若使用本方法，请引用此文，谢谢！
JoF | Free Full-Text | Genome Re-Annotation and Transcriptome Analyses of Sanghuangporus sanghuang
如何对基因组序列进行注释_基因组注释_徐洲更hoptop的博客-CSDN博客
使用BRAKER2进行基因组注释(v 2.1.5版)_徐洲更hoptop的博客-CSDN博客
Genome Guided Trinity Transcriptome Assembly · trinityrnaseq/trinityrnaseq Wiki · GitHub
03 从头(ab initio)预测基因
breaker2
mkdir 10.gene_prediction && cd 10.gene_prediction
mkdir breaker2 && cd breaker2首先使用hisat2根据屏蔽后的参考序列建立索引，进行比对。
# 制作软连接
ln /media/aa/DATA/SZQ2/bj/my/genome/S20191019_23/04genome_feature_analysis_primary/repeat_analysis/repeatMasker/genome.fasta.masked genome.fa
# 新建文件夹
mkdir index
# 进入conda环境
conda activate rnaseq
# 建立索引
hisat2-build genome.fa index/masked
# 新建文件夹
mkdir barker2
# 3个转录组
hisat2 -p 20 -x index/masked -1 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210A/5.1210A_1.clean.fq.gz -2 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210A/5.1210A_2.clean.fq.gz | samtools sort -@ 10 > barker2/A_masked.bam
hisat2 -p 20 -x index/masked -1 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210B/5.1210B_1.clean.fq.gz -2 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210B/5.1210B_2.clean.fq.gz | samtools sort -@ 10 > barker2/B_masked.bam
hisat2 -p 20 -x index/masked -1 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210C/5.1210C_1.clean.fq.gz -2 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210C/5.1210C_2.clean.fq.gz | samtools sort -@ 10 > barker2/C_masked.bam
然后，以未屏蔽重复序列的参考序列和BAM文件作为输入，让BRAKER2（安装会稍显麻烦，因为依赖许多软件）进行预测。
sudo su
密码
conda activate training
# 配置
export AUGUSTUS_CONFIG_PATH=/root/anaconda3/envs/training/config/
export AUGUSTUS_BIN_PHTH=/root/anaconda3/envs/training/bin/
export AUGUSTUS_SCRIPTS_PATH=/root/anaconda3/envs/training/bin/
export BAMTOOLS_PATH=/root/anaconda3/envs/training/bin/
export SAMTOOLS_PATH=/root/anaconda3/envs/training/bin/
export ALIGNMENT_TOOL_PATH=/media/aa/DATA1/software/gth-1.7.3-Linux_x86_64-64bit/bin/
export BLAST_PATH=/media/aa/DATA1/software/rmblast-2.10.0/bin/
export GENEMARK_PATH=/media/aa/DATA/SZQ2/gmes_linux_64_4
export DIAMOND_PATH=/root/anaconda3/envs/training/bin
export PYTHON3_PATH=/root/anaconda3/envs/training/bin
export CDBTOOLS_PATH=/root/anaconda3/envs/training/bin
# 测试
braker.pl --checkSoftware
# 运行
braker.pl --gff3 --cores 20 --species=5.1210 --genome=/media/aa/DATA/SZQ2/bj/my/genome/5.1210/03plion_primary/pilon02.fasta --bam=barker2/A_masked.bam,barker2/B_masked.bam,barker2/C_masked.bam
# 解锁
sudo chmod -R 777 *
exit
# 退出
cd ../..
04 RNA-seq的两种使用策略
# 新建文件夹并进入
mkdir 08.RNA-seq_analysis && cd 08.RNA-seq_analysis1）Trinity de novo
# 新建文件夹
mkdir denovo && cd denovo
conda activate rnaseq
# 运行
Trinity --seqType fq --CPU 20 --max_memory 64G --jaccard_clip --left /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210A/5.1210A_1.fq.gz,/media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210B/5.1210B_1.fq.gz,/media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210C/5.1210C_1.fq.gz --right /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210A/5.1210A_2.fq.gz,/media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210B/5.1210B_2.fq.gz,/media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210C/5.1210C_2.fq.gz &> trinity_denovo.log最终得到Trinity.fasta文件
2）基于HISAT2 + StringTie
①首先，使用HISAT2将RNA-seq数据比对到参考基因组, 这一步和之前相似，但是要增加一个参数--dta，使得StingTie能更好的利用双端信息
# 新建文件夹
mkdir index
# 进入conda环境
conda activate rnaseq
# 建立索引
hisat2-build /media/aa/DATA/SZQ2/bj/my/genome/5.1210/10.gene_prediction/genome.fa index/masked
# 新建文件夹
mkdir hisat2
# 3个转录组
hisat2 --dta -p 20 -x index/masked -1 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210A/5.1210A_1.fq.gz -2 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210A/5.1210A_2.fq.gz | samtools sort -@ 10 > hisat2/A.bam
hisat2 --dta -p 20 -x index/masked -1 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210B/5.1210B_1.fq.gz -2 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210B/5.1210B_2.fq.gz | samtools sort -@ 10 > hisat2/B.bam
