
大型植物基因组构建重复序列库,先验收组装及建库方案,再安排长任务。RepeatModeler会组合多个程序和采样轮次,数据库创建、重复发现、比对与分类的资源并不相同。不能只看某一阶段CPU空闲,就把整轮配置简单翻倍。
明确基因组与软件链
本文按当前官方RepeatModeler 2.0.9接口,使用已配置好的依赖环境。输入为未压缩、序列ID唯一的目标组装FASTA,记录污染与细胞器处理、组装版本及总长度。不同组装若混在同一个数据库,得到的库目标也变了,不当作单组装建库的无影响并发方案。
| 阶段 | 材料或产物 | 记录重点 |
|---|---|---|
| BuildDatabase | 组装与BLAST数据库 | 输入指纹、数据库前缀 |
| RepeatModeler | 采样轮次与重复发现 | 种子、线程、各程序日志 |
| 最终库 | families.fa、families.stk | 共识、种子比对及分类 |
| 恢复材料 | RM_*目录及数据库 | 完整目录关系与版本 |
先建立可追溯的完整入口
GENOME填FASTA绝对路径,THREADS填获配正整数。所有数据库和临时目录在新工作目录创建,不覆盖旧任务。当前threads表示本程序任一时刻使用的最大线程设置,旧pa按批次并行的含义不同,不能把旧参数数值原封不动迁移。
set -euo pipefail
: "${GENOME:?填写已质控未压缩FASTA绝对路径}"
: "${THREADS:?填写获配正整数线程数}"
case "$GENOME" in /*) ;; *) exit 2;; esac
case "$THREADS" in ""|*[!0-9]*) exit 2;; esac
test "$THREADS" -ge 1 || exit 2
test -s "$GENOME" || exit 2
mkdir repeatmodeler-001
cd repeatmodeler-001
RepeatModeler -version > version.txt 2>&1
sha256sum "$GENOME" > input.sha256
/usr/bin/time -v -o database.time.txt \
BuildDatabase -name genome "$GENOME" > database.log 2>&1
/usr/bin/time -v -o model.time.txt \
RepeatModeler -database genome -threads "$THREADS" -srand 101 \
> model.log 2>&1
for file in genome-families.fa genome-families.stk genome-rmod.log; do
test -s "$file" || exit 1
done
awk '/^>/{n++}END{if(n<1)exit 1;print "consensus_sequences",n}' genome-families.fa \
> library-count.txt
find . -maxdepth 1 -type d -name 'RM_*' > recovery-directories.txt
区分基础路线与LTR结构搜索
本例不启用可选LTRStruct,作为明确的基础建库路线。研究若需要组合LTR结构发现,应先准备该版本要求的GenomeTools、LTR_retriever等依赖并固定兼容版本,按完整方案另测。不能把少跑一个方法阶段包装成同质量的硬件加速。
基因组片段可用于环境和参数诊断,但部分序列不能代表全基因组重复构成,也不能用小片段耗时线性保证全量完成。正式库要在既定完整范围运行,采样、额外轮次和quick等方法选项保持可追溯。日志中的随机种子也需保存。
验收重复库内容
三份最终产物非空及共识条数只是最低门槛。检查共识长度、重复家族分类、未知分类、低复杂度及可能非目标序列,结合后续屏蔽结果评价。未知类别不应仅为让分类比例好看而删除,最终FASTA也不能仅因有多个序列就视为高质量重复库。
保留Stockholm种子比对及运行汇总,便于后续复核和库版本管理。交给RepeatMasker时记录准确库文件和校验值,不混用另一组装或另一轮的同名families.fa。重复库构建与重复屏蔽是不同任务,资源分别测量。
按阶段监控与恢复
GNU Time记录数据库与完整建模过程的墙钟和RAM,阶段峰值还需按日志时间结合监控采样。工作盘要容纳输入、数据库、RM_*内部轮次、比对和最终库;结束时du只说明当前占盘,不能当临时盘最高使用量。
中断后保留整个工作目录,核对原输入、版本、数据库及RM_*现场,再按该版本recoverDir规则恢复。不要把另一任务的中间目录搬来拼接。恢复耗时和从头运行分别记录,清理前确认任务已结束且恢复需求已满足。更多内存不能修复依赖不兼容、输入污染或不合适的建库范围。
需要额外算力时
适用前提:重复序列识别流程适用,必要阶段峰值超过本地资源。如需额外资源,可评估大内存CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。
咨询本任务的服务器配置
留下手机号,我们会结合本文任务与您沟通服务器配置和报价。 也可联系云生信企业微信客服,说明本文任务。咨询本任务的服务器配置
参考与版本核对
按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。
