如何使用Orthomcl查找同源基因

这篇文章主要介绍了如何使用Orthomcl查找同源基因，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

OrthoMCL介绍

OrthoMCL (http://orthomcl.org/orthomcl/) （v2.0版本）是现在用的最多的一款来找直系同源基因（Orthologs）以及旁系同源基因 (Paralog) 的软件。

根据官网的教程需要十多步来完成整个运行流程，但是绝大部分的工作都有代码可以用，按照他的步骤来，还是很省心的。话不多数，接下来就以蛋白质序列为例，详细介绍Orthomcl的使用。

辅助模块

Orthomcl需要的linux详细配置，简单叙述。

　　系统：unix

　　BLAST：我们推荐NCBI的 BLAST，

　　Database：oracle 或 mysql，下文我们选择mysql来进行阐述.

　　Hardware：内存4G，硬盘100G

　　MCL程序

软件安装

（1）Mysql安装

Orthomcl需要用到数据库，对数据库不太了解也没关系，只要能够安装好数据库、并使用简单的几条SQL语句就可以了，较复杂的工作都有程序直接完成。具体安装过程就不说啦。

（2）安装mcl

下载地址在 http://www.micans.org/mcl/src/mcl-latest.tar.gz，自动获取最新版。

./configure
make
make install

　　#注意出现make[] Nothing to be done for '***'

　　　　　　　make[] leaving directory '***'

　　不是make错误！make时最好用root权限，即在make前加sudo  

（3）安装Orthmcl：

下载链接：http://orthomcl.org/common/downloads/software/v2.0/orthomclSoftware-v2.0.9.tar.gz

使用以下命令解压：

tar -xf orthomclSoftware-v2.0.9.tar.gz

解压完成后的文件夹下包括bin config doc lib 四个文件夹，可以将bin目录加到环境变量里，方便以后操作：

cd ~
echo "export PATH=$PATH:/home/wangq/.../orthomclSoftware-v2.0.9/bin" >> .bashrc
source .bashrc

之后可以在Orthomcl software主文件夹或其它地址下创建文件夹作为工作目录，这里以官网文档的my_orthomcl_dir为例。把/doc/OrthoMCLEngine/Main/orthomcl.config.template文件复制到my_orthomcl_dir下，命令如下：[路径：解压后的orthomclSoftware-v2.0.9]

mkdir my_orthomcl_dir
cp /doc/OrthoMCLEngine/Main/orthomcl.config.template my_orthomcl_dir/orthomcl.config  #复制并重命名为orthomcl.config

修改orthomcl.config：

# this config assumes a mysql database named 'orthomcl'.  adjust according
# to your situation.
dbVendor=mysql                #使用的数据库为mysql，若为oracle，则改成oracle
dbConnectString=dbi:mysql:orthomcl        #连接到mysql里的orthomcl数据库  
dbLogin=wangq                             #数据库的用户名
dbPassword=123                            #与用户名相对应的密码
similarSequencesTable=SimilarSequences    #下面都是中间产生的各种表
orthologTable=Ortholog
inParalogTable=InParalog
coOrthologTable=CoOrtholog
interTaxonMatchView=InterTaxonMatch
percentMatchCutoff=50     #Coverage cutoff值 这里选择50%的Coverage，视你自己而定
evalueExponentCutoff=-5   #blast 筛选的e-value  用过blast的都不默认
oracleIndexTblSpc=NONE

具体操作

具体操作步骤包括创建数据库、转换序列格式、过滤、比对、解析结果和聚类等步骤，详细说明如下：

（1）创建数据库并建表

这一部分就是依据刚才配置的config文件，对mysql进行配置，在数据库里建立一些空表，Note：在做这步前，请先在你的mysql中新建一个数据库，如create database orthomcl，下面我就使用这个数据库来操作数据。

mysql -u root -p　　                #先用root登录创建名为orthomcl的数据库
mysql> create database orthomcl;
mysql> grant all on orthomcl.* to 'wangq'@'%';  
          #赋予wangq用户操作orthomcl数据库的所有权限，wangq处为用户名，%代表任何主机
orthomclInstallSchema orthomcl.config mysql.log species　　
          #执行orthomclInstallSchema命令，按照orthomcl.config的配置，在数据库中
          创建表，mysql.log记录日志文件（选） species为每个表名后加物种名（选）

（2）格式化orthomcl输入文件

我们使用多个物种所有基因的蛋白质序列查找同源基因，数据来源于转录组或数据库下载。该步将会将你的pep文件转换为orthmcl所要求的文件，其实也就是一个改写的过程，格式要求为如下：

>taxoncode|unique_protein_id　    #taxoncode为物种代码一般为3-4个字母 unique_protein_id为蛋白id，taxoncode和蛋白id之间用|隔开
MFAXGETHFD..........

