使用BRAKER2进行基因组注释

使用BRAKER2进行基因组注释

BRAKER2是一个基因组注释流程,能够组合GeneMark,AUGUSTUS和转录组数据。

在使用软件之前,有几点需要注意下

  • 尽量提供高质量的基因组。目前随着三代测序价格下降,这一点问题不大。
  • 基因组命名应该简单,最好就是">contig1"或">tig000001"
  • 基因组需要屏蔽重复序列
  • 默认参数通常表现效果就很好,但是也要根据物种来
  • 一定要对注释结果进行检查,别直接使用

软件安装

BRAKER的依赖软件不少,且Perl需要安装的模块也很多,但是我们可以直接用bioconda进行安装

conda create -n braker2 braker2

使用conda安装结束后会有一些提示语,总结如下

  • 保证AUGUSTUS的config目录能够有可写权限(自己用conda安装不需要考虑这个问题)
  • GeneMark/GenomeThreader/ProtHint需要额外下载安装

尽管可以使用容器化技术,但是由于软件运行时需要对AUGUSTUS里的配置文件进行读写,需要额外设置,因此不在此介绍

由于部分软件的版权限制,也就是GeneMakr, GenomeThreader, ProHint,我们还需要手动安装这些软件。但其中只有GeneMark是必须的,因为我们更多是利用RNA-seq数据进行模型训练,而GenomeThreader, ProHint是利用同源蛋白进行注释才用到,其中GenomeTrheads是处理近源蛋白,而ProHint是处理未知距离的蛋白。

http://exon.gatech.edu/GeneMark/license_download.cgi 下载GeneMark,并按照文档进行安装,最后添加环境变量

export GENEMARK_PATH=/your_path_to_GeneMark-ET/gmes_petap/
#例如,我的安装路径为/opt/biosoft/gm_et_linux_64
export GENEMARK_PATH=/opt/biosoft/gm_et_linux_64

安装完成之后,建议运行下面这一步检查软件依赖

braker.pl --checkSoftware

软件运行

BRAKER根据数据类型,有不同的运行模式,但根据现状其实最常见的情况是测了一个基因组,并且还测了二代的转录组。因此假设你手头有下面这些数据

  • 基因组序列: genome.fasta
  • 转录组数据: XX_R1.fq.gz, XX_R2.fq.gz, YY_R1.fq.gz, YY_R2.fq.gz, ZZ_R1.fq.gz, ZZ_R2.fq.gz

第一步: 屏蔽基因组中的重复序列,这一步参考使用RepeatModeler和RepeatMasker注释基因组重复序列

RepeatMasker -xsmall -species arabidopsis -pa 40 -e ncbi  -dir . genome.fasta
#-xsmall: soft-mask

这一步输出的genome.fasta.masked将是后续注释的输入

第二步: 使用STAR将FastQ比对到参考基因组,STAR使用说明参考「RNA-seq分析软件」RNA-seq比对工具STAR学习笔记

mkdir -p STAR
# 建立索引
STAR \
    --runThreadN 20 \
    --runMode genomeGenerate \
    --genomeDir STAR \
    --genomeFastaFiles genome.fasta
# 比对
STAR \
	--genomeDir STAR \
	--runThreadN 20 \
	--readFilesIn XX_R1.fq.gz, XX_R2.fq.gz \
	--readFilesCommand zcat \
	--outFileNamePrefix xx_ \
	--outSAMtype BAM SortedByCoordinate \
	--outBAMsortingThreadN 10 \
	--outSAMstrandField intronMotif \
	--outFilterIntronMotifs RemoveNoncanonical
mv xx_Aligned.sortedByCoord.out.bam xx.bam

输入结果为 xx.bam 如果测了多个组装的转录组,为每个样本运行一次比对生成多个BAM文件。

第三步: 运行BRAKER2。--cores 40表示使用40个线程, --softmaksing表示输入序列是软屏蔽。

braker.pl --cores 40 --species=yourSpecies --genome=genome.fasta.masked \
     --softmasking --bam=xx.bam,yy.bam,zz.bam \
     --gff3

