WebMGA：超快的基因组序列聚类注释在线工具

超快的基因组序列聚类注释在线工具WebMGA

撰文：周晗 中南大学

审稿：刘永鑫 中科院遗传发育所

（宏）基因组学是测序研究生物功能的新领域。如今测序技术一直在进步，成本也大幅下降，数据在大量增加，但数据分析是非常耗时的，并且（宏）基因组注释涉及广泛的计算工具，这些工具难以轻松掌握。少数可用Web服务器提供的工具也受到许多限制，例如有登录要求、无法大批量分析、等待时间过长、无法配置配件等等。如果你也遇到以上的困扰，那可以试一试今天要介绍的这款工具。

WebMGA是用于（宏）基因组快速分析的Web服务器，包含3个模块20多种常用的工具。访问网址：http://weizhong-lab./webMGA/。（图1）

图1. 服务器主页界面

这三个模块分别为：序列聚类、基因预测和功能注释。我们从每个模块中挑选一个工具进行演示。
（图2）

图2. 服务器的主要功能和对应的选项

cd-hit是用于蛋白质序列或核酸序列聚类的工具，根据序列的相似度对序列进行聚类来除去冗余的序列。它的引用量近7000次。

序列聚类cd-hit

cd-hit是一种贪婪的增量聚类方法，它解决了序列两两比对特别费时的问题，大大缩短了运行时间。首先我们选定分析方法后上传文件。可修改为认为合适的参数（一般默认参数即可）。
（图3）

图3. 以cd-hit-est为例，上传数据和参数设置页面。上传数据为标准核酸fasta格式文件。推荐填写邮箱地址。

上传成功后会显示如下页面。点击job status，对于10Mb的输入文件，一般1分钟后就可以查看结果了。
（图4）

图4. 任务提交成功页面

结果会整理成压缩包，可以直接下载压缩包。
（图5）

图5. 结果下载页面

下载的压缩包解压后，结果包含以下内容：
（图6）

图6. 下载结果文件列表，红框为重要结果

cd-hit主要有两个输出文件：一个是只含有所有代表序列（即去冗余后的序列）的FASTA文件；
（图7）

图7. 非冗余代表序列文件内容示例

另一个是以.clstr结尾的聚类信息文件，名为“output-sorted”。文件中以“>”开头的是一个聚类组。每组下面按序号排列，如图中Cluster 1组有19个聚类序列。每个聚类序列有一个百分比或“”，百分比代表该序列与代表序列的相似度，“”代表该序列即为代表序列。另一个“output.clstr”文件中仅含有代表序列的信息。
（图8）

图8. 聚类信息文件示例，*为代表序列

基因预测ORF prediction

ORF prediction可以从（宏）基因组序列中预测基因，上传要求的FASTA格式的DNA序列，对于2Mb的上传文件，只需3秒就可以查看结果了。
（图9）

图9. 宏基因组序列中基因预测页面

结果文件中包含以下内容。其中名为“OFR.fasta”的文件，就是预测好的结果文件。
（图10）

图10. 宏基因组序列中基因预测结果文件。红框为主要结果

这个预测结果文件可以直接上传到后面的注释工具。
（图11）

图11. 宏基因组序列中基因预测结果文件内容示例

蛋白COG注释

注释工具中我们以COG注释为例。COG（cluster of orthologous group——直系同源簇）是用不同种族的基因成对相似聚类法把它们划分成各种直系同源簇，从而可以用同一簇中的已知基因注释未知基因的功能。它的引用量现已上千。

COG注释作用：

1. 通过已知蛋白对未知序列进行功能注释；

2. 通过查看指定的COG编号对应的protein数目，存在及缺失，从而能推导特定的代谢途径是否存在；

3. 每个COG编号是一类蛋白，将query序列和比对上的COG编号的proteins进行多序列比对，能确定保守位点，分析其进化关系。

上传之前基因预测的结果文件，对于大小为2Mb的基因组，大概3分钟就可以给出注释结果！还对每条序列的COG注释结果进行了COG分类，是不是非常快！COG功能注释结果中包含以下几个文件。
（图12）

图12. COG注释结果文件

“cog.txt”是按照COG同源蛋白的编号排出来的注释结果。
（图13）

图13. COG注释结果cog.txt文件示例

“cog-class.txt”是将蛋白归为25个大类，在每个分类上进行统计。
（图14）

图14. COG注释结果cog-class.txt文件示例

根据分类，可以统计数目，然后根据不同的分类做图进行比较。
（图15）

图15. COG归类结果常见柱状图展示方式

（图16）

图16. COG归类结果的热图展示

今天介绍的这个工具非常方便，并且运行速度很快，页面十分友好，掌握了会让大家的组学分析轻松很多。

作者简介