|
做小麦的都知道麦类基因组庞大而且重复序列比例又很高，这给基因组分析造成了很大的困难，衡量基因组重复序列特征的一个方法就是统计kmer的分布情况。 这里简单的介绍下什么是kmer，所谓mer，大家可以理解成撕纸片，就是把基因组的碱基ATCG序列撕碎，怎么撕呢？假如k=4，就是撕成连续的4个碱基长度，k=20，就是就是撕成连续的20个碱基长度。假如基因组很小，只有ATCGCG，6个碱基组成，那么4mer就是ATCG，TCGG，CGCG。 kmer的分布可以估算基因组的大小，基因组的重复序列占比，杂合性等特征。可以快速的对基因组瞄一眼，看一看。所以利用重测序对基因组的kmer分布画图，一般也叫作调研图。调研吗，就是领导来走马观花的看一看，有时候准有时候不准，只是看看，有个印象，别太当真。 一段长序列，按照一定的长度分拆后，就会产生片段化的mer，这时候对这些短序列统计重复出现的次数，可以得到没有重复的mer和重复的mer，进而得到没有重复的mer占比。比如还是ATCGCG。2mers就是AT，TC，CG，GC，CG一共5个2mer，CG重复了一次，所以Uniqueness 2mers 比例就是3/5=0.6，4mers就是ATCG，TCGG，CGCG，没有重复出现的mers，因此Uniqueness 4mers 比例就是1。大家可以想象的到一段序列重复序列越多Uniqueness kmers比例越低。 今天给大家介绍一个软件叫Tallymer来做这个分析。这个软件其实是genometools软件包下面的小软件，详细介绍和安装（linux系统下载解压就可以使用）可以参考这里http:///index.html。这里只做简单的介绍。 这个软件有三个主要命令mkindex, occratio, 和search，第一个是对一段序列建立索引和kmer库，occratio主要就是计算Uniqueness kmers 比值。结果有三列，第一列是mers大小，第二列是出现的频次数，第三列是出现的频率。数据有了，下面画图就是小意思了。 1$gt suffixerator -dna -pl -tis -suf -lcp -v -parts 4 -db read1.fna -indexname reads这里贴上几个小麦相关的kmer美图，大家以后碰到这种图就知道怎么回事了。 小麦染色体特征Circos图。 这个图大家一看就知道哪里来的。这里第三圈，C圈，就是小麦Uniqueness 20-mers的频率，着丝粒的地方明显有一道黄线闪过，显示重复序列更高。 比较意外的是我在用这个软件分析麦类作物的时候，发现和节节麦DD基因组发表时候kmer分布结果差别比较大。 图2.麦类作物uniuqe kmers分布图。 图3. DD基因组发表时不同物种uniuqe kmer分布图。 图2是我下载已发表的基因组序列算的，图3是DD基因组发表时候的结果。可以看到我算出来的结果比图3的Aet（DD）大的多。这是最先怀疑的是自己算错了，但是我又去比较了软件发表时，软件作者的结果，可以看到图4和我的结果比较类似，水稻虽然TE含量比较少，早早的就达到了90%以上，并不像图3，一直在80%以下。 图4. Tallymer软件发表时计算的几个物种uniuqe kmer分布图。 有小伙伴知道原因吗？欢迎来讨论。 参考文献： Kurtz S, Narechania A, Stein JC, Ware D. A new method to compute K-mer frequencies and its application to annotate large repetitive plant genomes.BMC Genomics. 2008 doi: 10.1186/1471-2164-9-517. Luo MC, Gu YQ, Puiu D,Wang H, et al., Genome sequence of the progenitor of the wheat D genome Aegilops tauschii.Nature. 2017 Nov 23;551(7681):498-502. doi: 10.1038/nature24486. |
|
|