这里xx.bam, yy.bam,zz.bam指的是不同组织的BAM文件,需要根据实际情况进行修改。

对于链特异性转录组测序结果,需要将BAM文件拆分成正链和负链两个bam,然后设置--stranded参数。

braker.pl --species=yourSpecies --genome=genome.fasta.masked \
   --softmasking --bam=plus.bam,minus.bam,unstranded.bam \
   --stranded=+,-,. --UTR=on

如果需要使用近源序列作为输入(protein.fa),需要加上--prot_seq--prg参数,速度会慢一些

braker.pl --cores 40 --species=yourSpecies --genome=genome.fasta.masked \
     --softmasking --bam=xx.bam,yy.bam,zz.bam \
     --gff3 \
     --prot_seq=proteins.fa --prg=exonerate \

个人感觉,只要转录组测得够,不需要考虑同源蛋白数据。

最终会输出蛋白序列和CDS序列以及GFF文件

  • augustus.hints.gtf: 在--esmode时不会出现
  • augustus.hints_utr.gtf: 在设置--UTR=on时生成
  • augustus.ab_initio.gtf: 在设置--AUGUSTUS_ab_initio生成
  • augustus.ab_initio_utr.gtf: 在从头预测的基础上设置--UTR=pn时生成
  • GeneMark-E*/genemark.gtf: GeneMark的注释结果
  • braker.gtf: AUGUSTUS或GeneMark预测的所有结果
  • hintsfile.gff: 来自于RNA-seq/蛋白数据的外部证据信息

此外,如果没有设置--skipGetAnnoFromFasta, 还会有augustus.hints.aaaugustus.hints.codingseq

注意: BRAKER没有断点重跑功能,因此如果中途运行中断,重新运行之前的命令并不会断点重跑,反而会因为同样的参数和之前运行在AUGUSTUS的config/species生成的目录冲突而中断。另外设置--useexisting只是覆盖之前config/species对应的目录,而不是利用已有的文件重新开始

尽管如此,我们还是能够在BRAKER中通过跳过一些步骤来避免一些重复运算

  • --skipGeneMark-ES/--skipGeneMark-ET/--skipGeneMark-EP/--skipGeneMark-ETP: 跳过GeneMark训练这一步,使用之前的结果braker/GeneMark-ET/genemark.gtf,或者使用--geneMarkGtf设置GTF文件
  • --skipAllTraining: 跳过GeneMark和AUGUSTUS的模型训练,使用之前的参数和文件(--useexisting)运行AUGUSTUS

官方教程也提供了一些案例,见https://github.com/Gaius-Augustus/BRAKER#starting-braker-on-the-basis-of-previously-existing-braker-runs

除此之外,如果想要提高速度,还可以设置如下参数

  • --skipOptimize: 跳过参数优化步骤(不推荐)
  • --rounds: 参数优化迭代数,默认是5,追求速度可以设置的低一些

可能问题

运行时出现和OpenBLAS相关的警告和报错

OpenBLAS blas_thread_init: RLIMIT_NPROC 4096
OpenBLAS blas_thread_init: pthread_create failed for thread 26 of 128: Resource temporarily unavailable

需要在运行前设置如下两个环境变量

export OMP_NUM_THREADS=1 #限制CPU数
export USE_SIMPLE_THREADED_LEVEL3=1

使用conda安装时可能会出现的问题

Error in file bamToWig.py at line 172: Return code of subprocess was 127

原因是因为faToTwoBit程序出错

faToTwoBit
faToTwoBit: error while loading shared libraries: libssl.so.1.0.0: cannot open shared object file: No such file or directory

这是因为conda没能正确处理依赖关系,openssl版本过高,解决方法如下

# 建立软链接
cd ~/miniconda3/envs/braker2/lib
ln -s libssl.so libssl.so.1.0.0
ln -s libcrypto.so libcrypto.so.1.0.0

参考资料

评论

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×