【原】NAR：dbCAN2鉴定宏基因组CAZYome碳水化合物相关基因

宏基因组 2020-10-09

展开全文

宏基因组数据分析中，经常会使用多种多样的数据库，如综述型的有NCBI非冗余核酸或蛋白序列库(NR)、KEGG、COG、eggNOG、RFAM等。专业型的数据库有CAZy(碳水化合物酶)、ARBD(抗生素抗性基因)、CARD、VFDB、PHI等众多数据库。同时基于这些数据库，又开发了很多软件、和在线服务器(web server)方便同行使用。

今天带大家来学习一下CAZy数据库的使用。这里推荐一个今年刚发表在核酸研究(IF>11)的webserver，方便大家鼠标点点，轻松完成宏基因组碳水化合物酶组学的注释。

Science哈扎人CAZYome分析实例

之前精讲过一篇Science封面文章，如下：

3分和30分文章差距在哪里？

正文仅有3个主图，图2的宏基因组部分就围绕着碳水化合物代谢相关基因组(CAZYome)进行的研究。今天就带大家学习一下它是如何实现。

先回顾一下Science图2的主要结果。

实例解读

本图主要基于宏基因组测序碳水化合物代谢基因的种类、丰度进行分析，揭示哈扎人菌群功能周期的变化和与现代人的差别。

本图有8个子图分为5组，从5个不同的角度/主题进行说明。

图2. 哈扎人肠道菌群功能随季节周期循环

(A) 箱线图展示宏基因组CAZYome基因Shannon多样性按季节变化和与现代人比较；

(B) PCA分析CAZYome表明哈扎人与现代间此类基因显著差异即为样品间主要差异;

(D) 几种CAZymes丰度在哈扎人中周期变化，以及与现代人比较

(E) 抗生素抗性基因多样性，哈扎人低于现代人，且存在季节周期变化

点评：宏基因组中从整体到类别，可分析的结果很多，但结果是用于服务科学问题和故事主线的。其中饮食的不同，主要影响碳水化合物的比例和组成，以及抗性基因的种类和丰度。因此选定好的逻辑出发点和故事主线是高水平文章的重点，这个别人很难帮你。但你有了好思路，找技术达人合作或与课题负责分析的朋友沟通，那是水到渠成和锦上添花的事，即使花费大量时间去美化都是值得的。当然也可自学差异箱线图绘制。

分析方法探索(顺藤摸瓜)

看完以上结果，我们会感觉工作很漂亮。但如何实现呢？这是一个大问题。我们接下来查找文章的方法。

Science文章，正常只有2-3页，大部分是结果，很少会有版面去描述方法。我们从文章主页下载的补充材料。有宏基因组分析方法描述如下：

宏基因组测序分析

使用DeconSeq去除人类基因组数据。32个HMP人作为对照同哈扎人相同方法分析。DynamicTrim对宏基因组数据质控，FragGeneScan鉴定编码基因。数据采用HUMAnN2分配至KEGG数据库。HMMER 3.0(45)使用dbCAN鉴定CAZymes(46)；使用ResFams鉴定抗生素抗性基因(47)，E-value < 1e-5。

S. R. Eddy, A new generation of homology search tools based on probabilistic inference. Genome Inform. 23, 205–211 (2009). http:///
Y. Yin, X. Mao, J. Yang, X. Chen, F. Mao, Y. Xu, dbCAN: A web resource for automated carbohydrate-active enzyme annotation. Nucleic Acids Res. 40, W445–451 (2012). http://cys.bios./dbCAN2/
M. K. Gibson, K. J. Forsberg, G. Dantas, Improved annotation of antibiotic resistance determinants reveals microbial resistomes cluster by ecology. ISME J. 9, 207–216 (2015). http://www./resfams

我们列出了与CAZymes相关分析的方法段落，发现是使用dbCAN工具的HMMER方法鉴定的CAZymes，分别对应了引文45和46。再阅读这两篇文章，找到相关软件和数据库的主页，发现了分析CAZymes的在线服务器dbCAN2，它整合了最新的数据库和三种方法，我们可以轻松在线完成分析。

dbCAN2——碳水化合物在线分析服务器

文章：https://academic./nar/article/46/W1/W95/4996582

dbCAN2于今年5月16日在线发表于《核酸研究》杂志(IF=11.561)，它是上文Science使用的dbCAN的升级版。知道为什么出2吗？第一版2012年出表至今已经引用571次了。

dbCAN2简介

网址：http://cys.bios./dbCAN2/

dbCAN2宏基因组服务器自动化碳水化合物酶注释。相关的网站有CAZy, CAT(过时)和Hotpep。

dbCAN2的分析的主要步骤如下：

可提交基因组或宏基因组序列fna文件。真核基因组请使用蛋白序列faa文件
自动化注释分三步

基于dbCAN CAZyme结构域HMM数据库，HMMER注释CAZYme结构域的边界
DIAMOND注快速释blast比对CAZy数据库
Hotpep基于PPR文库鉴定短保守motifs

