(22)基因功能注释和富集分析相关

生信常用分析图形绘制03 -- 富集分析圈图 有了R语言的基础,以及ggplot2绘图基础,我们的的绘制就可以提上日程了!本系列,师兄就开始带着大家一起学习如何用R语言绘制我们自己的各种分析图吧!由于本系列的所有分析代码均为师兄细心整理和详细注释而成的!您的支持是我持续更新的最大动力!...... 阅读详情
AI摘要

该博客围绕基因功能注释展开,介绍了依赖基因结构预测结果,将蛋白序列与主流数据库比对完成注释的方法。详细阐述了NR、Swiss - Prot等多种数据库的注释流程,包括下载数据库、正式分析、结果展示与解读等,还提及了GO、KEGG等的富集分析及分泌蛋白注释等内容。

!!!本分析方案参考自陈连福老师的生物信息教材,如有需要详见陈老师教材哦~~~

#基因结构预测 (拿到预测的蛋白序列、gff3文件那些)
#基因功能注释
##基因功能的注释依赖于上一步的基因结构预测,根据预测结果从基因组上提取翻译后的蛋白序列和主流的数据库进行比对,完成功能注释。
##常用数据库:
Nr:NCBI官方非冗余蛋白数据库,包括PDB, Swiss-Prot, PIR, PRF; 如果要用DNA序列,就是nt库
Pfam: 蛋白结构域注释的分类系统
Swiss-Prot: 高质量的蛋白数据库,蛋白序列得到实验的验证
KEGG: 代谢通路注释数据库.
GO: 基因本体论注释数据库

BLASTP检索
基本流程:下载数据库,构建BLASTP索引(想要用谁检索,就对谁构建索引,索引是为了方便快速检索的),数据库检索,结果整理。其中结果整理需要根据BLASTP的输出格式调整。

都是先以南极石耳为例跑一下流程,后期如果批量做的话还需要适当改一下代码~

补充疑惑:

1)为啥要进行富集分析,核心逻辑是什么?

就是说,咱找到了一系列的基因,咱想知道这些基因有没有一个统一的功能、通路等等,所以通过数据库将其富集起来,看看XX占的最多,作用最大

2)准备材料是什么呢?

一般都是用预测到的蛋白文件,需要有目的基因,有想研究的对象(比如,与寒冷相关基因,正选择基因、快速进化基因等等)

1. NR 注释

1.1下载真菌的refseq数据库

第一次用下载就行了,以后就可以直接用,不用重复下载~

mkdir -p ~/Qxy/ncbi-blast-qxy/db/
cd ~/Qxy/ncbi-blast-qxy/db/
# download 下载了NCBI里Refseq数据库中的Fungi数据
wget -4  -nd -np -r 1 -A *.faa.gz ftp://ftp.ncbi.nlm.nih.gov/refseq/release/fungi/  #服务器下载格式有误,解压失败,本地下载再上传
mkdir -p ~/Qxy/ncbi-blast-qxy/RefSeq
zcat *.gz > ~/Qxy/ncbi-blast-qxy/RefSeq/fungi.protein.faa
# build index 对该数据库fungi建立索引
~/anaconda3/bin/makeblastdb -in fungi.protein.faa -dbtype prot -parse_seqids -title RefSeq_fungi -out fungi

1.2正式分析

cd ~/Qxy/qxycexu/U.antarctica/funannotate
mkdir Nr
cd Nr
ln -s /ifs1/User/wuqi/Qxy/knowngenome/orthofinder/Umbilicaria_antarctica.proteins.fasta ./ 
# search 将自己的数据拿去与nr库进行比对
nohup diamond blastp --db ~/Qxy/ncbi-blast-qxy/RefSeq/fungi.protein.faa --query Umbilicaria_antarctica.proteins.fasta --out Nr.xml --outfmt 5 --sensitive --max-target-seqs 20 --evalue 1e-5 --id 10 --index-chunks 1 &
# 比对后得到.xml文件,利用下列脚本进行处理
~/Qxy/qxyjiaoben/parsing_blast_result.pl --out-hit-confidence --suject-annotation Nr.xml > Nr.tab
~/Qxy/qxyjiaoben/nr_species_distribution.pl Nr.tab > Nr_species_distribution.txt
~/Qxy/qxyjiaoben/gene_annotation_from_Nr.pl Nr.tab > Nr.txt
###研究某个基因!!!将基因与基因组进行比对
mkdir -p ~/13.functional_annotation/00.blast_to_genome
cd ~/13.functional_annotation/00.blast_to_genome
# 构建蛋白质数据库
makeblastdb -in ~/00.incipient_data/data_for_gene_prediction_and_RNA-seq/Malassezia_sympodialis_V01.protein.fasta -dbtype prot -title Malassezia_sympodialis_V01.protein -parse_seqids -out Malassezia_sympodialis_V01.protein -logfile protein.log
# 构建核酸数据库
makeblastdb -in ~/00.incipient_data/data_for_genome_assembling/assemblies_of_Malassezia_sympodialis/Malassezia_sympodialis.genome_V01.fasta -dbtype nucl -title Malassezia_sympodialis_V01.genome -parse_seqids -out Malassezia_sympodialis_V01.genome -logfile Malassezia_sympodialis_V01.genome.log
# 在https://www.ncbi.nlm.nih.gov/gene/数据库搜索"3-phytase a",点击Send to,选择File,在Format中选择UI List,下载文件保存为gi.ncbi_gene_phyA.list
#一个是对核酸进行比对
cp ~/00.incipient_data/data_for_functional_annotation/gi.ncbi_gene_phyA.list ./
ncbi_acc_or_gi_to_fasta.pl gi.ncbi_gene_phyA.list 10 > phyA.nucl.fasta
perl -p -e 's/>(\S+).*/>$1/; s/\|/_/g' ~/00.incipient_data/data_for_functional_annotation/phyA.nucl.fasta > phyA.nucl.fasta
blastn -query phyA.nucl.fasta -db Malassezia_sympodialis_V01.genome -out blastn.out -evalue 1e-5 -outfmt 7 -num_threads 4
# 在https://www.uniprot.org/uniprot/搜索"3-phytase a" AND reviewed:yes,并下载数据
#一个是对蛋白进行比对
perl -p -e 's/>(\S+).*/>$1/; s/\|/_/g' ~/00.incipient_data/data_for_functional_annotation/uniprot-_3-phytase+a_-filtered-reviewed_yes.fasta > phyA.pep.fasta
blastp -query phyA.pep.fasta -db Malassezia_sympodialis_V01.protein -out blastp.out -evalue 1e-5 -outfmt 7 -num_threads 4

