By liyupeng, 29 July, 2025
Forums
Researches

香榧已有注释文件说明书

香榧雌树基因组注释

NC版本

  1. 第一版本，发表在NC上的注释文件，id名是以evm开头的注释内容。
    1. TheTorreya grandisgenome illuminates the origin and evolution of gymnosperm-specific sciadonic acid biosynthesis
  2. 注释流程
    1. 重复序列注释
      1. 重复序列的识别结合了de novo预测与同源比对两种方法。对于LTR逆转录转座子（LTR-RTs）和其他转座元件（TEs），使用了 LTR_Finder 和 RepeatModeler 进行预测。串联重复序列（Tandem repeats）则通过 TRF（Tandem Repeats Finder） 进行识别，同时还使用 RepeatProteinMask 以检测具有蛋白水平证据的重复序列。
      2. 通过de novo方法预测得到的重复序列与 Repbase 数据库中的重复序列进行了合并，构建了一个综合的重复序列库。随后使用 RepeatMasker 对全基因组进行重复序列的掩蔽和注释。
    2. 蛋白编码基因注释
      1. 在基于转录组的证据部分，原始的 RNA-seq 数据首先使用 Trimmomatic（v0.36）进行质量控制，去除低质量序列和接头序列。清洗后的高质量 reads 随后使用 TopHat2 比对到香榧（Torreya grandis）参考基因组上，并利用 Cufflinks（v2.2.1）构建初步的转录本模型。为了进一步提高注释精度，这些 RNA-seq 数据还通过 Trinity（v2.0.13）进行 de novo 组装，然后将 Trinity 组装结果与参考基因组比对。最终，这些转录本结构信息通过 PASA（v2.2.0）管道整合，生成更加完整和精确的转录本注释。
      2. 在基于同源性的注释方面，来自13个代表性物种的蛋白质序列被用于辅助香榧基因组的注释。这些蛋白质序列使用 TBLASTN 比对到香榧基因组，筛选条件为 e-value 小于 1e-5。对于来自同一蛋白的高得分比对片段（HSPs），使用 GenBlastA 进行聚类，然后通过 GeneWise 精确预测对应的基因结构。这13个物种包括：1种苔藓植物（Physcomitrella patens）、1种石松植物（Selaginella moellendorffii）、7种被子植物（Amborella trichopoda、Arabidopsis thaliana、Oryza sativa、Phalaenopsis equestris、Populus trichocarpa、Vitis vinifera 和 Zea mays），以及4种裸子植物（Ginkgo biloba、Gnetum montanum、Picea abies 和 Pinus taeda）。
      3. 在 ab initio 基因预测中，所有由 PASA 管道获得的完整基因结构被用于训练主流 ab initio 基因预测软件，包括 AUGUSTUS、GlimmerHMM 和 SNAP。其中，AUGUSTUS 在预测时设置了 -noInFrameStop=true 和 -genemodel=complete 参数，而其余软件则使用默认参数。此外，还采用了 geneid 和 GENSCAN 进行额外的 ab initio 预测，以提升注释的全面性和覆盖度。
      4. 所有来自不同证据来源的预测结果最终通过 EVidenceModeler（EVM）进行综合整合。为了反映不同证据的可信度，在整合过程中为各类预测数据分配了不同的权重：PASA 为100，GeneWise 为20，Cufflinks 为20，AUGUSTUS 为5，而其他 ab initio 预测工具（包括 GlimmerHMM、SNAP、GeneID 和 GENSCAN）统一赋值为1。通过这种加权整合方式，最终获得了高质量、可靠性强的香榧蛋白质编码基因注释结果。
  3. 吾辈的记录文本不见了，所以找不到服务器上香榧第一版注释的原始路径了，这里只有我的备份路径
/data2/liyupeng/alice/database/torreya_nc

NCC版本

  1. 根据NC版本的注释文件提取的cds，使用脚本去除cds不完整（缺少起始密码子或者终止密码子）的内容，保留具有完整cds结构的基因的注释内容，然后对这些基因进行重命名。
  2. 具体的筛选以及重命名的流程：https://www.kdocs.cn/l/cdJRauELhrfX
  3. 文件路径：
/data2/liyupeng/alice/output/gff_convert/gff.convert.1205

