「基因组注释」MITE-Hunter鉴别基因组的MITE序列

背景篇

MITE属于II类非自主转座因子，并且在真核生物中存在大量的拷贝。 MITE长度大约是500bp，并且扩增速度非常快。2013年一篇发表在NAR的文章"P-MITE: a database for plant miniature inverted-repeat transposable elements", 作者统计了各个物种中MITE的数目

MITE在不同物种的数目

目前主要有两大家族，Stowaway和Tourist，分别来自于Tc1/Mariner和PIF/Harbinger超家族。一个典型MITE结构如下:

MITE结构

MITE-Hunter从基因组上搜索II类转座因子，如MITE(miniature inverted repeat transposable elements)，以及长度低于2kb的非自主转座因子。MITE-Hunter的分析流程如下图所示，主要分为五步:

根据MITE的结构特征搜索候选的TE
通过配对序列联配(Pairwise Sequence Alignment, PSA) 过滤假阳性
得到模板序列
基于多序列比对(Multiple Sequence Alignment, MSA)进一步过滤假阳性，构建一致性序列，并预测TSD
将一致性序列进行分组，归类到不同家族。

分析流程

注:

TIR: terminal inverted repeats 末端反向重复
TSD: target site duplication 靶点重复

安装篇

安装MITE-Hunter之前，先要安装其他三个软件:

NCBI BLAST: 下载链接为https://ftp.ncbi.nlm.nih.gov/blast/executables/legacy.NOTSUPPORTED/2.2.9/，注意选择平台
Muscle: 下载地址为http://www.drive5.com/muscle/downloads.htm
mDust: 下载地址为https://github.com/lh3/mdust

从http://target.iplantcollaborative.org/mite_hunter.html下载，进入解压后的文件夹中，运行如下安装命令

perl MITE_Hunter_Installer.pl \
  -d /opt/biosoft/MITE_Hunter/ \  #MITE_hunter解压缩后的文件夹路径
  -f /opt/biosoft/blast-2.29/formatdb \ # formatdb的路径
  -b /opt/biosoft/blast-2.29/blastall \ #blastall的路径
  -m /opt/biosoft/mdust/mdust \ # mdust的路径
  -M /opt/biosoft/muscle/muscle #muscle的路径

使用篇

下面的操作中，假设你下载了拟南芥的基因组，并且命名为TAIR10.fa

MITE-Hunter只要求单个输入文件，但是有很多参数需要调整。

perl MITE_Hunter_manager.pl \
  -i TAIR10.fa \
  -g thaliana \
  -n 5 \
  -S 12345678 \
  -P 1 &

参数说明:

核心的三个参数:

-i 输入的基因组序列
-P：使用多少比例的序列去搜索TE，对于700Mb以下的基因组用1. 参数可以设置为1/(实际基因组大小/700)，例如人类基因组是3G，那么就可以是0.25.
-g: 输出文件名的前缀

其他参数，除了改改线程数以外，基本上都是无脑用作者的默认参数。

-w: 最大能发现的TE长度，默认是2000
-c: CPU数, 默认是5
-n: 最多有多少组，默认5.
-d: 这个参数过滤低复杂度序列，例如"AAAAA...", "TATATATATA...", "GGGG..", 默认是0.2，也就是预测TE序列要是超过20%。后续还有一个 -p 参数和该参数一样，不知道作者是怎么想的。
-f: MITE两翼的序列长度(默认60), 用于判断TE是否为真。
-t: 最短TIR(terminal inverted repeat)的长度, 默认10，用于寻找候选的TE
-M: TSD(the longest target site duplication)的长度，默认10，用于寻找候选的TE
-l: TIR区域所允许的最大错配碱基数, 默认1.
-L: 默认是 90, 表示两个TE至少有 90 bp 相似的序列，才会被归为一组
-I: 默认是 80, 表示两个TE要是 80% 以上的相似度就会被归为一组。
-m: TE最多少要有多少拷贝数，默认是3.
-T: 作者不推荐你修改。参数默认是"TA_"表示候选TE必须包含2bp即"TA"的TSD。
-C: 默认0，表示MITE_Hunter会使用找到的TE的全部序列进行搜索，寻找是否有其他拷贝，如果设置为1，则表示只用前后200bp去搜索。
-A: 默认是90，表示如果TE中有超过90bp的低复杂度序列，则过滤。
-S： MITE-Hunter一共有8步，你可以用"12"先只运行前2步，然后用"345678"运行后续的几步。
-F : 0 或1，默认MITE_hunter会自动处理
-s: 没有具体说明作用

输出文件

MITE-Hunter的输出文件包括分组后的一致性TE序列及其对应多重联配文件。其中以".aln.elite"结尾的文件便是多重序列联配结果文件(MSA)。文件名中有"Step8_"的文件则包含TE一致性序列，每个文件都是一个TE家族，除了"Step_8.singlet"和"Step_8.paired". 前者里的TE在基因组上没有相似的同源序列，后者是潜在的复合TE序列。

你还可以手动检查输出结果，过滤一些假阳性。例如通过检查MSA文件，根据能否确定TIR和TSD的位置判断预测的TE是否真实存在