注:这个我用本地blast就可以做到~(之前教程里面有写)

2.进行 Swiss-Prot 注释

2.1下载数据库 

mkdir -p ~/Qxy/Swiss-Prot
cd ~/Qxy/Swiss-Prot
# download 下载UniProtKB/Swiss-Prot数据库中的蛋白质文件
wget -4 -q ftp://ftp.uniprot.org/pub/databases/uniprot/current_release/knowledgebase/complete/uniprot_sprot.fasta.gz
gzip -d uniprot_sprot.fasta.gz
# builid index 构建索引
~/anaconda3/bin/makeblastdb -in uniprot_sprot.fasta -dbtype prot -title swiss_prot -parse_seqids

 2.2正式分析

cd ~/Qxy/qxycexu/U.antarctica/funannotate
mkdir Swiss-Prot
cd Swiss-Prot
ln -s /ifs1/User/wuqi/Qxy/knowngenome/orthofinder/Umbilicaria_antarctica.proteins.fasta ./ #使用添加了名字的蛋白序列去做
# search 运行比对,挺快的,结果是一个.xml文件
diamond blastp --query Umbilicaria_antarctica.proteins.fasta --db ~/Qxy/Swiss-Prot/uniprot_sprot.fasta  --out uniprot_sprot.xml --outfmt 5 --sensitive --max-target-seqs 20 --evalue 1e-5 --id 10 --index-chunks 1
# 运用脚本整合结果,速度挺快的,得到.tab和.txt文件
~/Qxy/qxyjiaoben/parsing_blast_result.pl --out-hit-confidence --suject-annotation uniprot_sprot.xml > uniprot_sprot.tab
~/Qxy/qxyjiaoben/gene_annotation_from_SwissProt.pl uniprot_sprot.tab > SwissProt.txt

2.3结果展示

最终得到.xml,.tab和.txt结果文件,.xml是最原始的结果,文件大,内容全,但是不方便阅读

.tab显示了每个蛋白比对到了谁,比对上多少,P值多少等等

.txt比较容易阅读,显示蛋白注释到的功能

 3.进行 COG / KOG 注释(真核生物用KOG进行注释)

3.1下载数据库 

wget https://ftp.ncbi.nih.gov/pub/COG/KOG/kyva 
#下载数据库
wget https://ftp.ncbi.nih.gov/pub/COG/KOG/fun.txt 
#下载对应注释文件,方便下游分析
wget https://ftp.ncbi.nih.gov/pub/COG/KOG/kog 
#下载对应注释文件,方便下游分析
makeblastdb -in kyva -input_type fasta -dbtype prot 
#为数据库构建索引
diamond makedb --in kyva -d kyva.diamond 
#用diamond先要生成一个对应文件

3.2正式分析

cd ~/Qxy/qxycexu/U.antarctica/funannotate
mkdir kog
cd kog
ln -s /ifs1/User/wuqi/Qxy/knowngenome/orthofinder/Umbilicaria_antarctica.proteins.fasta ./
diamond blastp --db ~/Qxy/KOG/kyva.diamond --query Umbilicaria_antarctica.proteins.fasta --out kog.xml --outfmt 5 --sensitive --max-target-seqs 200 --evalue 1e-5 --id 10 --tmpdir /dev/shm --index-chunks 1
#上面是用diamond进行balstp比对,挺快的,结果文件是.xml
~/Qxy/qxyjiaoben/cog_from_xml.pl --coverage 0.2 --evalue 1e-5  --db-fasta ~/Qxy/KOG/kyva --db-class ~/Qxy/KOG/kog --fun-txt ~/Qxy/KOG/fun.txt kog.xml
#运用该脚本生成.tab .annot .class 文件
cut -f 1,3,4 out.annot | ~/Qxy/qxyjiaoben/gene_annotation_from_table.pl - > KOG.txt
~/Qxy/qxyjiaoben/cog_R.pl --title "KOG Function Classification of Whole Genome Genes of Umbilicaria antarctica" --y-name "Number of Genes" out.class
#根据脚本画图,注意更改图片名字

