如何使用Orthomcl查找同源基因

這篇文章主要介紹了如何使用Orthomcl查找同源基因，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

OrthoMCL介紹

OrthoMCL (http://orthomcl.org/orthomcl/) （v2.0版本）是現在用的最多的一款來找直系同源基因（Orthologs）以及旁系同源基因 (Paralog) 的軟件。

根據官網的教程需要十多步來完成整個運行流程，但是絕大部分的工作都有代碼可以用，按照他的步驟來，還是很省心的。話不多數，接下來就以蛋白質序列為例，詳細介紹Orthomcl的使用。

輔助模塊

Orthomcl需要的linux詳細配置，簡單敘述。

　　系統：unix

　　BLAST：我們推薦NCBI的 BLAST，

　　Database：oracle 或 mysql，下文我們選擇mysql來進行闡述.

　　Hardware：內存4G，硬盤100G

　　MCL程序

軟件安裝

（1）Mysql安裝

Orthomcl需要用到數據庫，對數據庫不太了解也沒關系，只要能夠安裝好數據庫、并使用簡單的幾條SQL語句就可以了，較復雜的工作都有程序直接完成。具體安裝過程就不說啦。

（2）安裝mcl

下載地址在 http://www.micans.org/mcl/src/mcl-latest.tar.gz，自動獲取最新版。

./configure
make
make install

　　#注意出現make[] Nothing to be done for '***'

　　　　　　　make[] leaving directory '***'

　　不是make錯誤！make時最好用root權限，即在make前加sudo  

（3）安裝Orthmcl：

下載鏈接：http://orthomcl.org/common/downloads/software/v2.0/orthomclSoftware-v2.0.9.tar.gz

使用以下命令解壓：

tar -xf orthomclSoftware-v2.0.9.tar.gz

解壓完成后的文件夾下包括bin config doc lib 四個文件夾，可以將bin目錄加到環境變量里，方便以后操作：

cd ~
echo "export PATH=$PATH:/home/wangq/.../orthomclSoftware-v2.0.9/bin" >> .bashrc
source .bashrc

之后可以在Orthomcl software主文件夾或其它地址下創建文件夾作為工作目錄，這里以官網文檔的my_orthomcl_dir為例。把/doc/OrthoMCLEngine/Main/orthomcl.config.template文件復制到my_orthomcl_dir下，命令如下：[路徑：解壓后的orthomclSoftware-v2.0.9]

mkdir my_orthomcl_dir
cp /doc/OrthoMCLEngine/Main/orthomcl.config.template my_orthomcl_dir/orthomcl.config  #復制并重命名為orthomcl.config

修改orthomcl.config：

# this config assumes a mysql database named 'orthomcl'.  adjust according
# to your situation.
dbVendor=mysql                #使用的數據庫為mysql，若為oracle，則改成oracle
dbConnectString=dbi:mysql:orthomcl        #連接到mysql里的orthomcl數據庫  
dbLogin=wangq                             #數據庫的用戶名
dbPassword=123                            #與用戶名相對應的密碼
similarSequencesTable=SimilarSequences    #下面都是中間產生的各種表
orthologTable=Ortholog
inParalogTable=InParalog
coOrthologTable=CoOrtholog
interTaxonMatchView=InterTaxonMatch
percentMatchCutoff=50     #Coverage cutoff值 這里選擇50%的Coverage，視你自己而定
evalueExponentCutoff=-5   #blast 篩選的e-value  用過blast的都不默認
oracleIndexTblSpc=NONE

具體操作

具體操作步驟包括創建數據庫、轉換序列格式、過濾、比對、解析結果和聚類等步驟，詳細說明如下：

（1）創建數據庫并建表

這一部分就是依據剛才配置的config文件，對mysql進行配置，在數據庫里建立一些空表，Note：在做這步前，請先在你的mysql中新建一個數據庫，如create database orthomcl，下面我就使用這個數據庫來操作數據。

mysql -u root -p　　                #先用root登錄創建名為orthomcl的數據庫
mysql> create database orthomcl;
mysql> grant all on orthomcl.* to 'wangq'@'%';  
          #賦予wangq用戶操作orthomcl數據庫的所有權限，wangq處為用戶名，%代表任何主機
orthomclInstallSchema orthomcl.config mysql.log species　　
          #執行orthomclInstallSchema命令，按照orthomcl.config的配置，在數據庫中
          創建表，mysql.log記錄日志文件（選） species為每個表名后加物種名（選）

（2）格式化orthomcl輸入文件

我們使用多個物種所有基因的蛋白質序列查找同源基因，數據來源于轉錄組或數據庫下載。該步將會將你的pep文件轉換為orthmcl所要求的文件，其實也就是一個改寫的過程，格式要求為如下：

>taxoncode|unique_protein_id　    #taxoncode為物種代碼一般為3-4個字母 unique_protein_id為蛋白id，taxoncode和蛋白id之間用|隔開
MFAXGETHFD..........

