macでインフォマティクス

macでインフォマティクス

NGS関連のインフォマティクス情報についてまとめています。

バクテリア/アーキアの高速なアノテーションパイプライン DFAST

 2019 11/17 補足説明追記

 

 本著者らはパブリックシーケンスデータベースへのゲノム送信をサポートする原核生物ゲノムアノテーションパイプラインDFASTを開発した。 DFASTは元々オンラインアノテーションサーバーとして開始され、現在までに(論文執筆時点)、2016年の最初の立ち上げ以来、7000以上のジョブが処理されている。ここでは、スタンドアロンコマンドとしても利用可能なDFAST用に新しく実装されたバックグラウンドアノテーションエンジンを紹介する。新しいエンジンは、代表的なサイズのバクテリアゲノムに、偽遺伝子、translation exceptions、特定のリファレンスゲノム間のオロソロガスな遺伝子の割り当てなどの豊富な情報を10分以内にアノテーション付けできる。さらに、DFASTのモジュラーフレームワークにより、ユーザーはアノテーションワークフローを簡単にカスタマイズできる。また、新しい機能の拡張と将来の新しいツールの組み込みも容易になっている。このソフトウェアはPython 3で実装され、Python 2.7と3.4の両方で実行できる(MacintoshおよびLinuxシステム上)。GPLv3ライセンスでhttps://github.com/nigyta/dfast_core/から無料で入手できる。オンライン版もhttps://dfast.nig.ac.jp/で利用できる。

 

FAQ

DFAST - FAQ

sample result

DFAST - Job Result

 

f:id:kazumaxneo:20191009194004p:plain

DFAST annotation workflow. 論文より転載

 

インストール(オフラインで使う場合)

Gihub

#bioconda (link)
conda install -c bioconda -y dfast

dfast

$dfast

usage: dfast -g your_genome.fna [options]

 

DFAST: DDBJ Fast Annotation and Submission Tool version 1.2.3.

 

Basic options:

  -g PATH, --genome PATH

                        Genomic FASTA file

  -o PATH, --out PATH   Output directory (default:OUT)

  -c PATH, --config PATH

                        Configuration file (default config will be used if not

                        specified)

  --organism STR        Organism name

  --strain STR          Strain name

 

Genome settings:

  --complete BOOL       Treat the query as a complete genome. Not required

                        unless you need INSDC submission files.

                        [t|f(=default)]

  --use_original_name BOOL

                        Use original sequence names in a query FASTA file

                        [t|f(=default)]

  --sort_sequence BOOL  Sort sequences by length [t(=default)|f]

  --minimum_length INT  Minimum sequence length (default:200)

  --fix_origin          Rotate/flip the chromosome so that the dnaA gene comes

                        first. (ONLY FOR A FINISHED GENOME)

  --offset INT          Offset from the start codon of the dnaA gene. (for

                        --fix_origin option, default=0)

 

Locus_tag settings:

  --locus_tag_prefix STR

                        Locus tag prefix (defaut:LOCUS)

  --step INT            Increment step of locus tag (default:10)

  --use_separate_tags BOOL

                        Use separate tags according to feature types

                        [t(=default)|f]

 

Workflow options:

  --threshold STR       Thresholds for default database search (format:

                        "pident,q_cov,s_cov,e_value", default: "0,75,75,1e-6")

  --database PATH       Additional reference database to be searched against

                        prior to the default database. (format:

                        db_path[,db_name[,pident,q_cov,s_cov,e_value]])

  --references PATH     Reference file(s) for OrthoSearch. Use semicolons for

                        multiple files, e.g. 'genome1.faa;genome2.gbk'

  --aligner STR         Aligner to use [ghostx(=default)|blastp]

  --use_prodigal        Use Prodigal to predict CDS instead of MGA

  --use_trnascan STR    Use tRNAscan-SE to predict tRNA instead of Aragorn,

                        [bact|arch]

  --gcode INT           Genetic code [11(=default),4(=Mycoplasma)]

  --no_hmm              Disable HMMscan

  --no_cdd              Disable CDDsearch

  --no_cds              Disable CDS prediction

  --no_rrna             Disable rRNA prediction

  --no_trna             Disable tRNA prediction

  --no_crispr           Disable CRISPR prediction

  --gff GFF             [Preliminary implementation] Read GFF to import

                        structural annotation. Ignores --use_original_name,

                        --sort_sequence, --fix_origin.

