GeneMarkS | 原核生物基因组预测①

生信real

发布于 2022-08-18 09:05:14

3.3K0

发布于 2022-08-18 09:05:14

文章被收录于专栏：Linux基础入门

前言

原核生物的基因没有内含子，其基因预测相对真核生物简单。本期将以大肠杆菌基因组为例，讲解如何使用GeneMarks对原核基因组进行预测。

GeneMarkS软件官网

http://exon.gatech.edu/GeneMark/

GeneMarkS软件安装

GeneMarkS提供了在线预测服务，网站如下：

# GeneMarkS在线网站
http://exon.gatech.edu/GeneMark/genemarks.cgi

本期主要介绍Linux运行GeneMarkS。GeneMarkS安装需要到其官网填写信息获取下载链接，所以下载地址不固定，需要自己申请。下面介绍如何获取下载链接（不想自己申请可以后台回复genemarks获取软件）。
①首先进入GeneMarkS官网（http://exon.gatech.edu/GeneMark/，点击下图红框处的“download”，跳转到软件下载界面。

②软件选择红框框选的“GeneMarkS-2 version 1.14_1.25_lic”(32位还是64位根据服务器情况选择），在黄色框填写信息后点击绿色框即可获取软件下载链接。

③使用软件需要下载两个文件，一个为软件本身（红框），一个是密钥（橙框）。鼠标右键单击选择“复制链接地址”后到服务器上下载，或者浏览器下载自行传入服务器。

④下面介绍服务器下载安装GeneMarkS的方法

# 下载软件和密钥
wget http://topaz.gatech.edu/GeneMark/tmp/GMtool_dHlO8/gms2_linux_64.tar.gz
wget http://topaz.gatech.edu/GeneMark/tmp/GMtool_dHlO8/gm_key_64.gz
# 解压软件
tar -zxvf gms2_linux_64.tar.gz
gunzip -c gm_key_64.gz > ~/.gmhmmp2_key
# 将软件添加到环境变量
vim ~/.bashrc
PATH=$PATH:/opt/biosoft/gms2_linux_64
source ~/.bashrc

Tips:①密钥安装需要安装到用户的家目录下，并且需要命名成“.gmhmmp2_key”；②将软件添加到环境变量时需要根据自己软件安装位置进行添加。

GeneMarkS示例数据下载与处理

# 下载大肠杆菌基因组
wget -O Escherichia_coli.fna.gz https://ftp.ncbi.nlm.nih.gov/genomes/all/GCF/000/005/845/GCF_000005845.2_ASM584v2/GCF_000005845.2_ASM584v2_genomic.fna.gz
# 解压重命名
gunzip -c Escherichia_coli.fna.gz >Escherichia_coli_genome.fasta

GeneMarkS常用参数

--seq ： 输入FASTA格式的基因组序列的文件
--genome-type ： 基因组类型：archaea，bacteria，auto (默认)
--gcode ： 遗传密码（默认：自动。支持：11、4、25、15）
--output ： 输出文件的名称（默认：gms2.lst）
--format ： 输出文件的格式（默认：lst）
--fnn : 生成预测基因组的核苷酸序列
--faa : 生成预测基因组的蛋白质序列

GeneMarkS使用案例

gms2.pl \
--seq Escherichia_coli_genome.fasta \
--genome-type bacteria \
--gcode 11 \
--format gff \
--output Escherichia_coli.gff \
--fnn Escherichia_coli_gene.fasta\
--faa Escherichia_coli_protein.fasta

GeneMarkS结果文件

Escherichia_coli.gff #储存基因结构信息
Escherichia_coli_gene.fasta #预测基因组的核苷酸序列
Escherichia_coli_protein.fasta #预测基因组的蛋白质序列

gff文件简介

# gff文件一共9列，分别如下：
①seqid（序列ID）：通常为染色体的ID；
②source（注释的来源）：表示产生此文件的软件或方法；
③type（类型）：表示区间特性类型，如gene，repeat_region，exon，CDS等；
④start（起始位点）：特征区间的起始位置；
⑤end（结束位点）：特征区间的终止位置；
⑥score（得分）：表示注释信息可靠性；
⑦strand（正/负链）："＋"：正链，"－"：负链；
⑧phase（步进）：对于编码蛋白质的CDS，本列指定下一个密码子开始的位置。可以是0，1，2。表示到达下一个密码子要跳过的碱基个数;
⑨attribut（属性）：基因ID，长度等信息；多个属性之间用";"分号分隔。