例如：

>Dha|CAG25565
MFAXGETHFD..........

使用orthomclAdjustFasta程序可以把fasta格式的序列文件转换成orthomcl的标准格式，转换格式前先在my_orthomcl_dir目录下创建名为compliantFasta的文件夹，命令如下：

mkdir compliantFasta
cd compliantFasta
orthomclAdjustFasta hsa ../Homo_sapiens.NCBI36.53.pep.all.fa 1　　
#hsa为物种代码;***.fa为序列文件，存放在my_orthomcl_dir目录下;1代表在id前加物种名和|

执行完上述命令后，产生的文件为hsa.fasta存放在compliantFasta目录下。compliantFasta文件夹下存放各个物种的蛋白组，如Hsa.fasta Dha.fasta Ali.fasta Kla.fasta......

（3）过滤序列

使用orthomclFilterFasta命令对compliantFasta文件夹下的序列进行过滤，orthomcl的推荐规则是允许protein序列最短长度为10，stop coden占的最大比例为20%，命令会在my_orthomcl_dir目录下产生goodProteins.fasta和poorProteins.fasta，goodProteins.fasta文件中包含所有comliantFasta文件夹下经过筛选的物种蛋白组。

orthomclFilterFasta compliantFasta/ 10 20

（4）blast比对

用goodProteins.fasta建库，并与自身比对。由于数据量较大，比对时间可能会比较长，一两天都是正常的，小伙伴们请耐心等待！

makeblastdb -in goodProteins.fasta -dbtype prot -title orthomcl -parse_seqids -out orthomcl -logfile orthomcl.log　　
#以goodProteins.fasta为序列文件，创建名为orthomcl的blast数据库
blastp -db orthomcl -query goodProteins.fasta -seg yes -out orthomcl.blastout -evalue 1e-5 -outfmt 7 -num_threads 24　　
#goodProteins.fasta对orthomcl库做blast，产生的结果文件为orthomcl.blastout（自身对自身做blast，找出目标物种间的同源基因）

（5）处理blast产生的结果

orthomclBlastParser blastresult compliantFasta > similarSequences.txt

#使用orthomclBlastParser命令引入compliantFasta文件夹下文件，生成similarSequences.txt文件，找出相似性序列，输出文件从第1列到第8列分别是：query_id, subject_id, query_taxon, subject_taxon, evalue_mant, evalue_exp, percent_ident, percent_match。

（6）相似性序列载入mysql数据库

orthomclLoadBlast orthomcl.config similarSequences.txt　　#将数据导入数据库中

（7）寻找成对蛋白质

orthomclPairs orthomcl.config orthomcl_pairs.log cleanup=no　　#此命令对数据库中的表进行操作

（8）将数据从mysql数据库中导出

orthomclDumpPairsFiles orthomcl.config　　

此命令会在my_orthomcl_dir下生成一个mclInput文件和一个pairs文件夹，pairs文件夹下包含coorthologs.txt和inparalogs.txt和orthologs.txt三个文件。

（6）（7）（8）三步是对数据库的操作，不懂没关系，照做就可以了。

（9）使用mcl对pairs进行聚类

mcl mclInput --abc -I 1.5 -o mclOutput

（10）提取mcl的结果，生成group.txt文件

orthomclMclToGroups Fungi 1 < mclOutput > groups.txt　　
#生成groups.txt文件，每个同源组的编号从Fungi1开始，依次递增

至此orthomcl程序运行完毕，产生的groups.txt即为即为最终结果文件，可对其进行各种数据操作，例如提取单拷贝的直系同源基因，只需要判断同源组中包含研究的所有物种，且每个物种都只有一个基因，这样的就是一组单拷贝的直系同源基因啦。

感谢你能够认真阅读完这篇文章，希望小编分享的“如何使用Orthomcl查找同源基因”这篇文章对大家有帮助，同时也希望大家多多支持亿速云，关注亿速云行业资讯频道，更多相关知识等着你来学习!