例如：

>Dha|CAG25565
MFAXGETHFD..........

使用orthomclAdjustFasta程序可以把fasta格式的序列文件轉換成orthomcl的標準格式，轉換格式前先在my_orthomcl_dir目錄下創建名為compliantFasta的文件夾，命令如下：

mkdir compliantFasta
cd compliantFasta
orthomclAdjustFasta hsa ../Homo_sapiens.NCBI36.53.pep.all.fa 1　　
#hsa為物種代碼;***.fa為序列文件，存放在my_orthomcl_dir目錄下;1代表在id前加物種名和|

執行完上述命令后，產生的文件為hsa.fasta存放在compliantFasta目錄下。compliantFasta文件夾下存放各個物種的蛋白組，如Hsa.fasta Dha.fasta Ali.fasta Kla.fasta......

（3）過濾序列

使用orthomclFilterFasta命令對compliantFasta文件夾下的序列進行過濾，orthomcl的推薦規則是允許protein序列最短長度為10，stop coden占的最大比例為20%，命令會在my_orthomcl_dir目錄下產生goodProteins.fasta和poorProteins.fasta，goodProteins.fasta文件中包含所有comliantFasta文件夾下經過篩選的物種蛋白組。

orthomclFilterFasta compliantFasta/ 10 20

（4）blast比對

用goodProteins.fasta建庫，并與自身比對。由于數據量較大，比對時間可能會比較長，一兩天都是正常的，小伙伴們請耐心等待！

makeblastdb -in goodProteins.fasta -dbtype prot -title orthomcl -parse_seqids -out orthomcl -logfile orthomcl.log　　
#以goodProteins.fasta為序列文件，創建名為orthomcl的blast數據庫
blastp -db orthomcl -query goodProteins.fasta -seg yes -out orthomcl.blastout -evalue 1e-5 -outfmt 7 -num_threads 24　　
#goodProteins.fasta對orthomcl庫做blast，產生的結果文件為orthomcl.blastout（自身對自身做blast，找出目標物種間的同源基因）

（5）處理blast產生的結果

orthomclBlastParser blastresult compliantFasta > similarSequences.txt

#使用orthomclBlastParser命令引入compliantFasta文件夾下文件，生成similarSequences.txt文件，找出相似性序列，輸出文件從第1列到第8列分別是：query_id, subject_id, query_taxon, subject_taxon, evalue_mant, evalue_exp, percent_ident, percent_match。

（6）相似性序列載入mysql數據庫

orthomclLoadBlast orthomcl.config similarSequences.txt　　#將數據導入數據庫中

（7）尋找成對蛋白質

orthomclPairs orthomcl.config orthomcl_pairs.log cleanup=no　　#此命令對數據庫中的表進行操作

（8）將數據從mysql數據庫中導出

orthomclDumpPairsFiles orthomcl.config　　

此命令會在my_orthomcl_dir下生成一個mclInput文件和一個pairs文件夾，pairs文件夾下包含coorthologs.txt和inparalogs.txt和orthologs.txt三個文件。

（6）（7）（8）三步是對數據庫的操作，不懂沒關系，照做就可以了。

（9）使用mcl對pairs進行聚類

mcl mclInput --abc -I 1.5 -o mclOutput

（10）提取mcl的結果，生成group.txt文件

orthomclMclToGroups Fungi 1 < mclOutput > groups.txt　　
#生成groups.txt文件，每個同源組的編號從Fungi1開始，依次遞增

至此orthomcl程序運行完畢，產生的groups.txt即為即為最終結果文件，可對其進行各種數據操作，例如提取單拷貝的直系同源基因，只需要判斷同源組中包含研究的所有物種，且每個物種都只有一個基因，這樣的就是一組單拷貝的直系同源基因啦。

感謝你能夠認真閱讀完這篇文章，希望小編分享的“如何使用Orthomcl查找同源基因”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!