生信软件工具箱

使用RepeatModeler和RepeatMasker注释基因组重复序列

重复序列注释有两种常用策略，基于同源序列相似性和基于重复序列结构特征。RepeatMasker是基于同源序列相似性注释序列的常用工具, RepeatModeler可用来从头对基因组的重复序列家族进行建模注释，它的核心组件是RECON和RepatScout。

这篇教程介绍如何使用RepeatModeler从头鉴定基因组的重复序列，之后用RepeatMasker根据自定义的重复序列库注释基因组的重复序列。

软件安装

原本的RepeatMasker和RepeatModeler的手动安装需要配置很多文件，但是利用bioconda就只用一行命令。

1
conda create -n repeat repeatmasker repeatmodeler

之后在RepeatMasker环境下配置运行环境。由于我的miniconda装在~/opt路径下，因此对应的RepeatMasker路径为~/opt/miniconda3/envs/repeat/share/RepeatMasker/

1
2
3
conda activate repeat
cd ~/opt/miniconda3/envs/repeat/share/RepeatMasker/
perl ./configure

这一步只需要配置好比对软件

配置比对工具

之后就会显示RepeatMasker已经配置完毕，其中Dfam_3.0是用于注释的数据库。

配置完成

软件运行

以拟南芥的参考基因组为例，基因组命名为”Athaliana.fa”

第一步：为RepeatModeler创建索引数据库

1
2
3
BuildDatabase -name ath -engine ncbi Athaliana.fa
# -engine ncbi： 表示使用rmblast
# -name aht： 表示数据库的名字为ath

第二步：运行RepeatModeler从头预测

1
2
3
4
RepeatModeler -database ath -engine ncbi -pa 20 &> ath.out &
# -database 要和上一步一致
# -engine 要和上一步一致
# -pa 表示线程数

这一步运行时间相对比较久，和线程数有关。运行中的的文件存放在RM_.xxx文件夹下

1
2
3
4
5
6
7
8
9
10
11
RM_100741.WedSep181006282019
├── consensi.fa 
├── consensi.fa.classified
├── consensi.fa.masked
├── families-classified.stk
├── families.stk
├── round-1
├── round-2
├── round-3
├── round-4
└── round-5

运行结束后，就得到了ath-families.fa和ath-families.stk。 前者是找到的重复序列，后者是Stockholm格式的种子联配文件(seed alignment file), 可以用util/dfamConsensusTool.pl上传到Dfam_consensus数据库中。

ath-families.fa的fasta的序列部分格式为>repeatname#class/subclass，用于表明每个重复序列的归类。

第三步：根据自定义的重复序列数据库注释基因组

1
RepeatMasker -lib ath-families.fa -e ncbi -dir . Athaliana.fa

RepeatMasker比较常用的参数如下

  • -e: 搜索引擎，默认都选择ncbi
  • -pa: 并行计算，多线程
  • -s, -q, -qq: 搜索速度，速度和敏感度成反比
  • -lib: 自定义重复数据库
  • -species: 指定物种，例如human, mouse, arabidopsis
  • -gff: 额外输出GFF文件

输出结果中, 以.masked结尾的是用N屏蔽后的序列，以tal结尾的则是统计各种重复序列的比例。