提交faa + gff文件，服务器使用CGC-Finder可鉴定转录因子TF、转动蛋白和CAZyme基因簇(CGCs)。
结果可以可视化，如维恩图多方法比较。提供比对结果表格下载。

本服务器每年更新一次CAZy数据库。

主页上有5个菜单，分别主页简介(Home)、在线注释(Annotate)、下载本地版(Download)、帮助(Help)和联系作者(About us)

详细的教程可见帮助页。

在线分析

在线分析基本原理如上图。DNA进行预测蛋白。再进行三种方法(HMM, diamond, hotpep)的预测。

点击Annotate在线注释

下图以蛋白序列为例。核酸序列，软件还会利用Prodigal自动预测蛋白。

填写E-mail，任务完成时获得结果链接；
序列类型，可选fasta核酸或蛋白序列
工具选择。默认只选了HMMER，一般也够用了。可以再选diamond、hotpep和CGCFinder。
基因位置文件gff/bed格式(可选)，蛋白则不需要；
序列文件，少量可粘贴，大量则上传文件，要求小于100M。

点击Submit就等着收结果吧。运行完成见如下页面。即使关闭，会收到结果页的链接。

上面维恩图，是用三种注释方法结果的比较。下面为注释结果的总结，和每种方法的结果。可以下载结果表格。也可以查看每种方法比对结果的详细。

要想查看每种CAZy酶的注释，可以点击蓝色的链接，跳转CAZy官网查看。

基于注释的结果，对我们宏基因组基因丰度矩阵进行筛选，就可以进行CAZyome的分析了。是不是挺容易的。

本地软件和数据库下载

http://cys.bios./dbCAN2/download/

有本平台所有的软件和数据库，查看README.txt

The Tools directory contains tools used in dbCAN meta server. These include CGC-Finder, the Python verson of Hotpep, and a parser for HMMER.

The Databases directory contains all the databases used in dbCAN meta server. These are CAZy, dbCAN, PPR, tcdb, and tf.

README.txt            this file

Tools/
    CGC-Finder.tar.gz    CGC-Finder program
    hmmscan-parser.tar.gz    分析hmm结果文件的脚本Script to parse hmmscan output of dbCAN search
    hotpep-python.tar.gz    Hotpep program and data
    run_dbcan.tar.gz    dbcan运行脚本 Script to run a stand alone version of dbCAN meta

Databases/
    dbCAN-old@UGA/        Data in the old dbCAN server@UGA
    tcdb.fa            转运蛋白注释 transporter proteins annotated at http://www./
    tf.fa            转录因子 transcription factor proteins annotated at collectf DB, RegulonDB, and DBTBS
    CAZy.08312018.fa    CAZy数据库 GenBank proteins annotated as CAZymes by CAZy
    dbCAN-HMMdb-V7.txt    模型 dbCAN HMM DB

碳水化合物蛋白数据库

CAZyDB.07312018.fa 蛋白序列520Mb，可以用diamond比对

序列名为GeneBankID，和分类

AWI06117.1|GT2

CAZyDB.07312018.fam-activities.txt 分类描述文件

AA10 AA10 (formerly CBM33) proteins are copper-dependent lytic polysaccharide monooxygenases (LPMOs); some proteins have been shown to act on chitin, others on cellulose;

CAZyDB.07312018.pr-with-ec.txt 基因对应酶学编号

AAC00570.1 GT1|2.4.1.195

HMM数据库

dbCAN-HMMdb-V7.txt HMM模型

dbCAN2具体的本地安装涉及较多软件和数据库的布置，有时间写个专门的文章进行讲解。本文讲的在线版分析可以满足大多数同行。

Reference

Smits, Samuel A., et al. “Seasonal cycling in the gut microbiome of the Hadza hunter-gatherers of Tanzania.” Science 357.6353 (2017): 802-806. http://science./content/357/6353/802
附件目录 http://science./content/suppl/2017/08/24/357.6353.802.DC1
补充方法 http://science./content/sci/suppl/2017/08/24/357.6353.802.DC1/aan4834_Smits_SM.pdf
附表1. 样品列表 http://science./highwire/filestream/698500/field_highwire_adjunct_files/1/aan4834_Table_S1.csv
附表3. KEGG通路表 http://science./highwire/filestream/698500/field_highwire_adjunct_files/2/aan4834_Table_S3.csv
附表4. KEGG Carbohydrate Metabolism pathways http://science./highwire/filestream/698500/field_highwire_adjunct_files/3/aan4834_Table_S4.csv
Zhang, Han, et al. “dbCAN2: a meta server for automated carbohydrate-active enzyme annotation.” Nucleic acids research (2018).
http://cys.bios./dbCAN2/