3.3结果解读

KOG注释分为25个类别A-Z(没有X),结果文件是kog.xml,经过处理得到out.tab、out.annot、out.class

out.tab表格展示的是XX比对到XX,以及匹配开始结束、P值那些,比较详细

out.annot表格更加直观一些,就是XX注释到了XX,包含KOG编号

out.class展示的是这25大类分别包含哪些基因,且对应的KOG是谁

然后又汇总形成了KOG.txt,更具体,并进行作图

 注:这是对整个基因组进行了KOG注释,然后作图,意思就是在这整个基因组中,主要分了25大类,每一大类又分别含有哪些基因

这25大类注释依次是

A: RNA processing and modification RNA加工和修饰
B: Chromatin structure and dynamics 染色质结构和动力学
C: Energy production and conversion 能源生产和转换
D: Cell cycle control, cell division, chromosome partitioning
细胞周期调控,细胞分裂,染色体分裂
E: Amino acid transport and metabolism 氨基酸运输和代谢
F: Nucleotide transport and metabolism 核苷酸转运和代谢
G: Carbohydrate transport and metabolism 碳水化合物运输和代谢
H: Coenzyme transport and metabolism 辅酶运输和代谢
I: Lipid transport and metabolism 脂质转运和代谢
J: Translation, ribosomal structure and biogenesis 翻译、核糖体结构和生物发生
K: Transcription 转录
L: Replication, recombination and repair 复制、重组和修复
M: Cell wall/membrane/envelope biogenesis 细胞壁/膜/包膜生物发生
N: Cell motility 细胞运动
O: Posttranslational modification, protein turnover, chaperones 翻译后修饰,蛋白质周转,伴侣
P: Inorganic ion transport and metabolism 无机离子运输和代谢
Q: Secondary metabolites biosynthesis, transport and catabolism 次生代谢物的生物合成、运输和分解代谢
R: General function prediction only 一般功能预测
S: Function unknown 功能未知
T: Signal transduction mechanisms 信号转导机制
U: Intracellular trafficking, secretion, and vesicular transport 细胞内运输、分泌和囊泡运输
V: Defense mechanisms 防御机制
W: Extracellular structures 细胞外结构
Y: Nuclear structure 核结构
Z: Cytoskeleton 细胞骨架

4.进行eggNOG 注释 

零基础快速完成基因功能注释 / GO / KEGG / PFAM... - 简书 生信石头的教程

cd ~/Qxy/qxycexu/U.antarctica/funannotate
mkdir eggNOG
cd eggNOG

 !!!eggNOG官网的网页工具提交进行注释
http://eggnog-mapper.embl.de/提交蛋白序列 #注,蛋白序列用跑orthofinder的那些,每条都有物种名,上传序列、填写邮箱、!有一个邮件,点进去然后开始运行!,速度还行
start !!!要点击开始运行啊!!!(注:这次结果文件是自己选择download不同格式,我下载了xlsx格式,然后不用上传服务器了,直接本地操作就行)
运行结束之后会再发一个邮件,然后点击链接进去就行了,或者也可以隔一段时间看看网页是不是状态变成了done

#目标结果文件是out.emapper.annotations
#grep -v -P "^#" out.emapper.annotations | cut -f 1,8 > eggNOG.txt #这是跟着clf取了第1和第8列,知道基因和对应功能

我这次eggNOG结果文件是这样的
1)query:输入序列的名称。
2)seed_ortholog:匹配到的种子序列的注释信息。
3)evalue:输入序列与种子序列的匹配E-value阈值。
4)score:输入序列与种子序列的匹配得分。
5)eggNOG_OGs:与输入序列匹配的EggNOG orthologous groups(OGs)。
6)max_annot_lvl:在输入序列的注释中提供的最大注释级别。
7)COG_category:Clusters of Orthologous Groups(COG)分类。
8)Description:该序列的功能描述。
9)Preferred_name:该序列的首选或标准名称。
10)GOs:Gene Ontology(GO)注释信息。
11)EC:对应的酶学注释号。
12)KEGG_ko:对应的KEGG Orthology(KO)号。
13)KEGG_Pathway:KEGG通路信息。
14)KEGG_Module:KEGG模块信息。
15)KEGG_Reaction:KEGG反应信息。
16)KEGG_rclass:KEGG反应分类信息。
17)BRITE:BRITE功能层次结构注释。
18)KEGG_TC:KEGG传输物质分类信息。
19)CAZy:碳水化合物活性酶家族注释信息。
20)BiGG_Reaction:输入序列与BiGG数据库中的反应匹配的信息。
21)PFAMs:序列中与PFAM数据库匹配的信息。
这个应该是最新的版本,然后第一列、第10列GO号、第12列KO号比较重要,其他的后续分析可能会用到
(自己需要什么自己直接在EXCEL中提取就行了,别再上传服务器再写代码啥的,你又写不明白)

 

东西多着呢,一个eggNOG基本上把所有东西都注释出来了!

5.进行Interpro 注释 

5.1在线网站操作

进入Interpro网站 http://www.ebi.ac.uk/interpro/search/sequence/
但是该网站有个bug,一次只能提交25条序列,so用TBtools进行批量操作,粘贴序列,选择浏览器,设置输出目录,然后start就行
(!!!但是上面在线操作结果无法下载!!!) 

