macでインフォマティクス

macでインフォマティクス

HTS (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。

パンゲノム解析でゲノミックアイランドやHGT(コア遺伝子ではない領域)を探索するPPanGGOLiNのpanRGPコマンド

 

 Horizontal gene transfer(HGT)は原核生物のゲノムの変動性の主な原因である。ゲノム可塑性領域(Region of genome plasticity: RGP)とは、非常に可変性の高いゲノム領域に位置する遺伝子の集合のことである。その多くはHGTから発生し、 genomic islands(GI)に対応している。これらの領域を種レベルで研究することは、ゲノムデータの氾濫に伴い、ますます困難になってきている。現在までのところ、数百のゲノムを用いてGIを同定し、その多様性を探る方法はない。
 本研究では、ある種の全ゲノムから作成したパンゲノムグラフを用いてRGPを予測するpanRGP法を提案する。これにより、RGPの多様性にアクセスし、挿入のスポットを予測するために、何千ものゲノムを研究することができる。他のGI検出ツールと基準データセットとのベンチマークを行ったところ、最高の予測結果が得られた。さらに、大腸菌の挿入スポットとしてよく研究されているleuX tRNAホットスポットの境界を再定義することで、メタゲノムをアセンブルしたゲノム上でのpanRPGの使用を説明した。

 本研究で紹介した手法は、以下のソフトウェアから入手できる: https://github.com/labgem/PPanGGOLiNベンチマークメトリクスを計算するための詳細な結果とスクリプトhttps://github.com/axbazin/panrgp_supdata から入手できる。

 

インストール

ubuntu18.04LTSでテストした。レポジトリではmambaによる導入が推奨されているが、ここではcondaコマンドでcondaの仮想環境に導入した。

本体 Github

#bioconda (link)
conda create -n ppanggolin-env -y
conda activate ppanggolin-env
conda install -c bioconda ppanggolin -y

> ppanggolin rgp -h

$ ppanggolin rgp -h

usage: ppanggolin rgp [-h] [--persistent_penalty PERSISTENT_PENALTY]

                      [--variable_gain VARIABLE_GAIN] [--min_score MIN_SCORE]

                      [--min_length MIN_LENGTH] [--dup_margin DUP_MARGIN] -p

                      PANGENOME [--tmpdir TMPDIR] [--verbose {0,1,2}]

                      [--log LOG] [-c CPU] [-f]

 

Optional arguments:

  --persistent_penalty PERSISTENT_PENALTY

                        Penalty score to apply to persistent genes (default:

                        3)

  --variable_gain VARIABLE_GAIN

                        Gain score to apply to variable genes (default: 1)

  --min_score MIN_SCORE

                        Minimal score wanted for considering a region as being

                        a RGP (default: 4)

  --min_length MIN_LENGTH

                        Minimum length (bp) of a region to be considered a RGP

                        (default: 3000)

  --dup_margin DUP_MARGIN

                        Minimum ratio of organisms where the family is present

                        in which the family must have multiple genes for it to

                        be considered 'duplicated' (default: 0.05)

 

Required arguments:

  One of the following arguments is required :

 

  -p PANGENOME, --pangenome PANGENOME

                        The pangenome .h5 file (default: None)

 

Common arguments:

  -h, --help            show this help message and exit

  --tmpdir TMPDIR       directory for storing temporary files (default: /tmp)

  --verbose {0,1,2}     Indicate verbose level (0 for warning and errors only,

                        1 for info, 2 for debug) (default: 1)

  --log LOG             log output file (default: stdout)

  -c CPU, --cpu CPU     Number of available cpus (default: 1)

  -f, --force           Force writing in output directory and in pangenome

                        output file. (default: False)

> ppanggolin panrgp -h

$ ppanggolin panrgp -h

 

usage: ppanggolin panrgp [-h] [--fasta FASTA] [--anno ANNO]

                         [--clusters CLUSTERS] [-o OUTPUT]

                         [--basename BASENAME] [--rarefaction]

