TE 注释工具EDTA的安装及使用

2019-12-16 本文已影响0人 Boer223

EDTA（Extensive de novo TE Annotator）是一个可以从头注释全基因组中的TE并且评估已有TE库注释优劣的工具包。该工具的主要步骤是过滤掉原始TE中注释错误的，从而注释出全基因组中较高质量的非冗余TE库。工具包中的一些程序的选择只是基于水稻基因组中人工校正的TE库，可能对其他基因组并不是很合适。因此，在其他基因组中使用该工具包时应该特别注意。

image
作者使用了水稻基因组（TIGR7/MSU7版本）中的一个修正过的TE注释版本（v6.9.5）来进行了测试。

安装(更新)

主要有4种方法，可以任选其一。

使用conda快速安装

conda install -c bioconda edta

使用Singularity快速安装（适合在集群使用）

安装

singularity build --sandbox EDTA.sif docker://kapeel/edta

使用

singularity exec {path}/EDTA.sif /EDTA/EDTA.pl --genome genome.fa [other parameters]

{path} is the path you build the EDTA singularity image

使用Docker快速安装（适合root用户）

安装

docker pull kapeel/edta

使用

docker run kapeel/edta --genome genome.fa [other parameters]

使用conda分步安装

conda create -n EDTA
conda activate EDTA
conda config --env --add channels anaconda --add channels conda-forge --add channels bioconda
conda install -n EDTA -y cd-hit repeatmodeler muscle mdust blast java-jdk perl perl-text-soundex multiprocess regex tensorflow=1.14.0 keras=2.2.4 scikit-learn=0.19.0 biopython pandas glob2 python=3.6 tesorter genericrepeatfinder genometools-genometools ltr_retriever ltr_finder
git clone https://github.com/oushujun/EDTA
./EDTA/EDTA.pl

输入文件

必须

FASTA格式的基因组文件（序列名不多于15个字符，且为简单字符，如字母，数字或下划线）

可选

该物种或相关物种的编码序列（FASTA格式）。该文件有助于去除TE库中的基因序列。
该版本基因组组装结果的基因位置文件（BED格式）。TE注释过程中将会过滤该文件中的基因位置信息，从而避免注释错误。
该物种修正版的TE库。其中的序列也没必要是全部修正过的TE，部分修正过的也可以使用。

输出文件

$genome.mod.EDTA.TElib.fa：非冗余的TE库。如果在输入文件中提供了修正版的TE库，则该文件中也将包含这部分序列。

其他输出文件

$genome.mod.EDTA.TElib.novel.fa: 新TE类型. 该文件中包括输入的修正版的TE库中没有的TE序列(需要--curatedlib参数)．
$genome.mod.EDTA.TEanno.gff: 全基因组TE的注释. 该文件包括结构完整和结构不完整的TE的注释（需要--anno 1参数）．
$genome.mod.EDTA.TEanno.sum: 对全基因组TE注释的总结（需要--anno 1参数）．
$genome.mod.MAKER.masked: 低阈值TE的屏蔽．该文件中仅包括长TE（>= 1 kb）序列(需要--anno 1参数).
$genome.mod.EDTA.TE.fa.stat.redun.sum: 简单TE的注释偏差(需要--evaluate 1参数).
$genome.mod.EDTA.TE.fa.stat.nested.sum：嵌套型TE注释的偏差（需要--evaluate 1参数）．
$genome.mod.EDTA.TE.fa.stat.all.sum: 注释偏差的概述（需要--evaluate 1参数）.

使用方法

详细参数说明

perl EDTA.pl [options]
  -genome   [File]  The genome FASTA
  -species [Rice|Maize|others]  Specify the species for identification of TIR candidates. Default: others
  -step [all|filter|final|anno] Specify which steps you want to run EDTA.
            all: run the entire pipeline (default)
            filter: start from raw TEs to the end.
            final: start from filtered TEs to finalizing the run.
            anno: perform whole-genome annotation/analysis after TE library construction.
  -overwrite    [0|1]   If previous results are found, decide to overwrite (1, rerun) or not (0, default).
  -cds  [File]  Provide a FASTA file containing the coding sequence (no introns, UTRs, nor TEs) of this genome or its close relative.
  -curatedlib   [file]  Provided a curated library to keep consistant naming and classification for known TEs.
            All TEs in this file will be trusted 100%, so please ONLY provide MANUALLY CURATED ones here.
            This option is not mandatory. It's totally OK if no file is provided (default).
  -sensitive    [0|1]   Use RepeatModeler to identify remaining TEs (1) or not (0, default).
            This step is very slow and MAY help to recover some TEs.
  -anno [0|1]   Perform (1) or not perform (0, default) whole-genome TE annotation after TE library construction.
  -evaluate [0|1]   Evaluate (1) classification consistency of the TE annotation. (-anno 1 required). Default: 0.
            This step is slow and does not affect the annotation result.
  -exclude  [File]  Exclude bed format regions from TE annotation. Default: undef. (-anno 1 required).
  -threads|-t   [int]   Number of theads to run this script (default: 4)
  -help|-h  Display this help info

1. 生成基因组中的原始的TE库

对于不同的TE类型，可以分别指定-type ltr|tir|mite|helitron来运行，如果是想要所有类型的TE，直接指定-type all就可以。
这里使用示例数据水稻基因组来进行测试，下载位置rice genome 。

perl /raid8/cuixb/tools/biosoft/EDTA/EDTA_raw.pl -genome rice_genome.fasta -species Rice -threads 6

2. 完成其他分析

这里可以通过指定-overwrite 0来使软件自动识别文件夹下的已有分析结果。

perl EDTA.pl -overwrite 0 -genome rice_genome.fasta -species Rice

对已有的TE库进行评估

如果你已经有了一个TE库，想对该TE库的注释效果与其他方法比较，那么可以进行如下两步分析：

对你的基因组根据已有的TE库进行注释

以水稻为例：

RepeatMasker -pa 36 -q -no_is -norna -nolow -div 40 -lib custom.TE.lib.fasta -cutoff 225 rice_genome.fasta

测试某一TE类型的注释效果

perl lib-test.pl -genome genome.fasta -std genome.stdlib.RM.out -tst genome.testlib.RM.out -cat [options]
    -genome [file]  FASTA format genome sequence
    -std    [file]  RepeatMasker .out file of the standard library
    -tst    [file]  RepeatMasker .out file of the test library
    -cat    [string]    Testing TE category. Use one of LTR|nonLTR|LINE|SINE|TIR|MITE|Helitron|Total|Classified
    -N  [0|1]   Include Ns in total length of the genome. Defaule: 0 (not include Ns).
    -unknown    [0|1]   Include unknown annotations to the testing category. This should be used when
                    the test library has no classification and you assume they all belong to the
                    target category specified by -cat. Default: 0 (not include unknowns)

例如：

perl lib-test.pl -genome rice_genome.fasta -std ./EDTA/database/Rice_MSU7.fasta.std6.9.5.out -tst rice_genome.fasta.test.out -cat LTR

更好的阅读体验可移步这里。

参考

Ou, Shujun & Su, Weijia & Liao, Yi & Chougule, Kapeel & Peterson, Thomas & Jiang, Ning & Hirsch, Candice & Hufford, Matthew. (2019). Benchmarking Transposable Element Annotation Methods for Creation of a Streamlined, Comprehensive Pipeline. 10.1101/657890.
EDTA Github