5.2服务器操作

#服务器操作
mkdir interpro
cd interpro
ln -s /ifs1/User/wuqi/Qxy/knowngenome/orthofinder/Umbilicaria_antarctica.proteins.fasta ./
# wget https://raw.githubusercontent.com/ebi-wp/webservice-clients/master/python/iprscan5.py
#在网上下载iprscan5.py脚本,然后还给服务器的python补充了个xmltramp2模块,然后就可以在服务器批量运行了
sed 's/\*//g' Umbilicaria_antarctica.proteins.fasta  > cleanseq.fa #先去除序列中的XX符号,but好像去了没去一个样
nohup python3 ~/Qxy/interpro5/iprscan5.py --multifasta Umbilicaria_antarctica.proteins.fasta --maxJobs 25 --useSeqId --email qiuxuyun21@mails.ucas.ac.cn --outformat tsv &
!!!要一直保持网络连接!!!一旦断网就不行了~
然后将cleanseq.fa文件传输到本地,利用TBtools中merge and split功能,传输XX.fa文件,选择输出文件前缀(输出目录在E盘TBtools文件夹下),选择Record for files,输入1000,则按照1000条序列来对原文件进行分割
nohup python3 ~/Qxy/interpro5/iprscan5.py --sequence output.0.split.fa --stype p --email qiuxuyun21@mails.ucas.ac.cn --outformat tsv &

 5.3结果解读

结果文件是.tsv,导到本地是这样,大概是将蛋白序列按照结构域或基因家族分类,不同库注释了一下

Interpro是集成了蛋白质家族、结构域和功能位点的非冗余蛋白质特征序列数据库, Interpro数据库成员包括Coils 、Gene3D、Pfam、PRINTS、ProSitePatterns、 ProSiteProfiles、 SMART、 SUPERFAMILY、 TIGRFAM、 ProDom、 PIR 数据库。采用 interproscan 软件可以对新蛋白质序列通过序列比对或者 HMM 算法等搜索与 interpro 蛋白质特征序列匹配预测蛋白质各种结构功能域、信号肽、跨膜特征、蛋白质螺旋结构等

这是加了一下首行标题的,自己参考别人注释文件加的 

6.进行GO注释分析和富集分析

#准备工作
mkdir ~/Qxy/go
cd ~/Qxy/go
wget http://purl.obolibrary.org/obo/go/go-basic.obo #下载go-basic.obo文件

 6.1整合eggNOG和InterPro中的GO注释结果

#输入文件是eggNOG的out.emapper.annotations、InterPro的interpro.tsv、go-basic.obo文件
go_from_eggNOG_and_interpro.pl ../04.eggNOG/eggNOG.emapper.annotations ../05.InterPro/interpro.tsv > go.annot
go_reducing_go_number_para.pl /opt/biosoft/go_class/bin/go-basic.obo go.annot 8 > go_reduced.annot
sort go_reduced.annot > go.annot; rm go_reduced.annot
gene_annotation_from_table.pl go.annot > GO.txt

6.2GO分类 
#输入go-basic.obo、go.annot、goslim_agr.obo,但是最后一个文件没找到
6.3GO富集分析
#需要有目的基因,上调or下调

(这是教材里的,做不下去了)

6.3.1用TBtools进行GO富集分析

「GO富集分析」从原理到实践 ~ 零基础掌握-CSDN博客

直接看原文,我的输入数据是根据eggNOG调整来的

GO-Slim这里选一下yeast,然后其他的根据教程输入就行

会得到一系列结果文件,然后不知道是什么bug,反正要自己手动将.final.xls文件补充一下

 然后继续用TBtools进行可视化

这里记得选pvalue最低的10个

 补充:

GO的结果展示可以是柱状图,也可以是有向无环图

这就是有向无环图,可以用TopGO做,但是我做出来结果不太理想,一片红或者是最后有0

 这个图的意思是这么看的~ 

7.KEGG注释及Pathway富集分析 

 7.1在线提交序列注释

KAAS网址:http://www.genome.jp/kaas-bin/kaas_main
Search program选择GHOSTX(快速且准确率高)
Quern sequences选择上传文件(还是用跑orthofinder的蛋白文件)
Query name命名这次注释工作
Email填写邮箱地址
GENES data set选择对应的下面这些
ani, afm, nfi, aor, ang, afv, pcs, pdp, cim, cpw, ure, pbl, abe, sce, ago, kla, kmx, lth, vpo, zro, cgr, ncs, tpf, ppa, dha, pic, pgu, spaa, lel, cal, yli, clu, clus, caur, slb, pkz
Assignment method选择BBH(双向匹配)
然后点击compute开始计算,然后会说Job Request,去邮箱里点击submit那个的链接进行提交,然后会得到Result结果链接

7.2富集分析

 需要准备KAAS注释文件、KEGG信号通路以及目标基因文件

7.2.1用TBtools进行富集分析

TBtools 实用教程 - 点点点,KEGG Pathway 通路富集分析 - 《TBtools Cookbook - TBtools 帮助手册教程》 - 极客文档

需要一个背景文件Fungi.20211128.TBtoolsKeggBackEnd

需要选择真菌Fungi

得到结果文件

也可以进行可视化

好像我的.final.xls文件有点问题,不如直接用不带后缀的文件

 8.CAZY annotation

使用在线网站进行注释dbCAN3网址:https://bcb.unl.edu/dbCAN2/(1和2都已经过时了)
点击Annoation进入注释页面,然后输入邮箱,选择比对模式(前三),输入序列,然后提交submit

好像前面eggNOG已经把CAZY给注释出来了

补充:碳水化合物活性酶(Carbohydrate-Active enzymes, CAZy)是一大类很重要的酶,分为糖苷水解酶类、糖基转移酶类、多糖裂解酶类以及糖酯酶类,具有降解、修饰及生成糖苷键的功能。(催化作用)

