ゲノムのアセンブルやde novo transcriptomeの評価手法の１つに、Core gene setがアセンブルされた配列の中にどれだけあるか調べる方法がある（core genesは構成的に発現していると考える）。そのようなツールとしてCEGMAがよく知られている。CEGMAはversion2.5までアップーデートされていたが、2015年にはその後継のBUSCOが発表され、CEGMAはサポートが中止された。BUSCOはCEGMA3.0とも言うべきツールで、CEGMAより随分高速化されているらしい。ここではBUSCOを紹介する。
開発者のブログにCEGMAサポート停止の経緯が詳しく書かれている。リンクを貼っておきます。
Goodbye CEGMA, hello BUSCO! — ACGT
BUSCOは、90%以上の種でsingle copy orthologousな遺伝子をcore geneとして定義し、それをデータベースにしてクエリー配列を検索する。100%でなく90パーセントで線を引いたのは、一部の種ではcore geneが複製したり、アセンブルが不完全で抜けているため見つからなかったなどの理由で100%保存にできなかったためらしい。そのため90という数値に生物的な意味はないが、core geneヒット数が90パーセントを大きく割るようならおそらくアセンブルが不完全と判断できる。
公式ページ マニュアルもダウンロードできる。
インストール
*すでにversion3がでているが、ここではversion1.22を解説する。
brew install busco
*CEGMAもbrewでインストール可能。
ラン
解析には、Core geneのデータベースを用意する必要がある。データセットは以下のリンクからダウンロードする。バクテリアも用意されている。
- BUSCO datasets
- このページから写真をクリックして自動ダウンロードすることもできる。
シロイヌナズナのデータなら陸上植物のデータベースを使う。wgetでダウンロードする。
wget http://busco.ezlab.org/v2/datasets/embryophyta_odb9.tar.gz
ダウンロードが終わったら解凍する。遺伝子リストは解凍したディレクトリのinfo/~info.txt.gzに保存されている。中身を見てみる。
user$ gzip -dc embryophyta_3193_OrthoDB9_orthogroup_info.txt.gz |head -10 |cut -f 1-2
OrthoGroupID Description
EOG09360002 "Zinc finger, UBR-type"
EOG0936000A "Zinc finger, RING/FYVE/PHD-type"
EOG0936001N "PIK-related kinase"
EOG0936001W "Uncharacterized protein"
EOG09360025 "SNF2-related, N-terminal domain"
EOG0936003Z "P-loop containing nucleoside triphosphate hydrolases superfamily protein"
EOG0936004R "Telomere length regulation protein, conserved domain"
EOG0936004W "DNA-directed DNA polymerase, family B"
EOG0936008E "Zinc finger, RING/FYVE/PHD-type"
左端１、２列目にIDとdescriptionがある。植物のcore geneデータベースは1440遺伝子ある。
Genome assembly
BUSCO -g scaffolds.fasta -o OUTPUT -l embryophyta_odb9 -m genome -c 8
- -g Input file in fasta format. Can be a genome, proteome or transcriptome.
- -o output
- -l lineage,lineage Which BUSCO lineage to be used.（ここではembryophyta_odb9を指定）
- -m mode which module to run the analysis to run, valid modes are 'all'(genome assembly), 'OGS' (gene set / proteome) and 'trans' (transcriptome). (Defaults all)
- -c Number of threads/cores to use.
Transcriptome
BUSCO -g transcripts.fasta -o OUTPUT -l embryophyta_odb9 -m trans -c 8
アラビのRNAをde novoでアセンブルした配列(fasta)をクエリーとしている。
- -l ここではembryophyta_odb9を指定
アラビのtranscriptomeデータをde novo assemblyして作った配列（54000 transcrpts）を解析したところ、１０分くらいかかった。
full_table_OUTPUT~が詳細なデータとなる。またshort_summary_OUTPUT_PLANTに結果がまとめられている。summaryには以下のような情報が載っている。
#Summarized BUSCO benchmarking for file: transcripts.fasta
#BUSCO was run in mode: trans
Summarized benchmarks in BUSCO notation
: C:0%[D:0%],F:0%,M:0%,n:1440
1357 Complete BUSCOs
896 Complete and single-copy BUSCOs
461 Complete and duplicated BUSCOs
17 Fragmented BUSCOs
66 Missing BUSCOs
1440 Total BUSCO groups searched
植物用のcore geneのカタログは合計1440遺伝子あるが、1357見つかり、そのうち461はduplicateしているとの結果が出た。また、1440遺伝子のうち66が見つからないと出ている。
missing_buscos_list~には見つからなかった66のIDが載っている。orthoDBを検索して、どんな遺伝子がsingle copy orthologousとして見つからなかったか確認する。
Ortholog Search | cegg.unige.ch Computational Evolutionary Genomics Group
今回の検証ではシロイヌナズナのリファレンスcDNAを使っている。ハウスキーピング遺伝子の発現がゼロになるとは考えにくいので、ナズナのゲノムにはmissingの66遺伝子の大半が存在しないということだろうか。
ラン途中にエラーが起きたら、fastaのヘッダーが悪さをしている可能性もあります。以下のようなコマンドでシンプルな名前に修正してランし直してみて下さい。
perl -ane 'if(/\>/){$a++;print ">name_$a\n"}else{print;}' input.fa > rename.fa
追記
アセンブリmetricsを調べるツールには、TransrateやDRAPなどもあります。DRAPにはBUSCOも取り込まれています。
引用
BUSCO: assessing genome assembly and annotation completeness with single-copy orthologs.
Felipe A. Simão, Robert M. Waterhouse, Panagiotis Ioannidis, Evgenia V. Kriventseva, and Evgeny M. Zdobnov
Bioinformatics, published online June 9, 2015 | Abstract | Full Text PDF | doi: 10.1093/bioinformatics/btv351
Supplementary Online Materials: SOM