RAP-DB版本的水稻注释文件的优化

代码和数据都在GitHub上,见 https://github.com/xuzhougeng/rice_annotation

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_annotation

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

1
2
library(BSgenome.Osativa.MSU.xzg)
library(TxDb.Osativa.MSU.xzg)