就基因家族工作做一简单介绍

基本思路

数据准备

确定好研究的基因家族后（比如：NBS，MADS-box etc.），下面就可以下载相关数据。

• 所研究物种的基因组序列； genome.fa
• 所研究物种蛋白序列；pep.fa
• 所研究物种gff文件
• 目标基因家族的隐马科夫模型
• or RefSeq 对应基因家族的蛋白序列

对应基因组信息可根据发表文章中提供的路径进行下载即可；

对于隐马科夫模型可以从Pfam进行下载（比如：NBS）
点击BROWSE后，进行搜索NBS即可；本次下载PF00931

下载RefSeq对应抗病序列如下所示；

或者下载RefSeq植物所有信息，根据注释信息选取相关序列
见基因功能注释

鉴定家族成员

• 基于保守结构模型进行鉴定

所用工具为hmmer
hmmbuild/hmmsearch/hmmscan/hmmalign 这几个功能是主要用于蛋白质结构与分析和注释的hmmer中小工具

软件安装

conda  install -c bioconda hmmer=3.3

在鉴定基因家族时，常用到的工具是hmmsearch，里面常用的算法有三种。一般我们使用--cut_tc算法对隐马可夫模型进行搜索，tc算法是使用pfam提供的hmm文件中trusted cutoof的值进行筛选，相对比较可靠。

以2015年发表文章Identification and distribution of the NBS-LRR gene family in the Cassava genome为例，解析其步骤。

分析流程如下图所示

首先根据NB-ARC 模型，利用hmmersearch 筛选质量较高的基因（E-value < 1 × 10−20）。 而后使用clustalw2对高质量的序列进行多序列比对，多序列比对后，对这些置信的序列进行隐马可夫模型的构建（使用hmmbuild），最后用新建的模型，重新对所需基因进行筛选。

第一步 筛选高质量NBS基因

## hmmersearh进行搜索
hmmsearch --cut_tc --domtblout NBS-ABC.out NBS-ARC.hmm \
             Arabidopsis_thaliana.TAIR10.pep.all.fa

# --cut_tc: use profile's TC trusted cutoffs to set all thresholding
# --domtblout <f>  : save parseable table of per-domain hits to file <f>

## 根据e-value 筛选高质量基因
grep -v "#" NBS-ABC.out|awk '($7 + 0) < 1E-20'|cut -f1 -d  " "|sort -u > NBS-ARC_qua_id.txt

第二步：使用clustalw2进行多序列比较,构建新模型

比对具体步骤请看序列比对和构建进化树（clustalw和phylip）

hmmbuild NBS-ARC.second.out  NBS-ARC_qua.aln 

hmmsearch --cut_tc --domtblout NBS-ARC.second.out \
           NBS-ARC_qua.hmm ../Arabidopsis_thaliana.TAIR10.pep.all.fa

第三步：再次进行过滤

grep -v "#" NBS-ABC.second.out|awk '($7 + 0) < 1E-03' | cut -f1 -d " "|sort -u >final.NBS.list

• 基于同源注释

简而言之，利用已知的NBS基因作为ref，进行blastp比对

如果要取得可信度较高的结果，可讲上述两种方法得到的基因取交集即可

com m -12 gene1 gene1 >common.list

欢迎扫码交流

参考

• 基因家族专题(3)：基因家族成员的鉴定