转录组入门(4):了解参考基因组及基因注释

作业要求
转录组入门(4):了解参考基因组及基因注释
在UCSC下载hg19参考基因组,我博客有详细说明,从gencode数据库下载基因注释文件,并且用IGV去查看你感兴趣的基因的结构,比如TP53,KRAS,EGFR等等。
作业,截图几个基因的IGV可视化结构!还可以下载ENSEMBL,NCBI的gtf,也导入IGV看看,截图基因结构。了解IGV常识。

参考基因组准备

明确实验目的,依据实验目的选取参考基因组,参考博文:RNA-seq选择参考基因组
了解不同数据库基因组各种版本对应关系,参考博文:基因组各种版本对应关系
本文下载小鼠基因组:

参考基因组注释文件准备

GENCODE(http://www.gencodegenes.org/)中有小鼠基因组注释文件;
Data->Mouse->Release History : 找到对应我们先前下载的GRCm38版本,这儿下载M11,这个数据的对应版本是不断更新的;

GFF文件选择:


研究能够注释到染色体上面的基因选择位于CHR即可;研究染色体基因(包括注释或未注释到染色体上面的基因,未成功注释的原因很多,测序误差以及一些亚型之类的问题)选择ALL;
这儿我下载了ALL gene的GTF文件。
Wget ftp://ftp.sanger.ac.uk/pub/gencode/Gencode_mouse/release_M11/gencode.vM11.chr_patch_hapl_scaff.annotation.gtf.gz

GTF文件与GFF文件

GFF(general feature format),这种格式主要是用来注释基因组;文件每一行注释一个对象(gene,exon,cds and so on),每行包含9列,还有文件的预定义行。
GTF(gene transfer format),是GFF的第二个版本;前8列与GFF差不多,第9列变化较大。
GFF文件是由tab键隔开的9列构成:

  1. seqname - name of the chromosome or scaffold; chromosome names can be given with or without the 'chr' prefix.
  2. source - name of the program that generated this feature, or the data source (database or project name)
  3. feature - feature type name, e.g. Gene, Variation, Similarity
  4. start - Start position of the feature, with sequence numbering starting at 1.
  5. end - End position of the feature, with sequence numbering starting at 1.
  6. score - A floating point value.
  7. strand - defined as + (forward) or - (reverse).
  8. frame - One of '0', '1' or '2'. '0' indicates that the first base of the feature is the first base of a codon, '1' that the second base is the first base of a codon, and so on..
  9. attribute - A semicolon-separated list of tag-value pairs, providing additional information about each feature.

GFF文件第9列:以多个键值对组成的注释信息描述,键与值之间用”=“,不同的键值用”;“隔开,一个键可以有多个值,不同值用“;”分割,都是以ID这个属性开始。

1 transcribed_unprocessed_pseudogene  gene        11869 14409 . + . gene_id "ENSG00000223972"; gene_name "DDX11L1"; gene_source "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; 
1 processed_transcript                transcript  11869 14409 . + . gene_id "ENSG00000223972"; transcript_id "ENST00000456328"; gene_name "DDX11L1"; gene_sourc e "havana"; gene_biotype "transcribed_unprocessed_pseudogene"; transcript_name "DDX11L1-002"; transcript_source "havana";

GTF文件第9列:同样是标签与值配对的情况,但标签与值之间以空格分开,值用双引号括起来;不同属性之间用“;”分隔;开头必须是gene_id, transcipt_id两个属性;

X   Ensembl Repeat  2419108 2419128 42  .   .   hid=trf; hstart=1; hend=21
X   Ensembl Repeat  2419108 2419410 2502    -   .   hid=AluSx; hstart=1; hend=303
X   Ensembl Repeat  2419108 2419128 0   .   .   hid=dust; hstart=2419108; hend=2419128
X   Ensembl Pred.trans. 2416676 2418760 450.19  -   2   genscan=GENSCAN00000019335
X   Ensembl Variation   2413425 2413425 .   +   .   
X   Ensembl Variation   2413805 2413805 .   +   .

预定义行:
name- unique name to identify this track when parsing the file
description - Label to be displayed under the track in Region in Detail
priority - integer defining the order in which to display tracks, if multiple tracks are defined.

IGV的下载和使用:

IGV官网(http://software.broadinstitute.org/software/igv/home),下载windows版本。

IGV

文件夹中的igv.bat是运行程序:


IGV运行后主页面:

参考基因组导入两种方法:
1) 可以从右上角选取物种与相应的版本,基因组自动下载;
2) genome -> Load Genome From Files加载下载好的基因组文件;

基因组注释文件导入:
基因组注释文件排序:Tool -> Run igvtools中sort进行排序,然后导入排序后的文件

比对文件(sam文件)查看:
Sam文件转换为bam文件:
$ tools view -bS file-o file
对file.bam进行sort,排序后文件file.sort.bam:
$ samtools sort file.bam file.sort
为bam文件创建索引:
$ samtools index file.sort.bam
导入bam文件,即可查看比对结果。

参考:
转录组入门(4):了解参考基因组及基因注释
GFF/GTF File Format
RNA-seq选择参考基因组
基因组各种版本对应关系

推荐阅读更多精彩内容