
多物种共线性先要解决标识和坐标一致,增加并发不能补救错误输入。本篇以MCScanX的两个物种任务为单位:整理四列坐标和BLAST格式同源结果,通过检查后运行,再登记每一对是否产生可解释的共线性块。多物种总任务量按物种对规划。
按程序实际读取格式准备输入
当前官方源码读取前缀.gff与前缀.blast,结果为前缀.collinearity。这里的.gff是简化四列表,不是直接传入九列GFF3;README部分旧文字写bed或synteny,不能据此猜实际文件名。蛋白质同源搜索与注释应使用同一套代表转录本,先保存基因ID映射。
| 输入项目 | 本例约定 | 常见错误 |
|---|---|---|
| pair.gff | 染色体、基因ID、起点、终点,TAB分隔 | 把原始GFF3直接改扩展名 |
| 物种前缀 | AA_chr1与BB_chr1 | 两个物种均叫chr1 |
| pair.blast | 标准BLAST m8的12列 | 查询/目标ID与坐标表不一致 |
| pair.collinearity | 本次物种对结果 | 只看文件存在,不看块和锚点 |
源码用染色体名称前两个字符识别物种,因此两物种必须使用不同的两字符前缀。当前读取逻辑把第三列作为位置参与排序,不是用起终点自动计算中点;坐标应来自统一协议。下面的检查采用非负整数、32位范围和两个物种的明确约束,不替代对注释来源的生物学审核。
先检查标识,再交给MCScanX
将以下保存为check_pair.py,与pair.gff、pair.blast放在同一项目目录。检查器允许物种内同源命中,但要求至少一个跨物种命中;全部是物种内比对时,不能把空的跨物种分析误当正常资源试跑。
import math
genes={}
with open("pair.gff") as f:
for line in f:
fields=line.rstrip("\n").split("\t")
assert len(fields)==4, "坐标表须恰为四列"
chrom,gene,left,right=fields
assert len(chrom)>2 and gene and gene not in genes
left,right=int(left),int(right)
assert 0<=left<=right<2**31
genes[gene]=chrom[:2]
assert genes and len(set(genes.values()))==2
cross=0
with open("pair.blast") as f:
for line in f:
fields=line.split()
assert len(fields)==12, "同源表须为标准12列"
q,s=fields[:2]
assert q in genes and s in genes, "同源ID缺坐标"
e=float(fields[10]);assert math.isfinite(e) and e>=0
cross+=genes[q]!=genes[s]
assert cross>0, "没有跨物种命中"
print("genes",len(genes),"cross_species_hits",cross)
set -euo pipefail
python3 check_pair.py > pair.input-check.txt
mkdir mcscan-AA-BB-001
cp pair.gff pair.blast mcscan-AA-BB-001/
cd mcscan-AA-BB-001
sha256sum pair.gff pair.blast > inputs.sha256
/usr/bin/time -v -o run.time MCScanX pair -a -b 2 > run.log 2>&1
test -s pair.collinearity
验收要区分空块与进程失败
-a仅计算成对共线性块,-b 2限制跨物种块,适用于本例;不要把它理解成只启动两个线程。读取collinearity中的实际块记录和锚点数,只有注释或表头不代表发现了共线性。没有块时依次检查ID交集、物种前缀、同源命中分布、注释版本与参数,再判断是否为真实生物学差异。
同源搜索的过滤协议会影响锚点,不为得到更多连线反复放宽阈值后只保留最好看的结果。记录过滤前后命中数和方法理由,绘图使用同一份经过验收的块文件。必要时抽查一组锚点在原注释中的位置和方向,确认没有把转录本ID与基因ID混合。
扩为多物种任务清单
N个物种的无向两两比较共有N×(N−1)/2对。任务表至少写物种对、两个蛋白集和注释的SHA、搜索设置、输出前缀、退出状态、实际块数及检查结论。每对建立新目录,先测同源搜索和MCScanX各自耗时、RSS与磁盘;它们不是一个资源阶段。确认单对正确后再增加外层并发,并保留无块及失败任务,不能在汇总时静默丢弃。
例如AA_chr1、AA_gene001、100、900与BB_chr1、BB_gene007、500、1200可作为两条坐标记录,而同源表必须仍使用AA_gene001和BB_gene007。若蛋白标题带额外说明,只统一取ID部分并保存对应表;不能随意截断版本号,使多个原始ID合并成一个。
下载练习材料
先核对包内SHA256清单,再在独立目录复现。
需要额外算力时
适用前提:同源与坐标数据正确,物种配对数量形成批量计算需求。如需额外资源,可评估按任务测算的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。
