 +  
 +  write.table(df,"species_mean_sd.txt",sep="\t",quote=F)
 +  
 +  # https://www.r-graph-gallery.com/4-barplot-with-error-bar.html  
 +  # https://www.bioinformatics.babraham.ac.uk/training/ggplot_course/Introduction%20to%20ggplot.pdf
 +  
 +  # geom_bar(color="black")을 설정하면 검정색 선으로 테두리가 생긴다.
 +  plot1 = ggplot(df,aes(species,mean,fill=ipr)) + geom_bar(position="dodge",stat="identity",size=1)
 +  # axis label을 세로로 세우기.
 +  plot1 = plot1 + theme(axis.text.x=element_text(angle=90,hjust=1)) + geom_hline(yintercept=28, linetype="dashed", size=0.3)
 +  plot1
 +  plot2 = plot1 + geom_errorbar(aes(ymin=mean-sd,ymax=mean+sd),width=0.5,position=position_dodge(width=0.9),size=0.2)
 +  plot2
 +  plot3 = plot2 + xlab("Species") + ggtitle("Distribution of ADH/ALDH across probiotic bacterial species") + theme(plot.title=element_text(hjust=0.5))
 +    
 +  pdf("final_plot.pdf",width=11,height=7)
 +  plot3
 +  dev.off()
  
 ===== eggNOG-mapper를 사용한 orthology assignment 기반의 기능 주석화(functional annotation) ===== ===== eggNOG-mapper를 사용한 orthology assignment 기반의 기능 주석화(functional annotation) =====
  
