两份重复注释报告,一份说某段组装有约百分之三十三被屏蔽,另一份说约百分之四十四。仅凭这两个百分比,无法判断是重复家族库更丰富、搜索更灵敏、低复杂度处理不同,还是两份报告使用了不同的序列作分母。我们把三段有明确来源的重复拷贝埋入同一条人工序列,用同一版 RepeatMasker 实跑三次,把命中表和屏蔽后的每个碱基一一对过。这个实验可以在自己的分析上照做,尤其适合给新组装换用物种特异库前,检查流程究竟改动了哪一步。
建一个能知道正确答案的小样本
真实基因组不存在一张随手就能拿到的完整答案表。若比较两个参数发现多出了一段,光看软件得分很难断定它是不是真正的重复。测试安装和解释输出时,可以反过来做,先生成一个小样本,明确埋进去的序列、方向和位置。我们设计家族甲五百二十个碱基、家族乙三百六十个碱基,在随机背景上放入一个正向甲、一个带十八处替换的反向甲,再放入一个正向乙。背景和两个家族都由固定种子生成,整条序列长三千一百七十个碱基。这样第二个命中能同时检验方向和轻度分化,第三个命中专门检验更换家族库的影响。
这两条人工家族用不同的分类标签写进自建库,软件会把名称和标签带到输出。由于分类是我们事先赋的,能正确打印标签只说明输入被读到了,不能据此证明生物学分类正确。真实项目中若一个新家族只含保守片段,分类仍需要查看结构特征、同源关系以及多条独立拷贝。本文检查的是另一个更具体的问题,当一个已知家族确实在库或不在库时,可观察到的序列比对和屏蔽结果怎样变化。RepeatMasker 程序说明

实跑经验 · 一次改库,一次只改输出方式
我们配置了 RepeatMasker 4.2.6 的 RMBlast 搜索引擎,用自建核酸重复库运行。三次都固定单任务并关闭单独的简单重复及低复杂度筛查,避免背景中零星简单序列给库对照引入另一类命中。第一轮库里只有甲,输出硬屏蔽序列。第二轮库里同时有甲和乙,仍输出硬屏蔽序列。第三轮沿用双家族库,只把屏蔽方式改成小写。脚本为每个条件创建不同目录,保留原组装、输入库、正式命中表、屏蔽结果和运行日志。可下载的脚本及实测坐标
python3 095-repeatmasker/run.py /path/to/RepeatMasker/RepeatMasker work
# 以下命令可在全新的工作目录中单独测试一份自建库
RepeatMasker -engine rmblast -pa 1 -nolow -lib library.fa -xsmall target.fa
| 条件 | 实际找到的家族与方向 | 命中区间并集 | 输出中 N 的个数 | 输出中小写碱基 |
|---|---|---|---|---|
| 仅有甲,硬屏蔽 | 甲正向、甲反向 | 1040 | 1040 | 0 |
| 加入乙,硬屏蔽 | 甲正向、甲反向、乙正向 | 1400 | 1400 | 0 |
| 加入乙,软屏蔽 | 甲正向、甲反向、乙正向 | 1400 | 0 | 1400 |
从第一轮到第二轮,原有两个甲家族的坐标和方向都保持一致,新增的是第二千二百八十一到第二千六百四十之间的乙家族。左右边界都计入,正好三百六十个碱基。三个条件的分母始终是同一份组装,输入也没有预先存在的未知碱基。因此总比例的变化可以完整归给这个家族。在正式项目中,不能靠相减两个摘要百分比完成同样归因。两个库可能在同一位置选了不同家族名称,还可能沿同一拷贝把命中向两端延伸。只有比较每个基因组位置,才能分开新增区域、已经覆盖但改了分类的区域,以及在新版中反而消失的区域。
第二轮与第三轮则提供另一种对照。两个条件的命中坐标逐项相同,输出序列写法却不同。硬屏蔽把一千四百个位点改写为未知碱基,单凭这份输出已经无法重建原序列。软屏蔽把相同位点写成小写,同一条序列转回大写便与原始人工输入逐碱基相同。我们还直接核对了命中表里所有坐标的并集与输出中发生标记的位置,在三个条件下都是完全相等。对真实组装,原本就有的小写区和未知区可能让简单计数出现差异,应先决定只数新变化,还是要统计输出中的全部标记。
怎样从一行命中读回组装
这份实验里第一个甲家族位于五百零一到一千零二十,第二个在一千三百七十一到一千八百九十,二者在组装上的跨度都是五百二十。命中表把第二个的方向写成字母 C,表示其与参考重复序列以互补方向匹配。组装一侧的起止坐标仍然从小排到大。若要从组装提取该拷贝与家族共识逐位比较,先按这两个基因组坐标取正向片段,再针对该条记录做反向互补。直接把基因组起止交换,或者未经转换就用从右向左的数值索引序列,都可能返回空片段或错误窗口。
方向还会改变命中表右半边的阅读顺序。那部分描述匹配在重复参考序列上的位置,有些数值用括号标出剩余长度。解析时先按软件说明给各列赋名,保留括号和互补标记用于核对。做覆盖率时先读查询序列这一侧,做家族是否全长命中时再读重复参考一侧。反向甲的差异比例显示为百分之三点五。原序列人为替换十八个碱基,十八除以五百二十约为百分之三点四六,和显示精度相符。这只是一个无缺口的控制样本。在存在插入缺失、复杂比对或高度分化家族的真实材料上,不宜把屏幕上一位小数直接乘以长度当成精确的替换数。RepeatMasker 输出与选项文档
