作者：May
審稿：童蒙
編輯：amethyst

前言

基因組轉(zhuǎn)座子（TE）注釋過(guò)程中，對(duì)于RepeatModeler這種denovo注釋的得到的轉(zhuǎn)座子往往不能進(jìn)行分類，因此對(duì)TE的統(tǒng)計(jì)經(jīng)常存在unknow重復(fù)序列過(guò)多的情況，之前已經(jīng)發(fā)表了TEclass，REPCLASS和PASTEC等，TEclass基于支持向量機(jī)（SVM）分類TE，REPCLASS基于TE結(jié)構(gòu)及同源的特征分類TE,PASTEC基于隱馬爾科夫模型（HMM）來(lái)分類TE。2020年在Bioinformatics上發(fā)表了一款新的軟件，基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的重復(fù)序列分類軟件DeepTE[1]，這里我們對(duì)其使用方法及效果進(jìn)行了一系列測(cè)評(píng)。

軟件安裝

軟件地址https://github.com/LiLabAtVT/DeepTE，推薦使用conda安裝，安裝過(guò)程如下

conda create -n py36 python=3.6
conda activate py36
conda install tensorflow-gpu=1.14.0
conda install biopython
conda install keras=2.2.4
conda install numpy=1.16.0

此外，該軟件還依賴HMMER（v3.1b1），以及不同物種分類的模型，可以從以下網(wǎng)站下載，下載的文件放在model_dir目錄下，作為參數(shù)-m_dir的輸入

• Plants：https://de.cyverse.org/dl/d/89D2FE7A-41BA-4F64-80E2-B9C26D49E99F/Plants_model.tar.gz
• Metazoans：https://de.cyverse.org/dl/d/441459EF-6DDD-41A5-A9AB-1D5D13049F18/Metazoans_model.tar.gz
• Fungi：https://de.cyverse.org/dl/d/8B112733-063A-4DE9-89EC-22A062D8807B/Fungi_model.tar.gz
• Others：https://de.cyverse.org/dl/d/34CF8ACB-0B1F-4210-8359-366A70539F01/Others_model.tar.gz
• UNS models：https://de.cyverse.org/dl/d/3280369B-030A-4ADF-8B6F-EDD4EC21DC4A/UNS_model.tar.gz

參數(shù)解析

該軟件主要包括2個(gè)腳本：DeepTE.py和DeepTE_domain.py，DeepTE.py為主腳本，進(jìn)行TE分類，DeepTE_domain.py主要對(duì)序列進(jìn)行TE保守結(jié)構(gòu)域的鑒定。

DeepTE.py基本參數(shù)如下：
-i ：輸入的unknow重復(fù)序列
-d：工作目錄，生成中間結(jié)果
-o ：輸出目錄
-m：模型的名稱，提供該參數(shù)直接下載模型，P：植物，M：動(dòng)物，F(xiàn)：真菌，O：其他，U：UNS_model則會(huì)自行下載
-m_dir ：下載的model_dir路徑（上述下載的物種文件的存放目錄），包括植物，動(dòng)物，真菌，其他和UNS_model（直接提供-m P、M、F、O、U則會(huì)自行下載 ）

-sp：序列來(lái)源的物種分類：P：植物， M：動(dòng)物，F(xiàn)：真菌， O：其他 ，U：未知
-fam：提供TE家族名稱（如果是已知的家族可以提供），如果不提供則認(rèn)為是unknown TEs
              ClassI: 輸入序列為ClassI TEs
              ClassII: 輸入序列為ClassII subclass1 TEs
              LTR: 輸入序列為L(zhǎng)TR TEs
              nLTR:輸入序列為 nLTR TEs
              LINE:輸入序列為L(zhǎng)INE TEs
              SINE: 輸入序列為 SINE TEs
              Domain: 輸入序列為 Class II subclass1 TEs 特異的超家族
-modify：可選參數(shù)，該參數(shù)需要DeepTE_domain.py進(jìn)行domain分析后提供 .
-UNS：提供該參數(shù)時(shí)-i為DNA序列，可以將輸入的DNA序列分為T(mén)Es, CDS和基因間區(qū)。使用該參數(shù)不需要提供-sp和-fam（目前該參數(shù)只適用于植物）
-prop_thr：注釋TE的可能性閾值，例如某個(gè)TE為ClassI的可能性為0.6，如果閾值設(shè)置為0.7,則該TE為被標(biāo)記為'unknown'，默認(rèn)值為 0.6.

DeepTE_domain.py的參數(shù)包含-d、-o、-i參數(shù)的含義與DeepTE.py相同，這里不多做解釋。

-s ：提供的TE家族的domain信息，軟件提供該目錄：supfile_dir
--hmmscan ：hmmscan的路徑

應(yīng)用實(shí)例

從Repbase隨機(jī)選取擬南芥的重復(fù)序列作為輸入序列，進(jìn)行測(cè)試。使用DeepTE_domain.py對(duì)保守domain進(jìn)行鑒定，命令行如下：
DeepTE_domain.py -d working_dir -o output_dir -i Arabidopsis.repeat.fasta -s supfile_dir --hmmscan hmmer-3.1b1/bin/hmmscan

生成結(jié)果：

• output_dir/opt_te_domain_pattern.txt，該文件分為2列，第一列為序列名稱，第二列為鑒定到保守domain信息。該結(jié)果可以作為DeepTE.py的輸入文件。

使用DeepTE.py借助上一步的保守domain信息分類TE，命令行如下：
DeepTE.py -o TE_claasify_out -d working_dir -i Arabidopsis.repeat.fasta -m_dir model_dir/Plants_model -sp P -modify output_dir/opt_te_domain_pattern.txt

注：-modify提供的為DeepTE_domain.py生成的結(jié)果，如不提供該參數(shù)，則不借助domain鑒定的信息。

生成結(jié)果：

• TE_claasify_out/opt_DeepTE.fasta和
• TE_claasify_out/opt_DeepTE.txt
• TE_claasify_out/opt_DeepTE.txt：第一類為序列名稱，第二列為序列分類信息，（ATENSPM4#DNA/CMC-EnSpm ClassII_DNA_CACTA_nMITE）

• TE_claasify_out/opt_DeepTE.fasta：為分類后的序列，原始的序列名稱和類別用"__"分隔（ATENSPM4#DNA/CMC-EnSpm__ClassII_DNA_CACTA_nMITE）

  
  

結(jié)語(yǔ)

TE類型眾多，分類問(wèn)題一直以來(lái)都是一個(gè)難題。測(cè)試數(shù)據(jù)選取的已知類型的TE，從deepTE的分類結(jié)果來(lái)看，某些序列分類準(zhǔn)確性較高，上圖中紅框部分為已知類型和deepTE分類類型一致的序列，deepTE利用了Repbase的TE作為了訓(xùn)練集，因此分類的準(zhǔn)確性比較高。如果采用denovo注釋到的TE，可以結(jié)合軟件的結(jié)果和deepTE的分類結(jié)果以得到更準(zhǔn)確的結(jié)果。

參考文獻(xiàn)

Yan, H., A. Bombarely, and S. Li, DeepTE: a computational method for de novo classification of transposons with convolutional neural network. Bioinformatics, 2020. 36(15): p. 4269-4275.