AHRD (Automated Assignment of Human Readable Descriptions ), 对基因进行注释，包括GO。
githup直戳这里
安装
首先必须安装Java 1.7 以上版本，以及ant
利用git 克隆
git clone https://github.com/groupschoof/AHRD.git
cd AHRD
git checkout tags/v3.3.3
或者自行下载AHRD v.3.3.3 (zip or tar.gz) 安装
减压缩后，键入
ant dist
即可得到执行程序. ./dist/ahrd.jar
使用
- 输入数据
- 蛋白序列，fasta格式
- blastp or blat 比对结果 (可以和swissprot,trembl,tair 等任何库进行比较)，tap 分隔
可以通过如下命令得到
blastp -outfmt 6 -query query_sequences_AA.fasta -db uniprot_swissprot.fasta -out query_vs_swissprot.txt
- GO (可选)
若想对GO进行注释，则需要一个GO注释文件，可从 Uniprot server下载goa_uniprot_all.gaf.gz
wget http://ftp.ebi.ac.uk/pub/databases/GO/goa/UNIPROT/goa_uniprot_all.gaf.gz
该文件包含所有UniprotKB ID 所对应的GO，根据blast的结果将GO添加到特定对应的基因上。
若自己提供GO 对应文件则需要修改添加相应正则匹配，因为uniprotKB GOA 文件使用的是短名称，类似W9QFR0， 但是uniprotKB FASTA数据使用的是长名称，类似tr|W9QFR0|W9QFR0_9ROSA， 为了将二者相对应，AHRD提供了相应的正则去匹配，默认情况下，ARHD可以处理uniprot格式文件，若自己提供GO 对应文件则需要修改添加相应正则匹配。
- 利用正则调取短蛋白名称和GO文件进行匹配，利用reference_go_regex, e.g. reference_go_regex: ^UniProtKB\s+(?<shortAccession>\S+)\s+\S+\s+(?<goTerm>GO:\d{7})
- 利用正则从长名称中调取短名称，比如在拟南芥中，short_accession_regex: "^(?<shortAccession>.+)$".
- 配置文件
根据需求进行文件的配置，可参考实例文件 ./test/resources/ahrd_example_input.yml
proteins_fasta: ./test/resources/proteins.fasta
token_score_bit_score_weight: 0.468
token_score_database_score_weight: 0.2098
token_score_overlap_score_weight: 0.3221
gene_ontology_result: ./test/resources/reference_gene_ontology_annotations_uniprotKB_GOA.txt
prefer_reference_with_go_annos: true
output: ./ahrd_output.csv
blast_dbs:
swissprot:
weight: 653
description_score_bit_score_weight: 2.717061
file: ./test/resources/swissprot_blast8_tabular.txt
database: ./test/resources/swissprot_blast_db.fasta
blacklist: ./test/resources/blacklist_descline.txt
filter: ./test/resources/filter_descline_sprot.txt
token_blacklist: ./test/resources/blacklist_token.txt
trembl:
weight: 904
description_score_bit_score_weight: 2.590211
file: ./test/resources/trembl_blast8_tabular.txt
database: ./test/resources/trembl_blast_db.fasta
blacklist: ./test/resources/blacklist_descline.txt
filter: ./test/resources/filter_descline_trembl.txt
token_blacklist: ./test/resources/blacklist_token.txt
tair:
weight: 854
description_score_bit_score_weight: 2.917405
file: ./test/resources/tair_blast8_tabular.txt
database: ./test/resources/tair_blast_db.fasta
fasta_header_regex: "^>(?<accession>[aA][tT][0-9mMcC][gG]\\d+(\\.\\d+)?)\\s+\\|[^\\|]+\\|\\s+(?<description>[^\\|]+)(\\s*\\|.*)?$"
short_accession_regex: "^(?<shortAccession>.+)$"
blacklist: ./test/resources/blacklist_descline.txt
filter: ./test/resources/filter_descline_tair.txt
token_blacklist: ./test/resources/blacklist_token.txt
其中，
- gene_ontology_result 为GO对应文件，若不进行GO注释，则可删除
- 第2，3，4列为权重文件，若使用blastx结果而非blastp，应对其值进行修改。
由于该算法基于蛋白质序列，而BLASTX搜索基于核苷酸序列，因此在计算blast结果的重叠分数时会出现问题。 要解决此问题，必须将token_score_overlap_score_weight设置为0.0。 因此，其他两个分数必须提高。 这三个参数的总和为1。结果参数配置如下所示：
token_score_bit_score_weight: 0.6
token_score_database_score_weight: 0.4
token_score_overlap_score_weight: 0.0
- prefer_reference_with_go_annos: true 若使用GO注释，强烈建议选择true
- Description blacklist: 实为正则表达，即对描述结果匹配到的内容（比如：Whole genome shotgun sequence）忽视。
- Description filter: 实为正则表达，即对描述结果匹配到的内容（the trailing Species-Descriptions ’OS=Arabidopsis thaliana）进行删除。
- Token blacklist： 实为正则表达，对任何匹配的内容进行忽视。
** 拟南芥官网下载pep
- 输出文件
AHRD支持两种输出格式， Tap分隔以及fasta格式
- tap 分隔格式
每一列信息如下：
- Protein-Accession: query 蛋白名称
- Blast-Hit-Accession： 蛋白库的名称
-
AHRD-Quality-Code： 包含三种字符，如果满足个字的条件则为*，不满足为-。条件如下：
- Human-Readable-Description: 注释描述
- Interpro-ID (Description)
- Gene-Ontology-Term： GO 注释描述
- fasta格式
若想出书fasta格式，则需要键入如下
output_fasta: true
- 运行
java -Xmx2g -jar ./dist/ahrd.jar your_use_case_file.yml
若运行时出现如下报错
Error: A JNI error has occurred, please check your installation and try again
Exception in thread "main" java.lang.UnsupportedClassVersionError:
ahrd/controller/AHRD has been compiled by a more recent version of the Java Runtime (class file version 55.0), this version of the Java Runtime only recognizes class file versions up to 52.0
表明java 和javac版本不一致，可查看
java -version
javac -version
选择相同版本的java进行
网友评论