                         [-K NB_OF_PARTITIONS] [--interest INTEREST]

                         [--no_defrag] [--tmpdir TMPDIR] [--verbose {0,1,2}]

                         [--log LOG] [-c CPU] [-f]

 

Input arguments:

  The possible input arguments :

 

  --fasta FASTA         A tab-separated file listing the organism names, and

                        the fasta filepath of its genomic sequence(s) (the

                        fastas can be compressed). One line per organism. This

                        option can be used alone. (default: None)

  --anno ANNO           A tab-separated file listing the organism names, and

                        the gff filepath of its annotations (the gffs can be

                        compressed). One line per organism. This option can be

                        used alone IF the fasta sequences are in the gff

                        files, otherwise --fasta needs to be used. (default:

                        None)

  --clusters CLUSTERS   a tab-separated file listing the cluster names, the

                        gene IDs, and optionnally whether they are a fragment

                        or not. (default: None)

 

Optional arguments:

  -o OUTPUT, --output OUTPUT

                        Output directory (default: ppanggolin_output_DATE2021-

                        01-05_HOUR12.54.09_PID2944099)

  --basename BASENAME   basename for the output file (default: pangenome)

  --rarefaction         Use to compute the rarefaction curves (WARNING: can be

                        time consumming) (default: False)

  -K NB_OF_PARTITIONS, --nb_of_partitions NB_OF_PARTITIONS

                        Number of partitions to use. Must be at least 3. If

                        under 3, it will be detected automatically. (default:

                        -1)

  --interest INTEREST   Comma separated list of elements to flag when drawing

                        and writing hotspots (default: )

  --no_defrag           DO NOT Realign gene families to link fragments with

                        their non-fragmented gene family. (default: False)

 

Common arguments:

  -h, --help            show this help message and exit

  --tmpdir TMPDIR       directory for storing temporary files (default: /tmp)

  --verbose {0,1,2}     Indicate verbose level (0 for warning and errors only,

                        1 for info, 2 for debug) (default: 1)

  --log LOG             log output file (default: stdout)

  -c CPU, --cpu CPU     Number of available cpus (default: 1)

  -f, --force           Force writing in output directory and in pangenome

                        output file. (default: False)

 

 

テストラン

ランには生物名リストファイル(テストファイルは”ORGANISMS_FASTA_LIST”)を指定する。このリストファイルは、最初のカラムにゲノムファイル名(ユニークであること)(空白は不可)、タブ区切り、2 番目の列にそのFASTA ファイルへのパスを記載する。環状の配列が含まれている場合、タブ区切りで3列目以降にその識別子を記載する。

f:id:kazumaxneo:20210105130201p:plain

リストファイルを指定してラン

git clone https://github.com/labgem/PPanGGOLiN.git
cd PPanGGOLiN/testingDataset/
ppanggolin panrgp --fasta organisms.fasta.list--cpu 20

50 Chlamydia trachomatis genomeのテストランは数十分で終わった。

 

 出力

f:id:kazumaxneo:20210105125148p:plain

partitions/

f:id:kazumaxneo:20210105132134p:plain

Ushaped_plot.html

f:id:kazumaxneo:20210105131948p:plain

 

  • ppanggolinの通常のパンゲノム解析ワークフローを実行後、ゲノムの可塑性領域( regions of genome plasticity)に関連するファイルが追加で書き込まれる。
  • PanGGOLiNの統計的アプローチでロバストな結果を得るためには、ゲノムに変異を持つ15ゲノム以上を使用することが推奨されている。

出力内容の詳細はwikiのoutputを確認してください。

Outputs · labgem/PPanGGOLiN Wiki · GitHub

 

引用

panRGP: a pangenome-based method to predict genomic islands and explore their diversity
Adelme Bazin, Guillaume Gautreau, Claudine Médigue, David Vallenet, Alexandra Calteau Author Notes
Bioinformatics, Volume 36, Issue Supplement_2, December 2020

 

PPanGGOLiN の他のコマンドについては以前の投稿も参考にして下さい。