比较基因组学Cactus初探

11.21更新，本文内容包括Cactus进行无参基因组比对的详细教程。

你说的对，但是Cactus是一款开源的，发表过正刊的，高度权威的基因组比对软件.jpg

Cactus是一款评价极端化的科研工具，新手不会用，高手觉得麻烦，只知道看文章从不敲代码的觉得好，这就是Cactus。

那么，接下来我们将初步讲解一下Cactus这款牛马工具，

Cactus支持conda使用，本地编译和容器化，同时还有GPU 版本。三种安装方式各有其独特的BUG，甚至GPU版本也有其独特的BUG。 Git上挤了400个issue作者都是挑着回。可以说，用cactus的旅途就是一场酣畅淋漓的赤石。如果用Docker版本的话注意下计算机里面是否存在NFS挂载点，在Docker容器里生成大量文件会让挂载的文件系统卡顿。

下面我们开始介绍cactus的准备流程:

Cactus比对的基因组必须经过软屏蔽（即将重复序列中大写的ATCG改为小写的atcg）。这一步主要通过repeatModerer和repeatmasker进行。

BuildDatabase  -name $i $i.fasta
RepeatModeler -pa 20 -database $i -LTRStruct
RepeatMasker $i.fasta -lib $i-families.fa  -e rmblast -xsmall -s -gff -pa 12

在NCBI下载的基因组默认为软屏蔽，使用前只需要改一下名（NCBI的每条fasta的名字太长了，输入会有错误）。

输入文件：
一个配置文件（包含基因组路径，树信息，编号），类似下面这个图

配置文件

而实际上相当于两个文件：软屏蔽的基因组文件和树文件。注意一个点，基因组里面不要对contig或者scaffld按物种名重新命名，Cactus会帮你重新命名上。然后每条contig里面不能有. _等特殊字符，这个记得检查好（有一些有也行，但是建议不要冒险）

这时候有一个问题，我特喵的比对就是为了建树，结果你比对让我先有个树，这不是孬谭吗？ 不过这个问题作者确实给了回答，就是这个树可以 粗略建一建，不用特别准，毕竟cactus的来源是百鸟计划，鸟类里面不清楚的系统发育多的要死，所以实际上随便建一个就行，比如jolytree或者mashtree。 如果物种少可以用jolytree,物种超过几十个几百个考虑mashtree。 Mashtree是一种无比对的建树方式，虽然不太准（甚至不准的很离谱），但是用来做比对足以。

mashtree *.fasta > results.dnd #构建系统发育树
nw_reroot results.dnd > rooted.results.dnd  #定根

之后进行Cactus比对，输出文件是HAL格式，HAL是一种压缩过的二进制格式，可以通过cactus-hal2maf / haltools转成MAF格式。

推荐参数： -refGenome xxx --chunkSize 500000 --dupeMode single --noAncestors

提取时一定要有参考基因组。 --dupeMode single只提取单拷贝； --noAncestors 不包含构建好的祖先序列 chunkSize随便选，大一点结果好，只是大一点提取应该会慢。

注意一下从HAL提出来的MAF还有点问题，还要进行sort和过滤

过滤主要有几个地方要过滤，一个是过滤出包含所有物种的MAF（只有所有物种都有的片段才能用来构建系统发育树等下游分析），然后是要过滤掉较小的片段（根据19年蝴蝶的science，过滤掉小于150bp的共线性块），这两个可以用MafFilter来实现。

这个过滤完后发现还有一个问题，就是存在duplication 的row，存在这个东西，下游的一些软件是没法识别的，比如最经典的比较基因组MAF格式下游处理工具PHAST包。

---------------------分隔符-----------------————————————————————————————————————————

至于下游做CNE等分析，先split

 ~/mafSplit  _.bed maf/  maf  -byTarget -useFullSequenceName

然后挨个sort一下用Cactus的mafSorter

提CDS等可以看另一篇maffilter的文章。

---------------------分隔符-----------------
Cactus比对的详细参数准备整个付费流程，写好了更新