hisat2 --dta -p 20 -x index/masked -1 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210C/5.1210C_1.fq.gz -2 /media/aa/DATA/SZQ2/bj/nuohe/RNA-seq/5.1210C/5.1210C_2.fq.gz | samtools sort -@ 10 > hisat2/C.bam
# merge
samtools merge -@ 10 hisat2/merged.bam hisat2/A.bam hisat2/B.bam hisat2/C.bam
②然后用StringTie进行转录本预测
# 进入conda环境
conda activate rnaseq
# 运行
stringtie -p 10 -o hisat2/merged.gtf hisat2/merged.bam
得到merged.gtf
③对于后续的EvidenceModeler而言，它不需要UTR信息，只需要编码区CDS，需要用TransDecoder进行编码区预测
# 从GTF文件中提取FASTA序列
gtf_genome_to_cdna_fasta.pl hisat2/merged.gtf /media/aa/DATA/SZQ2/bj/my/genome/5.1210/04genome_feature_analysis_primary/repeat_analysis/repeatMasker/genome.fasta.masked > hisat2/yc.transcripts.fasta得到yc.transcripts.fasta
3）Trinity genome-guided
Trinity --seqType fq --max_memory 64G --CPU 20 --jaccard_clip --genome_guided_bam hisat2/merged.bam --genome_guided_max_intron 10000 --output trinity_genomeGuide --bflyCalculateCPU &> trinity_genomeGuide.log最终得到Trinity-GG.fasta文件
4）PASA构建综合转录组数据库
# 新建文件夹
mkdir zonghe && cd zonghe
cp ../denovo/trinity_out_dir/Trinity.fasta Trinity.fasta
cp ../trinity_genomeGuide/Trinity-GG.fasta Trinity-GG.fasta
cp ../hisat2/yc.transcripts.fasta yc.transcripts.fasta
# 合并文件夹
$ cat Trinity.fasta Trinity-GG.fasta yc.transcripts.fasta > transcripts.fasta
$ perl -e 'while (<>) { print "$1\n" if />(\S+)/ } ' Trinity.fasta > tdn.accs
# 建立软连接
ln -s /media/aa/DATA/SZQ2/bj/my/genome/5.1210/03plion_primary/pilon02.fasta genome.fasta
对 transcripts 序列进行 end-trimming (vector, adaptor, primer, polyA/T tails)
/media/aa/DATA/SZQ2/PASApipeline-v2.5.2/bin/seqclean transcripts.fasta （使用Univec数据库会报错）统计结果在seqcl_transcripts.fasta.log
构建MYSQL数据库和表-修改PASA的配置文件
# 文件conf.txt
cp /media/aa/DATA/SZQ2/bj/my/genome/3.15188A/08.RNA-seq_analysis/zonghe/conf.txt conf.txt
# 已改动过，不用再改
vim conf.txt
# 文件alignAssembly.config
cp /media/aa/DATA/SZQ2/PASApipeline-v2.5.2/pasa_conf/alignAssembly.config alignAssembly.config
# 需要改动
vim alignAssembly.config
修改 DATABASE=5_1210_db
# 进入conda环境
conda activate rnaseq
# 建立软连接（出现报错，需要做）
ln -s /var/run/mysqld/mysqld.sock /tmp/mysql.sock
# 构建相应数据库（若选择做这一步，则下一步不要输入-C，否则会造成数据库重复）
/media/aa/DATA/SZQ2/PASApipeline-v2.5.2/scripts/create_mysql_cdnaassembly_db.dbi -r -c alignAssembly.config -S /media/aa/DATA/SZQ2/PASApipeline-v2.5.2/schema/cdna_alignment_mysqlschema
# 运行PASA（在/zonghe下，仅进行无参综合转录本的Trinity组装结果;只用blat,用gmap报错）
/media/aa/DATA/SZQ2/PASApipeline-v2.5.2/Launch_PASA_pipeline.pl -c alignAssembly.config -R -g genome.fasta -T -t transcripts.fasta.clean -u transcripts.fasta --ALIGNERS blat --CPU 4 --stringent_alignment_overlap 30.0 --TDN tdn.accs --MAX_INTRON_LENGTH 20000 --TRANSDECODER &> pasa.log构建综合转录组数据库
/media/aa/DATA/SZQ2/PASApipeline-v2.5.2/scripts/build_comprehensive_transcriptome.dbi -c alignAssembly.config -t transcripts.fasta.clean从PASA组装中提取ORF
/media/aa/DATA/SZQ2/PASApipeline-v2.5.2/scripts/pasa_asmbls_to_training_set.dbi --pasa_transcripts_fasta 5_1210_db.assemblies.fasta --pasa_transcripts_gff3 5_1210_db.pasa_assemblies.gff3结果：5_1210_db.assemblies.fasta.transdecoder.genome.gff3
提取蛋白序列长度大于等于300的基因预测结果
/media/aa/DATA/SZQ2/PASApipeline-v2.5.2/scripts/pasa_asmbls_to_training_set.extract_reference_orfs.pl 5_1210_db.assemblies.fasta.transdecoder.genome.gff3 300 > best_candidates.gff3提取完好的基因组模型(两遍)
geneModels2AugusutsTrainingInput --cpu 8 --min_evalue 1e-9 --min_identity 0.7 --min_coverage_ratio 0.7 --min_cds_num 1 --min_cds_length 450 --min_cds_exon_ratio 0.4 --keep_ratio_for_excluding_too_long_gene 0.99 best_candidates.gff3 genome.fasta
# 粘贴统计结果
touch geneModels2AugusutsTrainingInput.result.txt
cd .. 输出：out.filter1.gff3去冗余后的基因模型，out.filter2.gff3完整的基因模型，可用于ab initio基因预测软件的HMM training。
5）准备同源蛋白文件（已下载）
uniprot_sprot_fungi.dat.gz
# 得到/media/aa/DATA/SZQ2/protein.fa