基因组的重复序列注释的个人心得

2022-07-20 第一版
2022-07-21 第二版: 群友建议,1)可以用BUSCO或者RNA-seq mapping的方式来评估重复序列屏蔽的效果。 2)用水稻人工构建的高质量TE数据库评估。

最近又折腾了下植物基因组的重复序列注释,这里做一点总结

  1. 我整理了许多文献(主要是植物)中关于TE占比的描述和对应的基因组大小。我发现,一般100-200Mb物种占比大概是30%以内(如拟南芥和A.lyrata),400Mb大概是40%(如水稻), 超过800Mb的物种占比50%以上。
  2. 我对比了RepeatModeler + RepeatMasker和EDTA + RepeatMakser 这两种分析组合的结果,前者注释的比例都会比后者高。以前我之前发现一个基因组,大小也就是200Mb左右,但是TE注释比例在45.78%,。文章描述方法中给的是RepeatModeler + RepeatProteinMask/RepeatMasker的组合。我用EDTA + RepeatMakser是40.53%。
  3. 然而在没有TEclass注释的前提下,RepeatModeler的TE库绝大部分注释的都是Unknown,因此RepeatMasker注释的结果中绝大部分的TE也是Unknown。我不确定这是不是因为我没有正确设置参数设置的原因。
  4. 基于上一条,RepeatModeler的输出结果需要注释TE才能用于RepeatMasker。我尝试用TEclass和TEsorter对这些Unknown进行注释,两者结果相差巨大,可能1000条未知序列,TEclass会注释出900条,TEsorter只能注释出90条。
  5. 我在EDTA构建的文库的基础上,分别用TEclass和TEsorter进行注释,差距会稍微小一点,但是依旧是TEclass注释的结果多。同时,对比TEclass的注释结果,和EDTA原先的注释结果,两者结果在大类上基本一致。
  6. 通过查阅TEsorter的文献,发现benchmark中的sensitivity这一项的确是低于其他软件,rice的other TE只有 16%. 但是TEsorter的precision则优于其他软件,几乎都是100%。也就是,如果你想结果更准,TEsorter是你的不二选择,但是你想要结果更多,TEsorter就未必满足你的需求了。
  7. 我发现EDTA在F.hispida会因为TIR-finder找不到结果导致无法正确构建TE文库,不过好消息,在我自己的测序物种里面,表现都挺好的。

对于我而言,以后在重复序列注释这一块,我采取的就是EDTA + RepeatMasker这个组合。

由于我对重复序列的研究比较少,以上观点仅仅是这几天跑代码的一点心得,抛转引玉,供大家参考。

评论

Your browser is out-of-date!

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

×