真核基因組分析常規(guī)流程

1、真核基因組分析常規(guī)流程一， 二代數(shù)據(jù)質(zhì)量控制二代測序數(shù)據(jù)質(zhì)量控制軟件FastQC分析的內(nèi)容包括：測序數(shù)據(jù)的基本信息 每個堿基的質(zhì)量值 每條reads序列的質(zhì)量值 每條序列的ATCG組成 每條序列N的含量 每條序列的長度分布 序列中duplication程度 K-mer信息軟件信息：二， 數(shù)據(jù)過濾過濾掉低質(zhì)量值的reads過濾掉接頭過濾掉N含量多的reads過濾掉長度過短的reads過濾掉PCR重復(fù)三， 組裝組裝軟件可以根據(jù)基因組情況選擇，具體方法參看軟件說明。四， 組裝結(jié)果評估1） 將組裝用reads回貼到組裝的基因組上，看reads mapping rate 來評估組裝的質(zhì)量可以使用bwa來

2、比對，samtools來統(tǒng)計2） 使用CEGMA來評估組裝的完整性CEGMA (Core Eukaryotic Genes Mapping Approach) is a pipeline for building a set of high reliable set of gene annotations in virtually any eukaryotic genome. The strategy relies on a simple fact: some highly conserved proteins are encoded in essentially all eukaryotic

3、 genomes. We use the KOGs database to build a set of these highly conserved ubiquitous proteins. We define a set of 458 core proteins, and the protocol, CEGMA, to find orthologs of the core proteins in new genomes and to determine their exon-intron structures五， 基因組注釋1） 重復(fù)序列注釋2） 基因注釋3） 蛋白功能注釋蛋白結(jié)構(gòu)注釋：i

4、nterproscan同源注釋：swissprot tremble 數(shù)據(jù)庫通路：kegg數(shù)據(jù)庫六， 進(jìn)化分析1） 基因家族聚類同源的蛋白質(zhì)可以分為直系同源與旁系同源，當(dāng)同源是基因復(fù)制的結(jié)果，兩份拷貝在一個物種的歷史上是平行演化的，這樣的基因被稱為旁系同源基因。當(dāng)同源是物種形成的結(jié)果，基因的歷史反映了物種的歷史，被稱為直系同源；直系同源是不同物種內(nèi)的同源序列，他們是來自于物種形成時的共同祖先基因；通常認(rèn)為直系同源的序列具有相似的生物學(xué)功能；使用OrthoMCL聚類2） 系統(tǒng)發(fā)育樹構(gòu)建選取所有物種的單拷貝同源基因，分別進(jìn)行比對，連成一個super gene，提取四倍簡并位點構(gòu)建系統(tǒng)樹3） 分歧時間

5、計算使用PAML mcmctree 計算分歧時間利用里面的時間進(jìn)行校對4） 4dtv距離分布計算使用mcsan尋找共線性基因?qū)Γ嬎愎簿€性基因?qū)Φ?dtv距離，作出分布圖。5） Ks 分布計算流程的功能1，檢測物種（植物）是否有過近期全基因組復(fù)制或者大規(guī)模復(fù)制事件。2，估計該物種全基因組復(fù)制的時間范圍。流程實現(xiàn)1，根據(jù)基因家族聚類的結(jié)果找到每個家族的每條基因2，根據(jù) BLASTP 結(jié)果找串聯(lián)重復(fù)基因家族（基因間插入數(shù)小于 20 視為串聯(lián)）3，對每個基因家族的序列做 muscle 比對4，轉(zhuǎn)換成 cds 的 phylip 格式5，使用 PAML 中的 yn00 計算基因家族中序列倆倆的 Ks 值6，去掉大于 2 的 Ks 值取中位或者平均值來代表這個基因家族每個 copy 的 Ks（若該基因家族有 N 個基因，則發(fā)生過 N-1 次復(fù)制）7，以每 0.5 為單位加和這個區(qū)間的 Ks8，作圖分布圖6） 共線性分析Mcscan的結(jié)果，過濾后做點圖或用