结果解读,得到XX.xlsx表,XX注释相关总表,XX.seq序列相关表

凡是在XX.xlsx表里的,都是被注释到是CAZY的,在表里可以看到这个网站分别用了HMMER、DIAMOND、dbCAN_sub三种方式进行比对,并给出相应结果,后面是信号肽,以及会统计得到了几种工具的结果,第2列EC那个,表示酶的名字

XX.seq是它对应的序列

9.Pfam注释

#para_hmmscan.pl --outformat --cpu 4 --hmm_db /opt/biosoft/hmmer-3.3.1/Pfam-A.hmm ../proteins.fasta > Pfam.tab

9.1下载安装Pfam数据库

wget ftp://ftp.ebi.ac.uk/pub/databases/Pfam/releases/Pfam33.1/Pfam-A.hmm.gz
gunzip -d Pfam-A.hmm.gz
hmmpress Pfam-A.hmm

9.2使用hmmscan进行Pfam注释

cd ~/Qxy/qxycexu/U.antarctica/funannotate
mkdir Pfam
cd Pfam
ln -s /ifs1/User/wuqi/Qxy/knowngenome/orthofinder/Umbilicaria_antarctica.proteins.fasta ./
~/Qxy/qxyjiaoben/para_hmmscan.pl --outformat --cpu 4 --hmm_db ~/Qxy/Pfam/Pfam-A.hmm Umbilicaria_antarctica.proteins.fasta > Pfam.tab
cut -f 1,2,7 Pfam.tab | perl -e '<>; print <>' | ~/Qxy/qxyjiaoben/gene_annotation_from_table.pl - > Pfam.txt

这个前面eggNOG也注释了,但是好像有点不太一样,这个更具体一些

10.真菌的 Transcription Fatcor 注释(需要interpro的结果文件)

cd ~/Qxy/qxycexu/U.antarctica/funannotate
mkdir TF
cd TF
interpro2tf_for_Fungi.pl ../functional_annotation.InterPro.tab --out_prefix TF

11.分泌蛋白注释

这是一个层级筛选过程,分泌蛋白都有信号肽,so先分析信号肽;再分析跨膜区,要是有跨膜区则会被固定到膜上,不会成为分泌蛋白,所以要选择没有跨膜区的;再分析GPI锚定位点,选择没有的,不然也会被固定在膜上,无法分泌出去;最后进行亚细胞定位,选取定位到胞外的蛋白作分泌蛋白基因,得到最终结果。

11.1信号肽注释,分泌蛋白都具有信号肽

cd ~/Qxy/qxycexu/U.antarctica/funannotate
mkdir secreted_protein
cd secreted_protein
mkdir singalp
cd singalp
ln -s /ifs1/User/wuqi/Qxy/knowngenome/orthofinder/Umbilicaria_antarctica.proteins.fasta ./
signalp -batch 30000 -org euk -fasta Umbilicaria_antarctica.proteins.fasta -gff3 -mature
#运行速度还行,跑完后生成XX.gff3、XX_mature.fasta、XX_summary.signalp5文件

结果文件XX.gff3是注释信息

XX.fasta是找到的分泌蛋白信号肽序列

XX.signalp5也是预测结果文件

11.2跨膜区分析,有跨膜区的会固定在膜上,无法成为分泌蛋白

在线网站DeepTmhmm分析跨膜区,网址:https://dtu.biolib.com/DeepTMHMM(自己说的1和2不太行,现在推荐DeepTmhmm)
直接输入上一步得到的Umbilicaria_antarctica.proteins_mature.fasta然后run
运行结束后download下载gff3格式和3line格式,查看后感觉gff3格式中可以根据Number of predicted TMRs: 1来判断是否被固定在膜上,数为0则是分泌pr

mkdir TMHMM
cd TMHMM
将TMRs.gff3上传至服务器,运行下列代码
grep "Number of predicted TMRs: 0" TMRs.gff3 | perl -p -e 's/#\s+(\S+).*/$1/' > genes_without_TMHs.list
ln -s ../singalp/Umbilicaria_antarctica.proteins_mature.fasta ./
grep -A 1 -f genes_without_TMHs.list -w Umbilicaria_antarctica.proteins_mature.fasta > Umbilicaria_antarctica.proteins_tmhmm.fasta
#创建一个链接,然后从上一步singalp结果文件XX.mature.fasta中根据genes.list去得到tmhmm过滤后的分泌蛋白序列

11.3分析GPI锚定位点,GPI锚定蛋白和膜结合,从而固定到膜上,不会成为分泌蛋白

mkdir PredGPI
cd PredGPI

 在线网站Predgpi直接进行预测,网址:https://busca.biocomp.unibo.it/predgpi/ (教材上给的网站都有误,自己扒拉了一个低配版)
但是!该网站一次只能运行100条序列,so需要将上一步得到的XXtmhmm.fasta文件传输到本地,手动分割一下序列,然后在Predgpi网站进行预测
速度较快,完成后可以在线查看预测结果,download下载csv格式(fasta格式下载为空!)
然后打开excel表,手动整理得到被预测为GPI-anchor的序列名称文件predGPI.list,传输到服务器,从Umbilicaria_antarctica.proteins_tmhmm.fasta中反向匹配删除
#注!notepad++删除空行可以点击上方Edit编辑,选择line Operations,然后选择Remove Empty lines就可以啦!

ln -s ../TMHMM/Umbilicaria_antarctica.proteins_tmhmm.fasta ./
grep -v -e "--" -f predGPI.list Umbilicaria_antarctica.proteins_tmhmm.fasta > Umbilicaria_antarctica.proteins_predGPI.fasta
#创建一个链接,从上一步tmhmm结果中过滤得到no GPI的序列,并且去除--行

