1.拟南芥基因组数据的下载
phytozome 是一个收录植物基因组数据的网站,数据整理比较规范,已 经提供了去除可变剪切的 cds 和 protein 序列文件。只有 gff3 文件需要 过滤处理
- 对拟南芥的注释文件gff3文件进行ID处理,最终得到以下4个文件
基因组文件:Ath.genome.fasta
基因注释文件:Ath_final.gff3 cds
序列文件:Ath.cds.fasta
蛋白序列文件:Ath.pep.fasta
3.从拟南芥数据库 geneFamily 中下载我们关注的基因家族信息
手动将列表信息复制粘贴至notepad++软件中并保存
然后查阅拟南芥的基因组Ath_genome.fasta文件发现其gene_id全是大写字母,而上述的存在大小写,需将其全部转换成大写ID
awk
命令
然后说说 awk
命令(文本三剑客之一),你可以使用它的 toupper
和 tolower
选项来进行相同的操作。同样是上例,脚本中的命令可以使用以下方式代替执行:
bash
$ cat SPL_Ath.list | awk '{print toupper($0)}' >> SPL_Ath.idlist
$cat SPL_Ath.idlist
AT2G47070
AT1G27370
AT1G27360
AT3G60030
AT5G50570
AT1G20980
AT3G57920
AT1G76580
AT5G43270
AT2G33810
AT1G53160
AT3G15270
AT1G69170
AT5G18830
AT1G02065
AT2G42200
上边是将字符转换为大写字符,下边则是相反操作,转换为小写字符:
$ cat SPL_Ath.list | awk '{print tolower($0)}' >> test2.list
- 基于SPL_Ath.idlist的ID信息去蛋白质序列文件提取对应的氨基酸序列
bash
##首先安装seqtk软件
conda install -y seqtk
##再利用subseq选项根据id列表提取对应的序列
seqtk subseq Ath.pep.fasta SPL_Ath.idlist > SPL_Ath.pep.fasta
出现错误,没有提取序列成功;查阅一看发现是目标序列的ID"AT2G47070"和拟南芥蛋白质序列的ID"ATCG00500.1"(从Phytozome网站下载的)名称不一致
查阅发现从Emsembl网站下载的才是和自己的ID命名格式相同
bash
##利用subseq选项根据id列表提取对应的序列
seqtk subseq Arabidopsis_thaliana.TAIR10.pep.all.fa SPL_Ath.idlist > SPL_Ath.pep.fasta
##利用sed命令配合正则表达式
cat test1.fasta | sed 's/.*gene:\(.*\) transcript:.*/>\1/p' |less -S
##保存结果
cat test1.fasta | sed 's/.*gene:\(.*\) transcript:.*/>\1/p' > pep.fasata
ID替换成基因的id
bash
seqtk subseq Arabidopsis_thaliana.TAIR10.pep.all.fa SPL_Ath.idlist > SPL_Ath.pep.fasta
利用seqtk命令进行序列的提取
参考来源: