By liyupeng, 29 November, 2025
Forums
Researches

GeneClear使用详解

介绍

  1. 为什么会用到GeneClear，因为用famcircle绘制多物种共线性图的时候，需要对注释文件、基因组文件、蛋白序列等进行处理，而这个软件就能够排上用场了
  2. GeneClear能够输出统一命名后的一下文件
    1. .lens：3列，染色体编号，长度，以及在染色体上的基因数量信息
    2. _gene.gff：7列，染色体编号，新基因id，起始，终止，正负链，index，旧基因id
    3. _mrna.gff：7列，和_gene.gff一样，主体从gene注释行换成mrna注释行
      1. 一般来说没什么区别，如果注释了可变剪切的话，数量上会比gene的数量更多，在这种情况下要进行共线性比对，一般都是筛选保留最长转录本
    4. .cds：重命名后的cds序列
    5. .pep：重命名后的蛋白序列
  3. 输出文件的内容，就是这张图里的样子

  1. 用MCScanx运行共线性比对时，除了需要两个比对物种的蛋白/cds序列的blast结果外，还需要进化后的gene的gff文件
    1. 简化版的gff文件要求：
染色体序列 基因编号 起始位置 终止位置
  1. 用上GPT的话，除了基因编号外的其他三个都很好提取，但是基因编号就是另外一回事了；EVM的输出结果是有点晦涩的命名方式。如果是有处理过的gff，基因id应该比较容易识别，让GPT生成提取命令行应该可以；但是设计到多个物种，如果id的命名方式存在一些细小的差异，原本的命令行的输出结果可能就会不满足共线性的输入文件要求（简单来讲就是鲁棒性太差），所以这里就轮到这个工具包的出场了

软件安装

虽然pip可以直接安装，但有些不稳定，所以还是推荐下面的安装方法

wget https://github.com/lkiko/GeneClear/archive/refs/tags/v0.0.0.zip
#下载，解压，然后能够得到whl这个文件；这里下载的是2024年的，源代码？不是很清楚，总之只有这个能够正常通过pip来安装geneclear软件包；参考文档给的那个下载whl命令，下载的whl文件会出现invalid的问题。
pip install GeneClear-0.0.0-py3-none-any.whl #安装脚本包geneclear

使用方法

使用前提

  1. cds序列和蛋白序列的编号要一样
  2. 染色体编号仅支持一种格式，或者说把没有组装到染色体上的contig部分的序列，gff内容去掉，cds和蛋白里面对应的内容也要去掉，不然会产生报错

编写run.conf文件

这里针对的是两种注释文件，NCBI的就是最常见的gff；PASA的是有可变剪切的，一个gene可能有多个mrna，以及5'端和3'端，相较前者是多了这些注释信息

针对NCBI的gff

  1. 生成run.conf文件
GeneClear -getncbi run.conf
  1. run.conf文件
    1. 前三列内容分别是cds序列，蛋白序列，基因组文件，很好懂
    2. 第四列是注释文件
    3. 第五列是物种名，可以为空值，但是不能去掉；如果想要对输出内容的染色体编号进行调整的话，可以在species这里加上，后续程序运行的时候会加上这部分的内容
cds_file = cds file
pep_file = pep file
genome_file = genome file
gff3_file = NCBIgff3
species = Species(Oryza sativa -> osa/os)

针对PASA的gff

  1. EVM提取gene，cds和protein内容
/home/soft/EVidenceModeler/EvmUtils/gff3_file_to_proteins.pl Rsimsii.genome.repre.gff3 Rsimsii.genome.fasta prot > Rsimsii.protein

/home/soft/EVidenceModeler/EvmUtils/gff3_file_to_proteins.pl Rsimsii.genome.repre.gff3 Rsimsii.genome.fasta CDS > Rsimsii.cds

/home/soft/EVidenceModeler/EvmUtils/gff3_file_to_proteins.pl Rsimsii.genome.repre.gff3 Rsimsii.genome.fasta gene > Rsimsii.gene
  1. 生成run.conf文件
GeneClear -getpasa ? > run.conf
  1. run.conf文件
    1. 相较上面，多了一个内容，gene_files，这是EVM的脚本生成的基因编号内容，理由是考虑到了一个基因因为可变剪切而存在多种蛋白序列的情况
    2. 这是只是猜想：写这个工具包的人可能把可变剪切的情况也考虑进去，然后这个软件包在这种模式下运行会筛选保留最长转录本，并输出唯一的结果；不过，本人没有试过这种模式，所以这一块还处于空白；假如最终的输出并非这里猜想的那样，那就参考下方参考2的徐洲更的流程好了
cds_file = cds file
pep_file = pep file
gene_file = gene file
genome_file = genome file
gff3_file = PASAgff3
species = Species(Oryza sativa -> osa/os)

运行程序

  1. 命令行只有一个
GeneClear -getncbi run.conf
  1. 以下面这个作为案例
    1. 选择1，是否需要修改染色体名称；这个看情况，这边因为这次使用的物种物均13条染色体，famcircle的绘图范围有限，所以要把染色体进行适当的修改，调整长度；如果不需要修改，enter按到底就可以了（也可以输入N，不过这个麻烦）
    2. 需要修改的话，分割符，可以按照上面展示出来的部分注释内容看的到，数字和字母组成，这里要把chr替换成Chr，分割符是chr（分割符似乎只能选择一遍，假如遇到chr01a，那么a和chr就只能选择一个，算是局限性吧，这个软件包的）
    3. 保留序号（0/1），
      1. 选择1，去掉分割符，输出结果时species的变量+去掉分割符后的染色体编号内容（右边）
      2. 选择0，不保留原先染色体编号的任何信息，输出结果时species的变量（左边）
      3. species的变量则是在上面的run.conf中手动设置

  1. 染色体名称如果需要修改的话，一共要修改两次；两次的内容一样。

  1. 最后是是否需要修改cds和protein的id，这个基本用不到

  1. 第二个案例
    1. 关于上面说到的分隔符的规则，这里用和上面相反的例子来说明一下
    2. 上面的分割符是染色体编号左边的内容，这里的是染色体编号右边的内容
    3. 分割符为a，选择1
      1. 因为a是染色体编号的最右边，以此为分隔符，选择1（分隔符右边），最后原本染色体编号上的内容将没有，输出的内容就只有species的变量ch

  1. 分割符为a，选择0
    1. 选择0（分割符左边），这次能够把chr的内容保留下来，最后的输出：species变量+chr

参考

  1. 生信人填坑记~pasa注释结果提取常用gff，lens等文件-基因组注释后续_gff如何生成lens文件-CSDN博客（原先看不用付费来着，好在看过了）
  2. 基因组共线性工具MCScanX使用说明-CSDN博客（徐洲更讲解怎么提取最长转录本，蛋白序列比对和MCScanx进行共线性比对的过程）