BA版本

  1. 重注释的第一版本
  2. 注释流程
    1. 重复序列注释
      1. 重复序列的注释结合了 de novo 预测与同源比对方法。对于长末端重复逆转录转座子（LTR-RTs），首先使用 LTRharvest 和 LTR_Finder_parallel 进行预测，随后通过 LTR_retriever 对结果进行筛选和整合。
      2. 其他类型的重复序列通过 RepeatModeler 进行预测，所得结果与 Repbase 和 Dfam 数据库中已知的重复序列合并，构建了一个综合的重复序列库。最终，使用 RepeatMasker 对整个基因组中的重复序列进行掩蔽和注释。
    2. 蛋白编码基因注释
      1. 在基于RNA-seq的证据部分，RNA-seq数据采集自七种组织：根、茎、叶、青果、青皮、叶、种壳、种仁。这些RNA-seq reads 使用 HISAT2 比对至香榧（Torreya grandis）基因组，并利用比对结果通过 Trinity 进行参考基因组指导的转录组组装。随后，组装得到的转录本提交至 PASA 管道，基于转录本证据预测基因结构。
      2. 在基于同源性的注释部分，使用 GenomeThreader 将多个参考物种的已知蛋白序列比对到香榧基因组，以生成同源性基因结构证据。所使用的蛋白序列来自15个物种，包括：Taxus chinensis（红豆杉）、Cryptomeria japonica（柳杉）、Ginkgo biloba（银杏）、Pinus tabuliformis（油松）、Welwitschia mirabilis（百岁兰）、Gnetum montanum（买麻藤）、Amborella trichopoda、Cycas panzhihuaensis（攀枝花苏铁）、Selaginella moellendorffii（卷柏）、Arabidopsis thaliana（拟南芥）、Oryza sativa（水稻）、Phalaenopsis equestris（蝴蝶兰）、Populus trichocarpa（黑杨）、Vitis vinifera（葡萄） 和 Zea mays（玉米）。
      3. 在 ab initio 基因预测中，使用了 BRAKER3 软件。该工具整合了 RNA-seq 的比对结果（BAM格式）和上述15个物种的蛋白序列作为外部证据，并以软屏蔽后的香榧基因组作为输入，输出为 GTF 格式的基因预测文件 braker.gtf。
      4. 在证据整合部分，使用 EVidenceModeler（EVM） 将三类证据——转录组、同源蛋白比对和 ab initio 预测——进行综合。为不同来源的证据分配了如下权重：转录本组装（assembler, TRANSCRIPT）为 10，TransDecoder 预测（OTHER_PREDICTION）为 5，GenomeThreader 同源比对结果（PROTEIN）为 3，BRAKER3 的 ab initio 预测结果（ABINITIO_PREDICTION）为 1。
      5. 使用PASA管道，利用PASA管道生成的转录本和数据库文件，进一步更新EVM的整合结果，增加非翻译区域和可变剪切的注释内容
      6. 使用infernal完成非编码RNA注释
/data2/liyupeng/alice/output/female_anno/rename_fa_gff3

VA版本

  1. EVM这个工具能够整合来自不同渠道的注释文件（半成品）生成最后一个可信度较高的结果；对于来自不同渠道的注释文件，按照可信度进行权重分配，权重越高的越可信，整合起来这部分的比重应该也越高，差不多就是这么一回事。
  2. 基于EVM的工作原理，将NCC作为其他来源渠道告知俩ing的注释，给予和RNA-seq比对相同的权重数值（10），即在所有证据来源中最可信的，合并后得到最终的结果就是VA版本的注释
  3. 之后就是PASA注释更新，增加utr和可变剪切部分；这部分的数据是使用BA流程中产生的转录本和中间数据库，能够正常比对的上。

香榧雄树基因组注释

  1. 现在有一个使用liftoff，将雌树的注释映射过去的版本。有胜于无，倒也不敢这么说，还是当做没有好了。
  2. 新版制作中......
  3. liftoff版本路径
/data2/liyupeng/alice/output/liftoff_anno

香榧雌树单倍型基因组注释（BA）

  1. 使用的转录组和蛋白数据和雌树基因组相同，流程也完全一样，所以这里还是统一命名为BA好了，至于那么多会不会弄混，那没办法了，毕竟基因组个数就摆在那里
  2. 已有的结果，完成了pasa注释更新并重命名后的结果
  3. 结果路径
/data2/liyupeng/alice/output/female_hap1_anno/rename_fa_gff3
/data3/liyupeng/key/output/female_hap2_anno/hap2/rename_fa_gff3

香榧雄树单倍型基因组注释（BA）

  1. 使用的转录组数据只有3个（小孢子、叶和茎），蛋白数据和BA一样，注释流程也和BA一样
  2. 已有的结果，完成了pasa注释更新并重命名后的结果
/data3/liyupeng/key/output/male_haplotype_anno/hap1/rename_fa_gff3
/data3/liyupeng/key/output/male_haplotype_anno/hap2/rename_fa_gff3