生信软件工具箱

「JCVI教程」使用JCVI根据CDS的BLAST结果绘制共线性图

这是唐海宝老师GitHub上的JCVI工具的非官方说明书。
该工具集的功能非常多，但是教程资料目前看起来并不多，因此为了能让更多人用上那么好用的工具，我就一边探索，一边写教程

这一篇文章教大家如何利用JCVI里面的工具绘制点图，展现两个物种之间的共线性关系。

在分析之前，你需要从PhytozomeV11 下载A.thaliana和Alyrata的CDS序列，保证文件夹里有如下内容

1
2
Alyrata_384_v2.1.cds.fa.gz        Athaliana_167_TAIR10.cds.fa.gz
Alyrata_384_v2.1.gene.gff3.gz  Athaliana_167_TAIR10.gene.gff3.gz

准备最长CDS和BED文件

我们在做CDS相互比对的时候只需要有每个基因最长的转录本即可，有两种方法可以实现

方法1：自己写脚本

我用我写的一个脚本get_the_longest_transcripts.py提取每个基因的最长转录本,见 基因组共线性工具MCScanX使用说明

1
2
zcat Alyrata_384_v2.1.gene.gff3.gz | python ~/scripts/python/get_the_longest_transcripts.py > aly_lst_gene.txt
zcat Athaliana_167_TAIR10.gene.gff3.gz | python ~/scripts/python/get_the_longest_transcripts.py  > ath_lst_gene.txt

其中xxx_lst_gene.txt的格式如下, 第一列是基因名，第二列是mRNA编号，后面几列是位置信息。

1
2
3
4
5
6
7
8
9
10
11
$ head ath_lst_gene.txt
AT4G19470.TAIR10	AT4G19470.1.TAIR10	Chr4	10612993	10614339	-
AT5G43860.TAIR10	AT5G43860.1.TAIR10	Chr5	17630450	17632312	+
AT1G68650.TAIR10	AT1G68650.1.TAIR10	Chr1	25775741	25777874	+
AT1G28050.TAIR10	AT1G28050.1.TAIR10	Chr1	9775528	9777810	-
AT3G59880.TAIR10	AT3G59880.1.TAIR10	Chr3	22120969	22121700	+
AT1G22030.TAIR10	AT1G22030.1.TAIR10	Chr1	7759164	7760556	-
AT5G24330.TAIR10	AT5G24330.1.TAIR10	Chr5	8295147	8297068	-
AT5G43990.TAIR10	AT5G43990.2.TAIR10	Chr5	17697889	17702005	+
AT1G11410.TAIR10	AT1G11410.1.TAIR10	Chr1	3841286	3844432	+
AT4G32890.TAIR10	AT4G32890.1.TAIR10	Chr4	15875470	15876762	+

由于基因名和mRNA编号里有在提取CDS不需要的内容，因此要进行删除

1
2
sed -i 's/\.v2\.1//g' aly_lst_gene.txt
sed -i 's/\.TAIR10//g' ath_lst_gene.txt

之后我们就可以根据第二列进行提取CDS

1
2
seqkit grep -f  <(cut -f 2 ath_lst_gene.txt ) Athaliana_167_TAIR10.cds.fa.gz > ath.cds
seqkit grep -f  <(cut -f 2 aly_lst_gene.txt ) Alyrata_384_v2.1.cds.fa.gz > aly.cds

提取的CDS编号里面也有一些不需要的内容，所以也要删除

1
2
sed -i 's/\.t.*//' aly.cds
sed -i 's/\..*//' ath.cds

此外还需要基因的位置信息的bed文件

1
2
awk '{print $3"\t"$4"\t"$5"\t"$1"\t0\t"$6}' ath_lst_gene.txt | sort -k4,4V > ath.bed
awk '{print $3"\t"$4"\t"$5"\t"$1"\t0\t"$6}' aly_lst_gene.txt | sort -k4,4V > aly.bed

基于JCVI工具集

当然也可以参考「JCVI教程」如何基于编码序列或蛋白序列进行共线性分析来提取bed和cds序列，不需要用到我写的脚本。

1
2
python -m jcvi.formats.gff bed --type=mRNA --key=Name Athaliana_167_TAIR10.gene.gff3.gz  > ath.bed
python -m jcvi.formats.gff bed --type=mRNA --key=Name Alyrata_384_v2.1.gene.gff3.gz > aly.bed

对bed文件中的基因进行去重

1
2
python -m jcvi.formats.bed uniq ath.bed
python -m jcvi.formats.bed uniq aly.bed

这一步会得到aly.uniq.bed和ath.uniq.bed, 我们将其覆盖原文件

1
2
mv ath.uniq.bed ath.bed
mv aly.uniq.bed aly.bed

根据bed文件提取cds里的序列

1
2
3
4
# Athaliana
seqkit grep -f <(cut -f 4 ath.bed ) Athaliana_167_TAIR10.cds.fa.gz | seqkit seq -i > ath.cds
# Alyrata
seqkit grep -f <(cut -f 4 aly.bed )  Alyrata_384_v2.1.cds.fa.gz | seqkit seq -i  > aly.cds

无论是哪种方法，请保证最后有以下四个文件

1
2
$ ls ???.???
aly.bed  aly.cds  ath.bed  ath.cds

BLAST比对

相对于上一步，这一步其实非常简单了

1
2
makeblastdb -in ath.cds -out db/ath -dbtype nucl
blastn -num_threads 20  -query aly.cds -db db/ath -outfmt 6 -evalue 1e-5 -num_alignments 5 > aly_ath.blast

用jcvi.compara.blastfilter 对结果进行过滤

1
python -m jcvi.compara.blastfilter --no_strip_names aly_ath.blast --sbed ath.bed --qbed aly.bed

运行过程中有如下输出信息

1
2
3
4
5
6
7
8
19:59:15 [base] Load file `aly.bed`
19:59:16 [base] Load file `ath.bed`
19:59:16 [blastfilter] Load BLAST file `aly_ath.blast` (total 49887 lines)
19:59:16 [base] Load file `aly_ath.blast`
19:59:16 [blastfilter] running the cscore filter (cscore>=0.70) ..
19:59:16 [blastfilter] after filter (42023->26531) ..
19:59:16 [blastfilter] running the local dups filter (tandem_Nmax=10) ..
19:59:16 [blastfilter] after filter (26531->24242) ..

最后输出aly_ath.blast.filtered用于做图

1
python -m jcvi.graphics.blastplot aly_ath.blast.filtered --sbed ath.bed --qbed aly.bed

最后点图如下

点图