11.4进行亚细胞定位,选取定位到胞外的蛋白作为分泌蛋白基因

mkdir 4BUSCA
cd 4BUSCA
将上一步XX.predGPI.fasta文件传输到本地,进入BUSCA在线网站进行分析,一次最多可以分析500条序列
网址:http://busca.biocomp.unibo.it/ ,选择序列文件,选择FUNGI类型,然后start prediction
运行完成后,将CSV文件传输到服务器
perl -e '<>; while (<>) { @_ = split /,/; $stats{$_[2]}{$_[0]} = 1; } foreach (sort keys %stats) { @gene = sort keys %{$stats{$_}}; my $gene_number = 0; $gene_number = @gene; print STDERR "$_\t$gene_number\n"; if ($_ eq "C:extracellular space") { foreach (@gene) { print "$_\n"; } } }' BUSCA.out.csv > extracellular_gene.list 2> BUSCA.out.csv.stats
ln -s ../3PredGPI/Umbilicaria_antarctica.proteins_predGPI.fasta ./
grep -A 1 -f extracellular_gene.list -w Umbilicaria_antarctica.proteins_predGPI.fasta | grep -v -- "--" > Umbilicaria_antarctica.proteins_BUSCA.fasta
最后得到的Umbilicaria_antarctica.proteins_BUSCA.fasta即为分泌蛋白的名称和序列,可以看看其相关功能等~

最后拿到的.fasta文件就是想要的分泌蛋白基因啦!!!

第七章 基因注释与功能分类 文章目录i. 基因与基因组功能注释a. 基因功能的定义i. 分子功能(生化功能/分子活性)ii. 生物学功能(所有的细胞过程都要求蛋白质有条不紊地按一定程序来执行它们的功能)iii. 细胞组间b. 基因功能注释c. 功能基因组学d. 基因组功能注释ii. 基因功能注释数据库a. GO数据库i.内容,背景目的ii.本体论iii.GO中基因功能注释的特点a) go结点包括b) term调控关系(regulate)及其推导c) 本体结构d) True Path RuleiV.GO的三个本体论V.GO数据库的使用a 阅读详情

相关推荐

COG中英文对照表

A:RNA加工修饰。RNA processing and modification. B:染色质结构和动力学。Chromatin structure and dynamics. C:能量生成和转换。Energy production and conversion. D:细胞周期控制、细胞分裂和染色体分裂。Cell cycle control, cell division, chromosome partitioning. E:氨基酸转运代谢。 Amino acid transport and meta...

weixin_42480153的博客 1万+

基因组注释3.基因的功能注释Prokka

基因组注释的前两篇为大家讲解了关于基因组组成成分分析(包括重复序列的识别、非编码基因和编码基因预测等)的内容,今天,将重点介绍如何进行基因的功能注释。基因的功能注释获得基因结构信息后,...

刘永鑫的博客——宏基因组公众号 1万+

InterProScan蛋白质功能注释:从原理到实战部署与结果解读

蛋白质功能注释是生物信息学分析中的核心环节,旨在解读蛋白质序列中隐藏的生物学功能信息。其基本原理是通过将目标序列与已知功能的蛋白质家族、结构域数据库进行比对,识别保守的功能模块。这一过程依赖于隐马尔可夫模型(HMM)等算法,能够高效、敏感地检测远缘同源关系。该技术的核心价值在于将海量的、无注释的序列数据转化为具有生物学意义的假设,极大地加速了功能基因组学和蛋白质组学的研究进程。在应用层面,它被广泛用于基因家族分类、功能位点预测、结构域组成分析以及为后续的实验验证和功能富集分析提供关键输入。例如,在分析植物抗

weixin_33755557的博客 404

NR数据库的物种注释

NR数据库的物种注释 1.创建NR子库 为什么要创建nr或nt数据库的子库,因为这两个库数据量巨大,若只专注某个领域而非全部,则在对自身领域进行注释时就会耗费大量时间,为了节省时间,就需要在原来nr/nt数据库的基础上构建相对的子库。 构建方法如下: 方法一:从NCBI官网下载相应物种的Accession ID 在2017年之后的nr/nt数据库变成不再支持gi号搜索的。所以我们不可以根据gi号来分离并构建对应的子库,那么我们就需要查看新版本的nr/nt库的序列的id特征,发现他们变成了accessio

songyi10的博客 1万+

single cell ATAC(13)ArchR的ChromVAR偏离富集分析

ChromVAR的作用:ChromVAR是一个R包,用于分析单细胞ATAC-seq数据中的转录因子(TF) motif富集情况。它可以帮助我们预测在感兴趣的细胞类型中哪些调控元件最为活跃。ChromVAR的局限性:ChromVAR最初是为早期单细胞ATAC-seq数据开发的,这些数据通常只有几百个细胞。随着技术的发展,现在的实验可以产生成千上万个细胞的数据,这使得ChromVAR在处理大规模数据时面临内存和计算速度的挑战。ArchR的解决方案。

2302_80012625的博客 1317

2021.05.11丨COG分析柱状图绘制

目录摘要环境与方法文档准备分类简称及描述比对结果使用代码结果展示总结 摘要 在RNA-seq项目中,需要将差异基因比对到各个数据库当中,生成相应的注释结果和图像,便于深度挖掘信息。COG(Cluster of Orthologous Groups ofproteins 同源蛋白簇)数据库可以帮助了解蛋白功能甚至进化关系(细/真菌)。此次记录一下COG分类图的绘制方法 环境与方法 R version 3.6.1 (2019-07-05) 文档准备 分类简称及描述 # Code Name

5733

富集分析和基因表达花样可视化

GOplot包介绍 GOplot包用于生物数据的可视化。更确切地说,该包将表达数据与功能分析的结果整合并进行可视化。但是要注意该包不能用于执行这些分析,只能把分析结果进行可视化。在所有科学领域,由于空间限制和结果所需的简洁性,切实地去描述事物很难,所以需要将信息进行可视化,使用图片来传达信息。精心设计的图形能在更小的空间提供更多的信息。该包的设想就是能让用户快速检查大量数据,揭示数据的趋势和找出数...

