LTR_retriever: 一个更加准的LTR整合分析工具

背景篇

在植物基因组中，I类转座因子，LTR-RT(LTR retrotransposons)是基因组扩张的主要原因。完整的LTR长度在85~5000 bp之间，下图图A表示的是一个完整的LTR-RT，灰色框表示TSD(target site duplications), 红色三角形表示LTR motif(长度在2bp左右), 蓝色框表示LTR。LTR中间序列长度在1,000~15,000之间波动。

LTR-RT结构

完整的LTR-RT主要归为两大类: Gypsy和Copia。如果LTR中间的序列不包含开放阅读框(ORF), 那么所属的LTR-RT就无法独立的转座。

安装篇

LTR_retriever不是一个独立的工具，他的主要作用就是整合LTRharvest, LTR_FINDER 和/或MGEScan_LTR的结果，过滤其中的假阳性LTR-RT，得到高质量的LTR-RT库。

先下载LTR_retriever本体

git clone https://github.com/oushujun/LTR_retriever.git

之后修改LTR_retriever下的paths, 提供BLAST+, RepeatMasker， HMMER， CDHIT这些工具的路径。

BLAST+=/your_path_to/BLAST+2.2.30/bin/
RepeatMasker=/your_path_to/RepeatMasker4.0.0/
HMMER=/your_path_to/HMMER3.1b2/bin/
CDHIT=/your_path_to/CDHIT4.6.1/
BLAST=/your_path_to/BLAST2.2.26/bin/ #not required if CDHIT provided

此外你还需要额外安装LTRharvest, LTR_FINDER 和MGEScan_LTR。

• LTRharverst: http://genometools.org/
• LTR_FINDER: https://github.com/xzhub/LTR_Finder
• 修改版MGEScan_LTR: http://dawgpaws.sourceforge.net/

本文主要使用LTRharverst和LTR_FINDER

使用篇

以拟南芥的基因组序列为例，分别使用LTRharverst和LTR_FINDER来寻找拟南芥中潜在LTR序列，之后用LTR_retreiver来合并结果。

#LTRharvest
gt suffixerator \
  -db TAIR10.fa \
  -indexname TAIR10 \
  -tis -suf -lcp -des -ssp -sds -dna
gt ltrharvest \
  -index TAIR10 \
  -similar 90 -vic 10 -seed 20 -seqids yes \
  -minlenltr 100 -maxlenltr 7000 -mintsd 4 -maxtsd 6 \
  -motif TGCA -motifmis 1  > TAIR10.harvest.scn &
# LTR_FINDER
ltr_finder -D 15000 -d 1000 -L 7000 -l 100 -p 20 -C -M 0.9 TAIR10.fa > TAIR10.finder.scn &

LTR_retriever支持单个候选的LTR，

LTR_retriever -genome TAIR10.fa -inharvest TAIR10.harvest.scn

也支持多个候选LTR输入

LTR_retriever -genome TAIR10.fa -inharvest TAIR10.harvest.scn -infinder TAIR10.finder.scn -threads 20

输出文件如下

运行结果

其他测试

LAI值是作者提出用于衡量基因组完整度参数。比较2个LTR输入和1个LTR输入的LAI值，后者是15.62，前者是14.47，这也意味这个值其实是受到输入的候选LTR数目影响，但最终结果应该稳定在一个阈值内。

我测试了多个物种在两种软件下找到的LTR，以及最终pass留下的LTR。

物种	基因组大小	LTR_finder	ltrharvest	Pass	LAI
A. lyrata	206M	1456	1017	1044	20.39
A. thaliana (TAIR10)	120 M	207	550	184	15.62
B. rapa (3.0)	353 M	3515	3635
C.rubella	135 M	643	600	144	10.96
A.alpina	336 M	3840	3107

LTR插入时间分析

LTR_retriever会为每个LTR计算插入时间，上述分析的结果在TAIR10.fa.pass.list中，我们可以利用该结果进行作图。该值默认是水稻的1.3e-8， 拟南芥大概是 7e-9.

例如[1]比较了 A. lyrata 和 A. thaliana 的LTR插入时间的均值和中位数, 发现 A. lyrata 的LTR插入时间都比较年轻。

[2]比较了 C. rubella , A. thaliana, A. lyrata, 发现 C. rubella 和 A.thalina 没有啥显著的差异，毕竟基因组也就是134.4 Mb。

LTR插入时间

参考文献:

• [1] The Capsella rubella genome and the genomic consequences of rapid mating system evolution
• [2] The Arabidopsis lyrata genome sequence and the basis of rapid genome size change
• [3] The Rate and Molecular Spectrum of Spontaneous Mutations in Arabidopsis thaliana