高效获取基因的代表性转录本
写在前面
高通量测序已然成为qPCR一样普及到几乎每一个实验室。大量的物种被测序，对这些物种的序列信息进行分析，有助于我们更多地认识生物演化，预测更甚至了解基因的功能。
基于我个人的说法，
基因只是一段可以发生转录的染色体区域
做湿实验或者进化分析的时候，我们往往使用的是该区域转录出来的某一个转录本，更或者说是，某一个转录本翻译成的蛋白。基因功能验证，是一个耗时费力的事情，或许目前只会有少数研究，会将一个基因的多个转录本用于超表达来验证其具体功能。同样，当我们进行进化分析也是一个道理。当然，如果将基因的多个转录本纳入进化分析，那么或许影响到的不仅仅数据量的问题，而可能涉及到进化模型是否合适的问题。
于是，解决这个问题的一个直接且有效的方式是，为每一个基因选取代表性转录本。我们可以在植物常用的基因组数据库JGI的Phytozome上看到，其对每一个物种都提供了Representative Transcripts的序列。事实上，这也从一个角度说明，代表性转录本在数据利用上的有用之处。
什么是代表性转录本?
代表性，即挑选出来的这个转录本应该从最大程度上代表这个基因的信息。
说实话，具体我也完全忘记，到底是什么时候在什么期刊，有过一篇报道，大体是评估了不同的筛选代表性转录本的方法，其中可能包括：
- 基于转录本的表达丰度，选最高的
- 基于转录本长度，选最长的
- ？基于转录本的exon个数，选最多的？
大体的评估结果，如果我没有记错的话，那么选取基因的最长转录本为次优。最优的方式，需要参考大量RNAseq数据，事实上，从很多角度来说，几乎不大可能实现。
也就是说，选最长是实践中最合适的做法，或许也是最好的做法。当然，即使我没有这么说，那么选最长早就是被普遍接受的做法。毕竟，最直接的考虑是，基因既然是一段区域，那么覆盖这段区域最多的转录本，至少从base的角度来考虑，就最具有代表性。
获取方式
那么，如何获取基因的最长转录本？
事实上，以我有限的认知，目前并没有常用的工具。可能是因为，这项操作，本身比较简单。我们要实现这个功能，只需要简单地写个脚本，从每个基因中挑选出最长的一条即可。
然而，在实践中，简单的脚本事实上并不具备较好的普适性（或者说鲁棒性），常常只适合某一类甚至是某一个物种的注释或序列文件。
于是，我前后写了两个工具：
- 直接基于序列文件
- 基于基因结构注释信息文件
直接基于序列文件
我们知道，同一个基因的不同转录本的ID，常常是以最后的.1 .2 .3。。。等进行分割，如拟南芥，
当然，有时候，我们也会遇到玉米的 _T01 _T02 T03。。。等。奇葩情况是很多的。更不提Trinity组装的转录本序列文件格式了。无论如何，这些转录本表示前面部分，即表示转录本来源于同一个基因。
于是，在很久以前，我写过这一个工具
大多数情况下，用户只需要：
- 物种对应的转录本序列放进去
- 设置输出文件
- 点击Start即可
当然，如果是像上述说的玉米一样的ID，那么就需要稍微修改下正则表达式，如
(\w+?)\.
修改为
(\w+?)_T
我一度以为，这是一个不错的解法。毕竟，很多情况下，经验丰富的人，看一眼序列文件ID，就大体能够估摸出一个不错的正则表达式。但是我错了。
现实是：
- 相当部分人其实并不熟悉正则表达式
- 当遇到需要处理大量物种时，对出现问题的物种进行逐个查看，并不简单
- 事实上存在部分物种的序列ID，并不是简单的使用一个正则可以概括
于是，我换了一种方式。
基因组已测序的物种
对于基因组已测序且有基因结构注释信息文件（.gff/.gtf）的物种，事实上，我们完全可以通过gff或者gtf文件，从坐标信息上，确定出最长转录本的ID。随后我们使用这些ID，对转录本序列全集进行提取，即可得到我们的文件。
所以有了新的这个工具，
使用起来更为简单，用户只需要：
- 设置输入GFF3/GTF文件
- 设置输出文件
-
点击Start
搞定了，没有正则的输入入口，因为完全没必要。同时，我还保留了一个Feature ID的接口。主要考虑是，有时候，最长转录本似乎有点难以定义。
你到底说的是Exon组合最长还是CDS组合最长。
虽然我个人是支持CDS组合最长，毕竟对应的是蛋白嘛...
但是谁也不能保证，有人想要UTR最长，更或者,,,基因结构注释信息文件里面就完全没有CDS feature.
Done！
写在最后
当然，我写这个功能，其实还是用于命令行操作，最近赶课题，需要做一些物种的共线性分析。我对一个一个看正则，毫无兴趣。顺手花了几分钟打个界面，再花半个小时写了个推文，希望这个功能对其他人也有一定的用处。
顺便
好像还是有很多做生信的朋友，那么就再开一个微信群？
如果你加不了，那么就加我好友，发个红包，说明加群（当然，群有群的规定，发了红包一样会被清理，请慎重）