悟道西方 8398

匈牙利算法解决指派问题清晰流程

匈牙利算法解决指派问题清晰流程 百度词条上,指派问题(Assignment problem)是这么定义的:在满足特定指派要求条件下,使指派方案总体效果最佳。如:有若干项工作需要分配给若干人(或部门)来完成;有若干项合同需要选择若干个投标者来承包:有若干班级需要安排在若干教室里上课等。   一、做减法(归约): 行归约:每行元素减去该行最小元素。 列归约:每行元素减去该行最小元素。

siss0siss的博客 6万+

r语言进行go富集分析_GO富集分析可视化:R语言GOplot包——准备自己的数据

GO注释和富集分析GO注释和富集分析使用TBtools完成,具体步骤可以参考TBtools作者在腾讯课堂开设的一系列视频课程本文使用的数据是甜樱桃叶绿体蛋白编码基因做GO注释,然后挑部分基因做富集分析,挑选的基因是rpoC1rpoBrpoArpoC2atpIatpFatpEatpHatpBatpAaccDrbcLrpl22rpl23rpl20rps8rps7rps16rps15rps14rps18...

weixin_39868663的博客 1967

【配环境】ubuntu18.04 3080ti显卡+cuda+cudnn+torch

1.打开系统设置中的software & updates点击 System Settings,选择 Additional Drivers 标签,下面会列出当前显卡可用的驱动版本。 注意:3080ti建议不要安装最新版本驱动 点击Apply Changes即可安装; 注意:3080ti只能装cuda11.x 修改软连接修改系统使用的cuda 卸载老版本cuda 重新查询看是否卸载成功 显卡驱动及CUDA Toolkit最高对应版本 查询驱动版本............

sinat_41670685的博客 3914

Python实战:高效稳定采集微信视频号评论的API爬虫方案

网络爬虫是数据采集领域的核心技术,其原理是通过程序模拟浏览器行为,向目标服务器发送HTTP请求并解析响应数据,从而自动化获取网页或接口中的信息。这项技术的核心价值在于能够高效、批量化地收集公开数据,为市场分析、舆情监控和竞品研究提供数据基础。在社交媒体分析、电商价格监控等应用场景中,爬虫技术尤为重要。针对微信视频号这类动态加载的复杂应用,传统的GUI自动化工具(如影刀RPA)常面临性能瓶颈和风控挑战。本文聚焦于通过Python实现**无感采集**,直接与后端**API接口**交互,构建稳定高效的评论数据采集

weixin_30899023的博客 336

【生物信息学】基因富集分析enrichment

本实验完成了基因富集分析

天地玄黄 魑魅魍魉 风花雪月 商角徵羽 1195

【UE5 C++开发指南】从零配置Visual Studio 2022开发环境

本文详细指导如何从零开始为UE5 C++开发配置Visual Studio 2022环境。文章强调了VS2022与UE5的深度兼容性,并逐步讲解了社区版下载、核心工作负载(如“使用C++的游戏开发”)与组件安装、界面优化、专属工具设置以及首个C++项目的创建与验证流程,帮助开发者高效搭建专业开发环境。

weixin_29016865的博客 405

赠你一只金色的眼 - 富集分析和表达数据可视化

GOplot包介绍 GOplot包用于生物数据的可视化。更确切地说,该包将表达数据与功能分析的结果整合并进行可视化。但是要注意该包不能用于执行这些分析,只能把分析结果进行可视化。在所有科学领域,由于空间限制和结果所需的简洁性,切实地去描述事物很难,所以需要将信息进行可视化,使用图片来传达信息。精心设计的图形能在更小的空间提供更多的信息。该包的设想就是能让用户快速检查大量数据,揭示数据的趋势和找出数...

悟道西方 4071

Keil5保姆级安装指南:从破解到STM32开发环境配置(附常见错误解决方案)

本文提供Keil5从安装到STM32开发环境配置的完整指南,包含破解步骤、常见错误解决方案及多芯片支持配置。详细讲解环境预检、核心安装、许可证管理及高效开发环境设置,帮助开发者快速搭建嵌入式开发平台。特别针对安装和卸载过程中的关键问题提供专业解决方案。

weixin_30369041的博客 130

Python实战:打造学生信息管理系统

通过本教程,我们构建了一个简单的学生信息管理系统,实现了基本的添加、删除、修改和查询功能。当然,这个系统还有很多可以改进和扩展的地方,比如添加用户界面、增加数据持久化功能、支持批量操作等。简介:本文将介绍如何使用Python编写一个功能齐全的学生信息管理系统,包括添加、删除、修改和查询学生信息的基本操作。学生信息管理系统是学校日常管理中不可或缺的一部分,它能够帮助管理人员快速、准确地管理学生信息,提高工作效率。为了实现上述功能,我们可以设计一个包含学生信息的字典,并使用函数来封装各个操作。