 eggNOG ([[https://academic.oup.com/nar/article/51/D1/D389/6833261|v6.0]]는 상동성 관계와 유전자의 진화 역사 및 기능 주석 정보의 데이터베이스이다. [[http://eggnog6.embl.de/|웹사이트]]에서는 DB 자체에 대한 검색 및 query 서열을 입력하여 주석화를 실시할 수 있다. Ortholgy assignment에 의한 기능 주석화를 수행하는 도구는 eggNOG-mapper [[https://academic.oup.com/mbe/article/38/12/5825/6379734?login=false|v2.0]]이다. [[http://eggnog-mapper.embl.de/|eggNOG-mapper 웹사이트]]에서 단일 서열 혹은 파일 업로드를 통한 배치 주석 작업을 실시할 수 있으며, 좀 더 빠른 실행을 위해 로컬 서버에 eggNOG-mapper를 설치하여 사용하는 것도 가능하다. 매우 빠른 BLAST 호환 검색 프로그램인 DIAMOND가 있어야 eggNOG-mapper를 실행할 수 있다. 최신 버전인 eggNOG-mapper v2의 상세한 설명은 [[https://github.com/eggnogdb/eggnog-mapper/wiki/|위키 사이트]]를 참조하라. Query protein의 수가 >100M라면 FASTA 서열 파일(single-line FASTA)을 잘게 나누어서 처리하는 방법을 권장한다([[https://github.com/eggnogdb/eggnog-mapper/wiki/eggNOG-mapper-v2.1.5-to-v2.1.11#user-content-Setting_up_large_annotation_jobs|'Setting up large annotation jobs']]). eggNOG ([[https://academic.oup.com/nar/article/51/D1/D389/6833261|v6.0]]는 상동성 관계와 유전자의 진화 역사 및 기능 주석 정보의 데이터베이스이다. [[http://eggnog6.embl.de/|웹사이트]]에서는 DB 자체에 대한 검색 및 query 서열을 입력하여 주석화를 실시할 수 있다. Ortholgy assignment에 의한 기능 주석화를 수행하는 도구는 eggNOG-mapper [[https://academic.oup.com/mbe/article/38/12/5825/6379734?login=false|v2.0]]이다. [[http://eggnog-mapper.embl.de/|eggNOG-mapper 웹사이트]]에서 단일 서열 혹은 파일 업로드를 통한 배치 주석 작업을 실시할 수 있으며, 좀 더 빠른 실행을 위해 로컬 서버에 eggNOG-mapper를 설치하여 사용하는 것도 가능하다. 매우 빠른 BLAST 호환 검색 프로그램인 DIAMOND가 있어야 eggNOG-mapper를 실행할 수 있다. 최신 버전인 eggNOG-mapper v2의 상세한 설명은 [[https://github.com/eggnogdb/eggnog-mapper/wiki/|위키 사이트]]를 참조하라. Query protein의 수가 >100M라면 FASTA 서열 파일(single-line FASTA)을 잘게 나누어서 처리하는 방법을 권장한다([[https://github.com/eggnogdb/eggnog-mapper/wiki/eggNOG-mapper-v2.1.5-to-v2.1.11#user-content-Setting_up_large_annotation_jobs|'Setting up large annotation jobs']]).
 +
 +eggNOG-mapper의 기본적인 사용법은 다음과 같다. CPU 수를 지정하지 않으면 2개를 사용한다.
 +
 +  $ python /data/apps/eggnog-mapper/emapper.py -i INFILE.faa --output INFILE_eggNOG -m diamond --cpu 16
 +  …
 +  Done
 +     INFILE_eggNOG.emapper.seed_orthologs
 +     INFILE_eggNOG.emapper.annotations
 +  Total time: 1551.87 secs
 +
 +Query 서열에 대한 주석 정보는 22개의 컬럼으로 이루어진 .annotations 파일에 기록된다. 각 컬럼에 대한 설명은 다음과 같다.
 +
 +  -  query_name
 +  - seed eggNOG ortholog
 +  - seed ortholog evalue
 +  - seed ortholog score
 +  - Predicted taxonomic group
 +  - Predicted protein name
 +  - Gene Ontology terms
 +  - EC numberKEGG_ko
 +  - KEGG_Pathway
 +  - KEGG_Module
 +  - KEGG_ReactionKEGG_rclass
 +  - BRITE
 +  - KEGG_TC
 +  - CAZy 
 +  - BiGG Reaction
 +  - tax_scope: eggNOG taxonomic level used for annotation
 +  - eggNOG OGs
 +  - bestOG (deprecated, use smallest from eggnog OGs)
 +  - COG Functional Category
 +  - eggNOG free text description
 +
 +eggNOG mapper에서 출력한 annotation 파일에서 KEGG ko 번호(KEGG orthology)를 추출하면 [[https://www.genome.jp/kegg/mapper/reconstruct.html|KEGG Mapper – Reconstruct]]에 업로드할 수 있는 gene list file을 만들 수 있다. 하나의 단백질에 부여된 복수의 ko 번호를 분리하여 여러 라인으로 출력하는 것이 핵심이다. 다음의 awk one-liner를 사용하면 된다.
 +
 +  $ awk -F"\t" -vOFS="\t" '$9~/^ko:/{id = "\n"$1"\t"; sub("ko:","",$9); gsub(",ko:",id,$9); print $1, $9}' eggNOG.emapper.annotations > gene_list_for_kegg_mapper.txt
 ===== Genomic island 예측 ===== ===== Genomic island 예측 =====
 [[https://www.pathogenomics.sfu.ca/islandviewer/upload/|IslandViewer 웹사이트]]에 annotation이 끝난 유전체의 GenBank 파일을 업로드하여 예측한다. CDS primary tag 내부에 translation 정보가 필요하며, prokka 및 dfast_core는 이를 모두 충족하는 GenBank 파일을 제공한다. Draft genome sequence을 이용한 예측은 원래 권장되지 않으나 사용자들의 요청에 의하여 그 기능이 추가되었다. 이 경우에는 사용자가 제시한 reference genome에 맞추어 먼저 정렬을 실시하여 pseudochromosome을 만들어서 분석을 개시한다. [[https://www.pathogenomics.sfu.ca/islandviewer/upload/|IslandViewer 웹사이트]]에 annotation이 끝난 유전체의 GenBank 파일을 업로드하여 예측한다. CDS primary tag 내부에 translation 정보가 필요하며, prokka 및 dfast_core는 이를 모두 충족하는 GenBank 파일을 제공한다. Draft genome sequence을 이용한 예측은 원래 권장되지 않으나 사용자들의 요청에 의하여 그 기능이 추가되었다. 이 경우에는 사용자가 제시한 reference genome에 맞추어 먼저 정렬을 실시하여 pseudochromosome을 만들어서 분석을 개시한다.
 ===== 항생제 내성 유전자(AMR determinant)의 예측 ===== ===== 항생제 내성 유전자(AMR determinant)의 예측 =====
 +===== ResFinder 사용하기 =====
 +항생제 내성 유전자 DB 및 분석 툴로서 대표적인 것은 맥마스터 대학교의 [[https://card.mcmaster.ca/|The Comprehensive Antibiotic Resistance DB(CARD)]]와 덴마크 공대 Center for Genomic Epidemiology(CGE)의 [[https://cge.cbs.dtu.dk/services/ResFinder/|ResFinder]]가 있다. 여기에서는 웹 서비스를 사용하지 않고 Resfinder DB와 검색 도구(ResFinder)를 사용하여 획득된 유전자에 의하여 발생하는 내성을 예측하는 방법을 알아본다. 덴마크 공대의 PointFinder는 약제 내성 결핵균(Mycobacterium tuberculosis)의 경우에서처럼 chromosomal gene의 자발적 돌연변이에 의한 내성을 찾는 도구이다. resfinder.py 실행시 -db <DATABASES> 옵션을 별도로 주지 않으면 모든 항생제 내성 DB를 사용하며, 쉼표를 이용하여 복수의 내성 DB를 지정할 수 있다. Threshold와 min_coverage의 기본값은 각각 0.9와 0.6이다. 
  
