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。 ```bash 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/` ```bash 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  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。  ## 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 ```bash 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 ```bash 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 ```bash 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 ```bash 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。