真核基因组分析常规流程

1、真核基因组分析常规流程一， 二代数据质量控制二代测序数据质量控制软件FastQC分析的内容包括：测序数据的基本信息 每个碱基的质量值 每条reads序列的质量值 每条序列的ATCG组成 每条序列N的含量 每条序列的长度分布 序列中duplication程度 K-mer信息软件信息：二， 数据过滤过滤掉低质量值的reads过滤掉接头过滤掉N含量多的reads过滤掉长度过短的reads过滤掉PCR重复三， 组装组装软件可以根据基因组情况选择，具体方法参看软件说明。四， 组装结果评估1） 将组装用reads回贴到组装的基因组上，看reads mapping rate 来评估组装的质量可以使用bwa来

2、比对，samtools来统计2） 使用CEGMA来评估组装的完整性CEGMA (Core Eukaryotic Genes Mapping Approach) is a pipeline for building a set of high reliable set of gene annotations in virtually any eukaryotic genome. The strategy relies on a simple fact: some highly conserved proteins are encoded in essentially all eukaryotic

3、 genomes. We use the KOGs database to build a set of these highly conserved ubiquitous proteins. We define a set of 458 core proteins, and the protocol, CEGMA, to find orthologs of the core proteins in new genomes and to determine their exon-intron structures五， 基因组注释1） 重复序列注释2） 基因注释3） 蛋白功能注释蛋白结构注释：i

4、nterproscan同源注释：swissprot tremble 数据库通路：kegg数据库六， 进化分析1） 基因家族聚类同源的蛋白质可以分为直系同源与旁系同源，当同源是基因复制的结果，两份拷贝在一个物种的历史上是平行演化的，这样的基因被称为旁系同源基因。当同源是物种形成的结果，基因的历史反映了物种的历史，被称为直系同源；直系同源是不同物种内的同源序列，他们是来自于物种形成时的共同祖先基因；通常认为直系同源的序列具有相似的生物学功能；使用OrthoMCL聚类2） 系统发育树构建选取所有物种的单拷贝同源基因，分别进行比对，连成一个super gene，提取四倍简并位点构建系统树3） 分歧时间

5、计算使用PAML mcmctree 计算分歧时间利用里面的时间进行校对4） 4dtv距离分布计算使用mcsan寻找共线性基因对，计算共线性基因对的4dtv距离，作出分布图。5） Ks 分布计算流程的功能1，检测物种（植物）是否有过近期全基因组复制或者大规模复制事件。2，估计该物种全基因组复制的时间范围。流程实现1，根据基因家族聚类的结果找到每个家族的每条基因2，根据 BLASTP 结果找串联重复基因家族（基因间插入数小于 20 视为串联）3，对每个基因家族的序列做 muscle 比对4，转换成 cds 的 phylip 格式5，使用 PAML 中的 yn00 计算基因家族中序列俩俩的 Ks 值6，去掉大于 2 的 Ks 值取中位或者平均值来代表这个基因家族每个 copy 的 Ks（若该基因家族有 N 个基因，则发生过 N-1 次复制）7，以每 0.5 为单位加和这个区间的 Ks8，作图分布图6） 共线性分析Mcscan的结果，过滤后做点图或用