基因家族分析（1）：数据下载与处理

本文主要工作内容：

(1)下载了用于分析的隐马尔可夫模型，基因组序列，蛋白质序列，cds序列与gff3文件

(2)对所下载文件进行必要处理，以满足后续分析需要

有关基因家族的概念我之前已经在这里书写过基因家族分析（0）：概念明晰 - 简书，就不重新撰写了。我们直接开始进行实战练习。这里选取的是Jin X, Liu Y, Hou Z,Zhang Y, Fang Y, Huang Y, Cai H, Qin Y, Cheng Y. Genome-Wide Investigation of SBT Family Genes in Pineapple and FunctionalAnalysis of AcoSBT1.12 in Floral Transition. Front Genet. 2021 Sep 7;12:730821.doi: 10.3389/fgene.2021.730821. 这篇文章。他们主要分析了菠萝中的SBT 基因家族。

1.数据准备

1.1 相关数据下载

1.1.1 隐马尔可夫模型(HMM)

文章当中使用HMM是Peptidase_S8 domain(PF00082)，需要我们进入Pfam数据库中下载https://www.ebi.ac.uk/interpro/entry/pfam/#table，

这里需要注意的是：根据我的理解pfam数据库归入到了InterPro数据库之中，因此找到它的模型下载界面需要重新寻找，pfam不再是原来的搜索方法。进入页面后直接在Search entries中搜索PF00082.搜索完成后直接点击搜索到的PF00082那串字符就好，它是一个链接

进入后会有对该类模型的描述，要注意Sedolisin是对该模型所属蛋白质家族的详细介绍，但是因为数据来源是维基百科，所以我在使用时依靠vpn才能看到这段信息，但是这并不影响模型下载。

点击Curation进入下载界面，可以看到醒目的Download。选择复制并下载，解压后直接传输到服务器中，将数据保存在~/gene_family/11.data文件夹下。

1.1.2 基因组序列、gff3、cds、蛋白质序列下载

幸运的是，基因家族所需的菠萝参考基因组等数据能够从phytozome v13(https://phyt ozome-next.jgi.doe.gov/)上直接获取，一般来说，这个网站得到的数据最好处理，非常省事。

进入网站后直接搜索pineapple，就能找到需要的结果，选择它。随后点击右方的1 genomes selected进入新的界面。

点击Download，在页面跳出的提示下点击proceed to data进入新的界面

这里我们选择如图所示的四种类型数据进行下载，因为基因表达的过程中包含了可变剪切，因此为了简化分析，我们选择了去除可变剪切的版本。可以理解为这样子使一个基因对应一个cds/pep序列。但是gff3文件中还存在可变剪切的现象，因此我们需要在之后把数据下载完成后进一步处理。当勾选完成后要点击add to cart。

    然后点击右上角的购物车，进入新的界面。在这个过程中，你必须要在上面完成注册，也即你只有拥有了该数据库的账户才能进一步执行下载命令。

那么就使用Command line download

把代码复制下来，在服务器上运行。

运行后会得到一个压缩文件，对其解压，并将文件夹中文件转移到存储数据的文件夹中，最后对文件名进行修改，方便后续操作。

1.2 数据处理

1.2.1 cds文件

可以明显看到cds序列的fasta文件中序列号名字太长，我们只保留Aco031087.1,剩下的就直接删去，这里使用awk解决

1.2.2 蛋白质序列处理

按照刚才的方法对蛋白质序列检查，发现存在同样的问题，故对文件进行处理。

1.2.3 gff3文件处理

由于基因组中可能存在可变剪切，因此需要检验这种情况。经过查验，基因数量和mRNA数量保持一致，这就说明这一版本的注释文件中并不存在可变剪切的情况。因此只需要对gff3文件中的细节进行修改就好。可以发现在每行的“ID=”多了“.v3”,这与刚刚处理的cds和pep文件是不对应的，因此我们要统一ID。

当处理完以上文件后，我们就可以进行后续的数据分析了。

| 基因家族分析系列（持续更新）

0.基因家族分析（0）：概念明晰

1.基因家族分析（1）：数据下载与处理

2.基因家族分析（2）：基因家族鉴定与蛋白质性质简单分析

3.基因家族分析（3）：序列比对与进化树构建