EggNOG5本地化及注释
2022-06-08 本文已影响0人
谁冒充我小叮当
EggNOG5
参考：
https://www.jianshu.com/p/e5f617b7c9e1
https://www.cnblogs.com/jessepeng/p/12753721.html
http://www.chenlianfu.com/?p=2804
https://developer.aliyun.com/article/675869
https://github.com/eggnogdb/eggnog-mapper/wiki/eggNOG-mapper-v2.1.5-to-v2.1.7
（一）EggNOG简介
eggNOG数据库全称是：直系同源蛋白分组比对（evolutionary genealogy of genes: Non-supervised Orthologous Groups）数据库，由EMBL创建维护，是对NCBI的COG数据库进行拓展，提供不同分类水平蛋白的直系同源分组（Orthologous Groups，OG），包括真核、原核及病毒的数据信息。它扩展了COG数据库的分类方法，采用无监督聚类算法在全基因组范围内推导基因功能，更适用于谱系特征基因的分析。最新的数据库为EggNOG5.0。
-
eggNOG 5.0的完整下载数据在：http://eggnog5.embl.de/download/eggnog_5.0/
EggNOG complete（2022/6/8）.png
e5.proteomes.faa为所有的蛋白组序列
e5.viruses.faa为所有的病毒蛋白序列
e5.taxid_info.tsv为Taxid对应的物种名称以及完整的谱系信息
e5.og_annotations.tsv为所有的NOG信息(第一列为Taxid，第二列为NOG groups，第三列为COG归属，第四列为Function) -
分物种的对应注释信息在（TaxID版本）：http://eggnog5.embl.de/download/eggnog_5.0/per_tax_level/
species anno TaxID（2022/6/8）.png
（物种名版本）：http://eggnog5.embl.de/#/app/downloads
species anno name（2022/6/8）.png
-
emapperdb-5.0.2数据库网页位置 http://eggnog5.embl.de/download/emapperdb-5.0.2/
当download_eggnog_data.py无法下载时可以选择网页下载
emapperdb-5.0.2（2022/6/8.png
（二）NOG、KOG、COG
NOG、KOG、COG，三者都是同源分类数据库，即都是OG（Orthologous Groups）。
- COG：Clusters of Orthologous Groups of proteins，即同源蛋白簇，是NCBI的一个数据库。根据生物完整基因组的编码蛋白系统进化关系分类构建而成，每一簇COG由直系同源序列构成，从而可以推测该序列的功能，按功能共可以分为二十六类。
- KOG：EuKaryotic Orthologous Groups。广义上COG分为真核和原核生物两类，原核的一般称为COG数据库，真核的一般称为KOG数据库。
- NOG：Non-supervised Orthologous Groups，注意是非监督，因COG未及时更新，EMBL EggNOG对COG进行了完善，极大拓展了基因组信息，主要是基于HMM分析提供更细致的OG分析。
（三）eggNOG mapper
conda create -n eggnog
source activate eggnog
conda install -c bioconda eggnog-mapper
#安装eggnog-mapper
download_eggnog_data.py --data_dir ./eggnog5.0.0
#下载数据库
#不添加--data_dir选项，会将文件下载到eggnog-mapper 目录中的data目录
#在最新版本中，因为只使用了 Diamond ，只有一个数据库。因此，参数euk，bact，arch，viruses数据库都无法被识别无法识别，因为没有被使用。
#下载的数据中应包括eggnog.db.gz（功能注释数据库，用于根据比对结果进行功能注释）、eggnog_proteins.dmnd.gz（所有蛋白序列的DIMOND数据库，用于DIMOND快速序列比对）、eggnog.taxa.tar.gz
#-P：下载 PFAM 数据库所必需的。
#-M：下载 MMseqs2 数据库所必需的。整个 MMseqs2 数据库包括不属于任何 eggNOG Orthologous Group (OG) 的 eggNOG 蛋白质，而 Diamond 数据库仅包括属于 OG 的蛋白质。
#使用create_dbs.py仅创建细菌子数据库：create_dbs.py -m diamond --dbname bacteria --taxa Bacteria
wget http://eggnog5.embl.de/download/emapperdb-5.0.2/eggnog_proteins.dmnd.gz
wget http://eggnog5.embl.de/download/emapperdb-5.0.2/eggnog.db.gz
#用脚本下不了，太卡了，直接网页下载
python ~/eggnog/bin/emapper.py \
-m diamond -i virus.fasta --itype CDS --translate --cpu 20 \
--data_dir /eggnog5.0.0/ \
--dmnd_db /eggnog5.0.0/eggnog_proteins.dmnd \
--output_dir /outdir -o virus
#比对注释
#-o：设置输出文件前缀
#--output_dir：设置输出文件夹
#-m：设置比对算法，（默认值：diamond）{diamond,mmseqs,hmmer,no_search,cache}
#-i：输入查询序列（蛋白质）的FASTA文件
#--itype：输入（-i）文件中的数据类型。（默认值：proteins）{CDS,proteins,genome,metagenome}
#--translate：当--itype输入CDS，在搜索之前将CDS翻译成蛋白质。当--itype genome/metagenome和--genepred搜索时，将blastx命中的预测CDS翻译成蛋白质。（默认值：False）
#--data_dir：eggnog mapper数据库的路径。默认情况下，“data/”
#--dmnd_db：当使用DIAMOND算法时，设置DIAMOND数据库路径
#--sensmode：Diamond的灵敏度模式。emapper的默认值是sensitive与diamond的默认值不同。 {default,fast,mid-sensitive,sensitive,more-sensitive,very-sensitive,ultra-sensitive}
#--no_annot：Skip functional annotation, reporting only hits.(default: False)
更具体的参数可查看emapper.py -h或http://www.chenlianfu.com/?p=2804
结果解读：
eggnog-mapper会生成三个文件：
.hits: 记录每个用于query序列对应的所有的显著性的eggNOG Orthologous Groups(OG). 所有标记为"-"则表明该序列未找到可能的OG
.seed_orthologs: 记录每个用于搜索序列对的的最佳的OG，也就是.hits里选择得分最高的结果。之后会从eggNOG中提取更精细的直系同源关系(orthology relationships)
.annotations: 该文件提供了最终的注释结果。大部分需要的内容都可以通过写脚本从从提取，一共有13列
#.annotations每一列对应的记录如下：
#1.query_name: 检索的基因名或者其他ID
#2.sedd_eggNOG_ortholog: eggNOG中最佳的蛋白匹配
#3.seed_orholog_evalue: 最佳匹配的e-value
#4.seed_ortolog_evalu: 最佳匹配的bit-score
#5.predicted_gene_name: 预测的基因名，特别指的是类似AP2有一定含义的基因名，而不是AT2G17950这类编号
#6.GO_term: 推测的GO的词条， 未必最新
#7.KEGG_KO: 推测的KEGG KO词条， 未必最新
#8.BiGG_Reactions: BiGG代谢反应的预测结果
#9.Annotation_tax_scope: 对该序列在分类范围的注释
#10.Matching_OGs: 匹配的eggNOG Orthologous Groups
#11.best_OG|evalue|score: 最佳匹配的OG(HMM模式才有)
#12.COG functional categories: 从最佳匹配的OG中推测出的COG功能分类
#13.eggNOG_HMM_model_annotation: 从最佳匹配的OG中推测出eggNOG功能描述