 +  $ mkdir out_all out
 +  $ resfinder.py -i test.fsa -p /nas/DB/resfinder_db -o out_all
 +  $ resfinder.py -i test.fsa -p /nas/DB/resfinder_db -d aminoglycoside,macrolide -o out
 +  
 +CGE 웹사이트에서 서비스하는 것은 resfinder.pl 스크립트이다. 이것은 실행 옵션이 다르고(예: 출력물 디렉토리를 사전에 생성할 필요가 없음) blastall을 사용하며, 모든 내성 DB에 대한 검색을 할 수가 없다. resfinder.pl에 직접 옵션을 주면 스크립트에 내장된 blastall 옵션(-p blastn -a 5 -F F)에 우선하여 적용된다. 그러나 -a <num_threads> 옵션 이외의 것을 바꾸는 것은 권장되지 않는다. 
 ====ABRicate를 이용한 항생제 내성 병원성 인자(virulence factor) 유전자 예측 ==== ====ABRicate를 이용한 항생제 내성 병원성 인자(virulence factor) 유전자 예측 ====
 +[[https://github.com/tseemann/abricate|ABRicate]]는 contig 혹은 유전체 서열을 대상으로 NCBI, CARD, ARG-ANNOT, Resfinder, MEGARES, EcOH, PlasmidFinder, Ecoli_VF 및 VFDB 등 다양한 DB에 대한 검색을 실시하여 항생제 내성과 병원성 인자를 예측하는 프로그램이다. Raw sequencing read(FASTQ)는 처리하지 못한다. 뒤에서 다룰 TORMES pipeline에 포함되어 있지만, 이 프로그램은 raw sequencing read을 입력물로 받아서 트리밍 등 전처리와 조립부터 출발하는 용도로 쓰인다. 따라서 이미 다른 방식으로 조립이 완료된 contig 서열 파일이 있다면 ABRicate를 사용하는 것이 편리하다. 
  
-===== 이차대사물 생합성 유전자(biosynthetic gene cluster, BGC) 예측 =====+  $ abricate --list 
 +  DATABASE SEQUENCES DBTYPE DATE 
 +  ecoh 597 nucl 2018-Oct-20 
 +  card 2237 nucl 2018-Oct-20 
 +  ncbi 4579 nucl 2018-Oct-20 
 +  vfdb 2597 nucl 2018-Oct-20 
 +  plasmidfinder 263 nucl 2018-Oct-20 
 +  resfinder 3021 nucl 2018-Oct-20 
 +  ecoli_vf 2701 nucl 2018-Oct-20 
 +  argannot 1749 nucl 2018-Oct-20 
 +  $ abricate -db card contigs.fa  
 +  Using nucl database card:  2237 sequences -  2018-Oct-20 
 +  #FILE SEQUENCE START END GENE COVERAGE COVERAGE_MAP GAPS %COVERAGE %IDENTITY DATABASE ACCESSION PRODUCT 
 +  Processing: contigs.fa 
 +  Found 5 genes in contigs.fa 
 +  contigs.fa Enterococcus 514111 515397 efmA 1-1287/1287 =============== 0/0 100.00 100.00 card AB467372.1:285-1572 efmA is an MFS transporter permease in  E. faecium. 
 +  contigs.fa Enterococcus 1922156 1923199 efrB 45-1086/1086 ========/====== 6/6 95.76 75.05 card HG970103.1:1-1087 efrB is a part of the EfrAB efflux pump and both efrA and efrB are necessary to confer multidrug resistance. 
 +  contigs.fa Enterococcus 1923857 1925292 efrA 1-1434/1457 ========/====== 6/8 98.22 75.12 card HG970100.1:1-1458 efrA is a part of the EfrAB efflux pump and both efrA and efrB are necessary to confer drug resistance. 
 +  contigs.fa Enterococcus 2040199 2040747 AAC(6')-Ii 1-549/549 =============== 0/0 100.00 99.82 card L12710:1-550 AAC(6')-Ii is a chromosomal-encoded aminoglycoside acetyltransferase in Enterococcus spp. 
 +  contigs.fa Enterococcus 2426678 2428156 msrC 1-1479/1479 =============== 0/0 100.00 94.46 card AF313494:1-1480 msrC is a chromosomal-encoded ABC-efflux pump expressed in Enterococcus faecium that confers resistance to erythromycin and other macrolide and streptogramin B antibiotics.
  
 +여러 샘플에 대하여 ABRicate를 실행하였다면 abricate --summary 옵션을 이용하여 gene presence/absence matrix를 만들 수 있다. Contig 서열 파일에 대하여 각각 검색을 실시한 결과를 따로 갖고 있어도 되고, 한 파일에 여러 샘플에 대한 결과가 수록되어 있어도 무방하다.
 +===== 이차대사물 생합성 유전자(biosynthetic gene cluster, BGC) 예측 =====
  
 +[[https://antismash.secondarymetabolites.org/#!/start|antiSMASH bacterial version]]에 GenBank 파일을 업로드하여 분석을 실시한다. 웹서버에서는 동시에 돌릴 수 있는 작업의 수에 한도가 있으므로, local server에 설치하여 사용하는 것도 좋다. 공개된 미생물 유전체에 대하여 미리 예측된 BGC 정보를 검색하려면 [[https://antismash-db.secondarymetabolites.org/#!/start|antiSMASH database]]를 이용하라.
  
  
  
  
bioinfo/유전체_주석화_genome_annotation.1688002593.txt.gz · Last modified: 2023/06/29 10:36 by hyjeong