如果要把命中表导入区间工具,可先生成标准的零基、左闭右开文件。原表起点减一,终点原样保留。对第一个甲拷贝,这样得到五百到一千零二十,半开区间长度仍是五百二十。然后先按序列名、数值起点排序,再合并相交区间,用合并后的长度求和。下面的命令只针对本实验的标准输出表,忽略文字表头,能复算双家族条件的一千四百。真实项目还应核对算的是哪些类别,是否排除简单重复、低复杂度或未分类家族,并在报告中记录这一口径。
awk '$1 ~ /^[0-9]+$/ {print $5"\t"$6-1"\t"$7}' work/two_soft/target.fa.out |
sort -k1,1 -k2,2n | bedtools merge -i - |
awk '{bp+=$3-$2} END {print bp}'
换库之前,先判断什么样的差异值得追
第一类差异是新库找到了此前完全没有覆盖的片段。对每个新家族,可以按命中长度分层,把只覆盖很短内部区域的片段与能覆盖家族大部分长度的片段分开。挑几处不同染色体位置检查两侧边界和方向,再看是否只因为库里恰好加入了一段普通宿主基因,导致许多保守编码片段同时被报成重复。若新增命中大多只覆盖家族的一小块,审阅的重点应落在那一块是否特异。若多个位置都覆盖了家族主体并在相近位置结束,说明家族库增加的信息更加具体。
第二类是已有区域改了名字。两个近缘家族可能在同一片段上竞争,库扩充后从未知类变成某一明确类别,或者从旧分类移到相近的新分类。只看按类别汇总的柱状图,会看到某类减少、另一类上升,看起来像重复总量发生了很大变化。可以先计算两版全部重复区间的交集,再只在交集内建立新旧类别的对应表。尤其要把“同一坐标改名”和“真正多屏蔽了若干新碱基”分开。若后续做的是某类元件的演化比较,二者决定了应该重审家族分类,还是重审旧版漏掉的拷贝。
第三类是边界发生改变。库中共识变得更长,或者把几个过短的家族合并后,原来分成两段的命中可能更连续。此时报告行数可能减少,覆盖的独有碱基却增加。要估计元件拷贝数,需要再判断邻近片段是否来自同一个插入、是否被另一元件打断,不能把每条命中行都记作一次独立插入事件。一个可复查的方法,是保存每个候选插入在组装上的范围、家族方向和在共识上覆盖的部分,并对间距很小、顺序相符的片段进行局部人工核对。这个审阅目的与给组装做软屏蔽所需的区间并集并不相同。
比较区间时可以加一个守恒检查。把旧库的并集拆成两块,一块与新库重叠,另一块是旧库独有。它们的长度之和必须等于旧并集。把新库也这样拆一次,两份结果中算出的共有长度必须一致。本例旧库的共有部分是一千零四十,旧库独有为零,新库独有三百六十。若换成真实数据后两次算出的共有长度不同,优先查序列名是否统一、是否先各自合并了重叠、是否把不同家族的多个区间重复计入。通过这个检查之后,再去抽查具体家族与生物学原因,会少在格式和重复计数上浪费时间。
交付给做基因预测的人之前
问清下游程序怎样解释小写字符。某些工作流能读取软屏蔽标记并改变搜索或预测行为,有的在读入时便转成大写,也有的只接受单独的重复区间。一个简单测试是给相同的小序列准备全大写、软屏蔽和硬屏蔽三个版本,把后续执行的真实命令分别跑一次,比较预先选好的目标基因是否仍能定位。若下游只读取坐标注释,那就一并交付标准区间文件和原组装。若它确实使用大小写,则不要在中间格式转换时无意间统一转成大写。把测试用例留下,比在交付说明里笼统写一句“已去重复”更容易定位后续差异。
统计分母也要约定好。正式组装可能包含大量未知间隔、替代单倍型或未定位片段。如果第一份报告纳入全部序列,而第二份只包括主染色体,哪怕两个库在共有染色体上的命中一模一样,最终百分比也可能改变。可以分别报告输入总长度、实际纳入的染色体集合、已有未知碱基数,以及重复区间的合并覆盖长度。样本之间需要比较时,再决定是否同时给出每条染色体的分布。读者能够从这些整数重算比例,就能分辨差异究竟来自分母、重复库,还是同一位置上的分类调整。
在我的交付表里,至少会保留输入序列和家族库的校验摘要,记录是否启用了低复杂度搜索、哪一种屏蔽方式、原表的坐标口径,以及抽查过的正向和反向实例。下次更换数据库时,先在小样本确认原有命中可重现,再用全基因组核算新增和消失的区间。这次实验的一千零四十和一千四百两个数字可以随脚本重新得到,更重要的是每一个变化都能在组装上指出确切位置,方便下游判断这一次更新是否影响自己关心的基因座。
若项目需要在多个品种的整套组装上比较重复库版本,可把一份已核验的组装、库大小和实测命中数交给云生信生物分析服务器团队评估批量运行条件。
