1. 目的

  最近在某个分析的时候，需要BSgenome object，然而我的物种不是常见的物种，是自己组装出来的多倍体物种，因此没法用已有的BSgenome参考基因组，需要自己构建BSgenome参考基因组，通过BSgenome相关介绍说明的时候，发现有一个How to forge a BSgenome data package说明，这说明了我们能够自己通过BSgenome包，构建自己的参考基因组，下面就是构建BSgenome参考基因组的过程

2. 输入fasta的准备

  构建BSgenome参考基因组的方法有两种，一种是不需要masked sequences，另外一种是需要masked sequences文件，这里我选择第一种进行构建。其实两者最主要的差别在于是否提供masked sequences文件。

  构建BSgenome参考基因组具体需要什么文件呢？说明文档中也有详细的说明，其中最主要的文件就是一个fasta文件，这里的fasta文件可以是所有染色体合并一起的一个文件，也可以是单条染色体的fasta文件，文件格式可以是压缩文件格式，后续的处理几乎都是在fasta文件的基础上进行处理。

输入fasta文件介绍
  前面提到了fasta文件需要进行处理，究竟如何处理呢？由于输入的fasta文件是TwoBit文件，因此需要下载faToTwoBit工具，对fasta文件进行转换，具体命令如下：

wget  -c "http://hgdownload.cse.ucsc.edu/admin/exe/linux.x86_64/faToTwoBit"
chmod 755 faToTwoBit
faToTwoBit gene.fa gene.2bit

  这里faToTwoBit运行需要一定的时间，主要是与参考基因组的大小相关，生成的是二进制文件，生成twoBit后，就可以进行下一步的准备了。

3. seed文件的准备

  构建BSgenome参考基因组另外一个需要准备的文件就是seed文件，其实这里的seed文件就是在开发R包的DESCRIPTION文件， 这里相当于构建了一个R包，R包需要添加一下DESCRIPTION信息，因此seed的文件，可以参考DESCRIPTION的格式说明，具体格式要求如下：

seed文件的标准格式
  上图可以看出，seed文件，主要包括Package/Title/Description/Version/Author/Maintainer/License，其他的选填项可以不用填写。seed文件格式有很多种，可根据实际需要进行撰写；另外，也可以根据已经安装的BSgenome包来查看seed格式，具体的查看命令如下：

 library(BSgenome)
seed_files <- system.file("extdata", "GentlemanLab", package="BSgenome")
tail(list.files(seed_files, pattern="-seed$"))
#[1] "BSgenome.Sscrofa.UCSC.susScr11-seed"        "BSgenome.Sscrofa.UCSC.susScr3-seed"         #"BSgenome.Sscrofa.UCSC.susScr3.masked-seed"  "BSgenome.Tguttata.UCSC.taeGut1-seed"    
#这里可以看到有很多seed文件，可以随便cp一个文件，然后在此基础上就行即可。

  seed文件其他的一些可选项也有很多，比如这里的organism、common_name、genome、provider、release_date、source_url、organism_biocview等等，这些是为了更详细的记录一些参考基因组信息，一遍后续使用或者构建的时候了解相关信息，其他的一些说明，这里不再进行详细的介绍，可以直接通过How to forge a BSgenome data package进行相关信息的查询。

可选项

4. forgeBSgenomeDataPkg

  seed文件生成以后，就可以直接构建BSgenome包了，这里构建BSgenome包的具体命令如下：

seed_file="gene.物种.seed"
#seqs_srcdir;destdir 序列文件所在以及输出的位置
forgeBSgenomeDataPkg(seed_file, seqs_srcdir=getwd(), destdir=getwd(), verbose=TRUE,unlink=TRUE)
#forgeBSgenomeDataPkg(seed_file, verbose=TRUE)
#unlink参数表示是否overwrite已有的目录，seqs_srcdir是twoBit的目录，destdir为生成包的目录，这里需要一定的时候。

5. 包的构建以及安装

  前面forgeBSgenomeDataPkg运行成功以后，会在目的目录中生成R包的几个基础文件，如下图所示：

forgeBSgenomeDataPkg结果目录
  这是一个基本的R包的结果目录，然后在此基础上，在linux命令进行包的build、check、install，具体的命令如下：

R CMD build <pkgdir>
R CMD check <tarball>
R CMD INSTALL <tarball>

  一般来说，build没有问题的话，就不用再check了，我这边构建的包后进行check，结果报错，报错的是LaTeX有问题，然后尝试不管他，再直接安装，结果能够正常安装，并且正常导入包。因此这里的报错可以不用考虑，这应该是要生成pdf的说明文件报错，对后续其他的结果没有影响。

LaTeX报错

6. 后记

  这里构建BSgenome参考基因组是选择的最简单的方式，没有提供masked sequences文件，如果需要masked sequences文件，那么可以直接参考方说明文档。可以通过此方法，构建任何自己的参考基因组，进行其他相关的分析。

参考文档

BSgenome构建新的参考基因组

2021年1月11日