「IGV-GSAme」基因结构注释信息-人工矫正-神器

IGV-Gene Structure Annotation Manual Editor，简称IGV-GSAme

写在前面

igv是目前最常用的本地基因组浏览器，与其开发的目标类似，用于整合各种类别的高通量测序数据。当然，他的功能不可能覆盖到高通量测序数据分析的方方面面。在很久以前，我们改造并正式推出了「IGV-sRNA」。这个浏览器的帮助下，我们进一步完善了小RNA预测流程和判断标准，同时也极大地提高了全基因组小RNA鉴定的速度以及质量【拒绝反驳！】。
小RNA的事情已经告一段落，课题组的分析重点开始覆盖到基因组分析。那么会涉及到两个问题：一是基因组组装效果如何？二是基因结构注释效果如何？。两者都会影响到后续基因组分析的正确与否。
其中，对于下游用户，往往基因结构注释影响更大，毕竟多数人的研究还是一个到数个基因上。从最常见的转录组数据分析来说，错误的基因结构注释，只能让你得到错误的表达量估计，更不谈差异表达基因。当然，基因结构注释还影响到比较基因组等诸多方面的工作开展。
这是为什么我在前述写过一篇推文，大体题目是《矫正基因结构注释 - 做良心的基因家族分析》。

本次，我没有放出错误基因结构注释的效果图
因为我已经明白，我们不需要让所有人都知道；因为知道的和想知道的都会知道，剩余的人则不需要知道。

为什么基因结构注释总是存在问题？

无解！生物学是复杂的，而算法的覆盖总是有限的。在完美的算法都可能会存在或多或少的问题。在这种情况下，人工观测并进行校正，可能是最好的方式。

如何进行人工结构注释矫正

目前得到评价最好的只有一款软件「Apollo」，即「Web Apollo」和「Apollo」。这款软件改造于JBrowse改造的，所以是一个网页端的工具。从其论文来看，前端Js，后端sql。一旦涉及到数据库，那么就注定了这款软件存在安装难度。
虽然我开始认为，软件难以安装，可以从某种层面上筛选掉多数用户，从而使得软件最终使用者多数为能够并愿意折腾的。或者说，我以前应该是做错了，不应该通过开发软件来降低分析门槛，因为对于多数人来说，可能不要自己进行分析，而是通过科研服务或者课题合作来完成分析项目，是更好的方法？
不过无论如何，我错了，那么是相对于我开发的软件的一部分用户而言的，对我自身来说，或者是磨炼技能，或者是挑战自我能力极限，或者是制作一把更好用的斧头，所以我自身并没有错。
前述，我再次修改了IGV，做了一次间接的支持，使得用户可以通过自定义的区间，导出一个bed文件并转化为gff3文件。这个功能当然能用，但是他存在一些问题：

1. IGV的「Region Of Interest」工具选择区间后，无法调整起始或终止坐标
2. 区间结果需要导出再导入，才能看到效果
3. 对于已有的注释信息，不能直接人工调整，只能从头制备一个基因结构注释
4. 更新的注释信息，需要后续人为替换原始gff3文件信息

当然，问题还有很多。在推出这个功能之后，课题组提议，安装Apollo。主要的观点是，改造后的IGV用起来不够灵活。其实，我是赞同安装Apollo的，毕竟这是一款实用无差评的工具【当然安装就不提了...】。所以我是推荐安装，并希望由师弟去安装，从某种角度来说，这是一个锻炼机会；从另一个角度来说，我也完全没把握能够在一两天内安装上，即使Apollo其实有docker镜像。
无论如何，这个安装的事情已经明确地安排给一个师弟了，这当然也是我个人的期望之一。但是我仍然不认为我改造的IGV会不够灵活。很快，我花了大半个晚上，重新阅读了IGV的一些实现逻辑，做了一次简单的调整，支持了鼠标拖拽调整ROI。

支持了ROI拖拽，事实上，解决了一个比较大的痛点。师弟师妹用起来也挺开心的。于是他们用去矫正了一些基因结构，目前没发现问题。原本我是计划到此为止。但是，问题来了！我自己也要矫正一批基因结构注释，第一点解决了，但是第二点，第三点，第四点是让我崩溃的事情。我并不是一个喜欢机械性重复工作的人。
使用不够好用的工具，我不会觉得开心。于是，我计划用两天的时间，做最后一次尝试，直接修改IGV，至少解决剩余的三个问题。
两天之后的晚上，我发现我失败了！不仅如此，我开始怀疑我一开始的决定，我从一开始就不应该直接改IGV的已有的Track，而应该重新设计一个Track....
但是两天已经过去了，我已经决定放弃。但还是厚颜无耻地再坚持了一天。也终于，在第三天的晚上，我达成了所有的目标。改造后的IGV，能做的事情比较多。于是我给他取了一个新的名字，这个就叫做IGV-Gene Structure Annotation Manual Editor，简称IGV-GSAme。

IGV-GSAme的特性

所有的功能直接在 IGV 的 GFF3 Track中支持，人工矫正基因结构注释，所见即所得！

1. 调整外显子的长度

2. 删除错误的外显子

在这个操作之后，其实CDS已经有变化，所以我们需要重新预测CDS

3. 原地重新预测CDS

重新预测CDS的时候，我们会发现第一个CDS相比于原来的有一点点的左移，因为那个才是整整的ATG。我们可以点击一下CDS，然后黏贴对应的CDS到TAIR数据库，BlastX就会发现，矫正后的才是完全正确的基因。矫正前的是过度拼接或者错误注释。

4. 删除错误注释的转录本

** 5. 添加缺失的外显子**

** 6. 添加新的转录本**
有时候，直接是基因没被注释出来，于是，我们要添加船新的转录本。

经过一份修饰，比如拖拽外显子，添加外显子，对齐剪切边界等等

我们终于得到了新的转录本结构。可以进行Blast确定其是否有可能是编码基因。确定之后，我们可以原地预测CDS。

点击一下这个CDS，随后跟已知基因进行比对。

于是，可以确定这是一个真实存在的编码基因。

7. 导出人工修正后的GFF3文件

导出的GFF3，是调整之后的gff3完全版。这意味着，你在IGV中看到的是什么，那么你得到的GFF3文件内容就有什么。或者应该说，是真正意义上的所见即所得。

我们可以重新导入原始的GFF3文件，和导出刚才导出的GFF3文件，做一下对比

写在后面

写完这个功能。感触比较深：

1. IGV设计逻辑，必然久经考验，当然源码中不乏有"I don't why..."或者"It shouldn't happen..."等类似的注释，可见coding的人的痛苦
2. IGV当然强大，但仍然存在不少可优化的空间
3. 支持人工矫正注释的操作，应该直接理解逻辑后新设计一个Track，而不是在已有的Feature Track上进行修改，因为这样确实不是一个优雅或者说最有效的方式。
4. 不爽，坚持，失败，放弃？再坚持一会，放弃？再坚持一会。于是在超时一天之后，我还是在错误的路子上实现了自己想要的效果。效果是一样的，谁会真正去在意你的实现方式？

最后，继续祝各位科研顺利。