真核基因組分析常規(guī)流程

1、真核基因組分析常規(guī)流程一， 二代數(shù)據(jù)質量控制二代測序數(shù)據(jù)質量控制軟件FastQC分析的內容包括：測序數(shù)據(jù)的基本信息 每個堿基的質量值 每條reads序列的質量值 每條序列的ATCG組成 每條序列N的含量 每條序列的長度分布 序列中duplication程度 K-mer信息軟件信息：二， 數(shù)據(jù)過濾過濾掉低質量值的reads過濾掉接頭過濾掉N含量多的reads過濾掉長度過短的reads過濾掉PCR重復三， 組裝組裝軟件可以根據(jù)基因組情況選擇，具體方法參看軟件說明。四， 組裝結果評估1） 將組裝用reads回貼到組裝的基因組上，看reads mapping rate 來評估組裝的質量可以使用bwa來

2、比對，samtools來統(tǒng)計2） 使用CEGMA來評估組裝的完整性CEGMA (Core Eukaryotic Genes Mapping Approach) is a pipeline for building a set of high reliable set of gene annotations in virtually any eukaryotic genome. The strategy relies on a simple fact: some highly conserved proteins are encoded in essentially all eukaryotic

3、 genomes. We use the KOGs database to build a set of these highly conserved ubiquitous proteins. We define a set of 458 core proteins, and the protocol, CEGMA, to find orthologs of the core proteins in new genomes and to determine their exon-intron structures五， 基因組注釋1） 重復序列注釋2） 基因注釋3） 蛋白功能注釋蛋白結構注釋：i

4、nterproscan同源注釋：swissprot tremble 數(shù)據(jù)庫通路：kegg數(shù)據(jù)庫六， 進化分析1） 基因家族聚類同源的蛋白質可以分為直系同源與旁系同源，當同源是基因復制的結果，兩份拷貝在一個物種的歷史上是平行演化的，這樣的基因被稱為旁系同源基因。當同源是物種形成的結果，基因的歷史反映了物種的歷史，被稱為直系同源；直系同源是不同物種內的同源序列，他們是來自于物種形成時的共同祖先基因；通常認為直系同源的序列具有相似的生物學功能；使用OrthoMCL聚類2） 系統(tǒng)發(fā)育樹構建選取所有物種的單拷貝同源基因，分別進行比對，連成一個super gene，提取四倍簡并位點構建系統(tǒng)樹3） 分歧時間

5、計算使用PAML mcmctree 計算分歧時間利用里面的時間進行校對4） 4dtv距離分布計算使用mcsan尋找共線性基因對，計算共線性基因對的4dtv距離，作出分布圖。5） Ks 分布計算流程的功能1，檢測物種（植物）是否有過近期全基因組復制或者大規(guī)模復制事件。2，估計該物種全基因組復制的時間范圍。流程實現(xiàn)1，根據(jù)基因家族聚類的結果找到每個家族的每條基因2，根據(jù) BLASTP 結果找串聯(lián)重復基因家族（基因間插入數(shù)小于 20 視為串聯(lián)）3，對每個基因家族的序列做 muscle 比對4，轉換成 cds 的 phylip 格式5，使用 PAML 中的 yn00 計算基因家族中序列倆倆的 Ks 值6，去掉大于 2 的 Ks 值取中位或者平均值來代表這個基因家族每個 copy 的 Ks（若該基因家族有 N 個基因，則發(fā)生過 N-1 次復制）7，以每 0.5 為單位加和這個區(qū)間的 Ks8，作圖分布圖6） 共線性分析Mcscan的結果，過濾后做點圖或用