 

Genome source modifiers and metadata [advanced]:

  These values are only used to create INSDC submission files and do not

  affect the annotation result. See documents for more detail.

 

  --seq_names STR       Sequence names for each sequence (for complete genome)

  --seq_types STR       Sequence types for each sequence (chromosome/plasmid,

                        for complete genome)

  --seq_topologies STR  Sequence topologies for each sequence

                        (linear/circular, for complete genome)

  --additional_modifiers STR

                        Additional modifiers for source features

  --metadata_file PATH  Path to a metadata file (optional for DDBJ submission

                        file)

  --center_name STR     Genome center name (optional for GenBank submission

                        file)

 

Run options:

  --cpu INT             Number of CPUs to use

  --force               Force overwriting output

  --debug               Run in debug mode (Extra logging and retaining

                        temporary files)

  --show_config         Show pipeline configuration and exit

  --version             Show program version

  -h, --help            Show this help message

 

1、オンラインでの利用

https://dfast.nig.ac.jp にアクセスする。

f:id:kazumaxneo:20191009193028p:plain

 

ゲノムのFASTAファイルをアップロードする。任意でタイトルやメールアドレスも記載する。

f:id:kazumaxneo:20191009194455p:plain

メールアドレスを記載しておくと、ジョブ終了後にメールが届く。

 

Advanced optionをクリックすると、サーチの感度設定、locus tag名の指定など、様々指定できる。ゲノム登録のことも考えて、この時点でふさわしい名前にしておくとよい。DnaAのオプションをつけておくと、環状ゲノムの想定でDnaAタンパク質をコードする遺伝子の上流を先頭にしてからアノテーションを行なってくれる(DnaA遺伝子上流には一般的に遺伝子がコードされていないため、ORFがゲノム配列の先頭と最後でsplitするリスクがなくなる(*1)。また、ゲノムの比較もしやすくなる。)。デフォルトではオフセット100bpになっている。

f:id:kazumaxneo:20191009194656p:plain

OptionでNCBI COGデータベースとTIGRAMsを使ったサーチも実行できる。
 

より近い生物のdatabaseからアノテーションをかけた方が一般的に結果は良くなる。下記から選択可能。

f:id:kazumaxneo:20191118002714p:plain

 

 

Runを押して実行する。すぐに終わるので、このままタブに残しておくとよい。

f:id:kazumaxneo:20191009200010p:plain

 

 

早ければ数分で結果が返ってくる(放置しておくと自動更新で結果が表示される)。annotation.zipをクリックすると、全アノテーションデータをzipでダウンロードできる。

f:id:kazumaxneo:20191009200034p:plain

DDBJのMSSに登録する時のファイルも入っている。

 

 

2、オフラインでの利用 (*2)

例えばDnaA遺伝子の上流100bpが先頭(5'末端 、つまり1bp目)に来るようにフラグをつける(Finishしたゲノムのみで正常動作する)。 

dfast -g input_genome.fasta --fix_origin --offset 100

 

 

引用

DFAST: a flexible prokaryotic genome annotation pipeline for faster genome publication
Yasuhiro Tanizawa, Takatomo Fujisawa, Yasukazu Nakamura
Bioinformatics, Volume 34, Issue 6, 15 March 2018, Pages 1037–1039

 

DFAST and DAGA: web-based integrated genome annotation tools and resources.

Tanizawa Y, Fujisawa T, Kaminuma E, Nakamura Y, Arita M
Author information

Biosci Microbiota Food Health. 2016;35(4):173-184. Epub 2016 Jul 14

 

 

 

*1

初期に登録されたゲノムには、そうゆうものがあったりして面倒だった。

 

*2

メモリがそれなりにないと、スワップが連続して起きてターミナルがハングアップするので注意する。物理メモリ24GBのマシンは1度ハングアップした。