铭渊老黄 1495

GSEApy基因富集分析工具完全指南

GSEApy是一款强大的Python/Rust实现的基因集富集分析工具,专门用于RNA-seq、ChIP-seq和微阵列数据的分析。该工具能够方便地进行GO富集分析,并生成高质量的出版级图表,是生物信息学研究和生物医学数据分析的重要工具。 ## 核心功能模块 GSEApy提供七个主要的分析模块,每个模块针对不同的分析需求: - **gsea模块**:执行标准基因集富集分析,需要表达矩阵txt

gitblog_00186的博客 862

Android12 适配 usb 触屏

在 Android 系统中,输入设备 IDC(Input Device Configuration)设备描述文件(.idc)是用于配置和定义输入设备行为和属性的文本文件。 该文件通常在`/system/usr/idc/` 或 `/vendor/usr/idc/`,具体位置因芯片厂商SDK而异。一般情况此类文件是预置到系统,开发者 root 权限才能修改这些文件。输入设备 IDC 设备描述文件在 Android 系统中起到了识别、配置、映射和定制输入设备的作用,使得系统能够准确解析和处理各种输入设备的事件,提

weixin_35723192的博客 1238

gsea富集分析结果怎么看_豆豆学习GSEA

今天是生信星球陪你的第521天 大神一句话,菜鸟跑半年。我不是大神,但我可以缩短你走弯路的半年~ 就像歌儿唱的那样,如果你不知道该往哪儿走,就留在这学点生信好不好~ 这里有豆豆和花花的学习历程,从新手到进阶,生信路上有你有我!豆豆写于2020.1.22-23自从上次写过豆豆在UM的第一天就开始了适应过程,到现在也适应差不多了,一切步入正轨,赶在过年之前发一波我们经常听说:...

weixin_39569076的博客 2295

上位机介绍:C# 开发者的必知基础

上位机是指在工业控制系统中,位于上层、负责人机交互和数据管理的计算机/软件,与“下位机”(PLC、传感器、变频器、单片机等硬件设备)相对应,核心是“向下通信控制设备,向上展示交互数据”。下位机:一线干活的“工人”(执行采集、控制指令);上位机:指挥管理的“办公室人员”(发指令、看数据、做报表)。C#开发者掌握上位机开发的核心是“通信+UI+稳定性基础层:搞懂WinForms/WPF基础、串口/Modbus通信,能实现核心功能;进阶层:掌握分层设计、异步编程、工业级容错(断线重连、数据校验);

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1563

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

跟着Nature Genetics学生信分析 | 挖掘大麦泛转录组,探寻基因功能与性状关系

大麦是全球重要的农作物,其遗传多样性对农业生产至关重要。近年来,基因组学技术的发展为大麦的遗传研究提供了新的机遇,泛基因组的研究有助于深入理解大麦的遗传变异。今天我们就一起来学习下面这篇关于“剖析大麦泛转录组,洞察遗传与转录互作机制”文章的研究思路和生信分析方法。论文链接:https://doi.org/10.1038/s41588-024-02069-y大麦泛转录组数据库(PanBaRT20):...

公众号/简说基因,知乎/简宝玉 1420

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

SCS【29】单细胞基因富集分析 (singleseqgset)

桓峰基因公众号推出单细胞生信分析教程并配有视频在线教程,目前整理出来的相关教程目录如下:Topic 6. 克隆进化之 CanopyTopic 7. 克隆进化之 CardelinoTopic 8. 克隆进化之 RobustCloneSCS【1】今天开启单细胞之旅,述说单细胞测序的前世今生SCS【2】单细胞转录组 之 cellrangerSCS【3】单细胞转录组数据 GEO 下载及读取SCS【4】单细...

weixin_41368414的博客 1695

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

GSEApy富集分析原理与KEGG通路深度解构实战

基因集富集分析(GSEA)是功能解释差异表达结果的核心方法,其本质并非简单统计通路基因占比,而是基于排序-累积的加权行走模型,通过ES(富集分数)和NES(归一化富集分数)量化生物学过程的系统性扰动。理解GSEApy底层原理——包括排序指标选择、置换检验逻辑、数据库版本一致性及基因ID映射规范——直接决定结果的可重复性与机制可信度。结合KEGG的MODULE功能模块、BRITE组织分类与实时API校验,可突破静态通路图局限,实现从‘富集显著’到‘正负调控失衡’的精细解读。本实践聚焦GSE54637结直肠癌数

weixin_34221276的博客 758

使用R语言绘制富集条形图,轻松分析基因表达数据

通俗来说,富集分析通过将基因分类到特定的集合中,然后根据基因在集合中的分布和总体分布的比较,来寻找哪些集合与特定的生物过程、疾病或其他功能相关联。随着大数据时代的到来,富集分析与富集条形图成为了分析工具的基石之一,如生物医学信息学中的疾病诊断、药物研发、基因功能验证等等,都需要富集条形图进行数据展示,以辅助我们进行快速准确的数据分析与解读。富集条形图是一种可视化富集分析结果的工具。此外,绘制富集条形图时,还可以根据不同的颜色映射,显示富集通路的基因数目和富集通路的显著水平,更直观地为数据提供了参考。

笑不语的博客 4040
上一篇: (24)放射盘石耳基因与南极石耳基因相对【本地blast大法】
琉璃月月呀
博客等级 码龄8年 172粉丝 23原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址