欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

对水稻的注释进行了二次整理

程序员文章站 2022-03-01 17:16:56
...

代码和数据都在GitHub上,见 https://github.com/xuzhougeng/rice_annotaiton
(没想到,我居然把annotation给打错了, 这个错误也太低级了吧)

水稻有两个主要的注释项目组

  • RAP-DB: 编号格式形如Os01g0100100
  • RGAP: 编号格式形如LOC_Os0101010

虽然这两个注释项目组使用的是同一个水稻基因组,但是注释结果却存在一些差异。你可以使用任意一套注释进行分析,通过ID的对应关系,将其中一套编号转换成另外一套编号,我用的是RAP-DB版本,这是因为KEGG数据库使用的就是RAP-DB的编号形式。

RAP-DB的网站上提供了很多数据方便我们使用,比如说光基因序列文件就至少提供了为UTR+CDS, UTR+CDS+Intron, CDS三类,非常贴心。美中不足的一点是,他们提供的GFF文件并不规整。

他们提供了2个下载链接,分别对应GFF和GTF

GFF下载之后是一个压缩包,解压能得到locus.gff, transcripts_exon.gff, transcripts.gff. GTF下载之后只有一个gtf文件。

然而,无论是GFF还是GTF文件,他们都没有提供完整信息。GTF里面只有transcript和exon. GFF要么只有gene(locus.gff), 要么只有mRNA和exon(transcripts_exon.gff), 要么是mRNA,UTR和CDS(transcripts.gff). 我就非常纳闷了,为什么没有一个文件,同时有gene, mRNA, UTR, CDS, exon这些完整信息呢?

算了,既然他们没有给,我就自己动手,于是我写了一些代码,基于他们提供loucs.gff和transcripts.gff进行整理,代码我上传到GitHub。

我在代码中,将chr01-12改成了Chr1-Chr12, 所以对应的基因组文件,我也手动调整了。整理好的FASTA, GTF, GFF文件,我都一并上传到GitHub上,方便后续使用,地址为 https://github.com/xuzhougeng/rice_annotaiton

既然整理好了FASTA和GFF文件,为了方便后续在R语言里面使用,我还生成了对应BSgenome和TxDb,安装方法如下(生成代码和输出R包都在GitHub上)

安装方式(以BSgenome为例):

  1. 在R里安装:install.pakcages("/路径/到/BSgenome.Osativa.MSU.xzg_1.0.tar.gz", repos=NULL, type="source)
  2. 在命令行里安装: R CMD INSTALL BSgenome.Osativa.MSU.xzg_1.0.tar.gz

为了避免和Biocondutor其他MSU的包冲突,所以我用自己名字的缩写xzg作为后缀。

安装之后,就可以通过library进行加载

library(BSgenome.Osativa.MSU.xzg)
library(TxDb.Osativa.MSU.xzg)