38、EST序列拼接流程

转载：http://fhqdddddd.blog.163.com/blog/static/18699154201241014835362/

http://blog.sina.com.cn/s/blog_4476400f0100iq0x.html

 

EST----
对EST序列进行冗余查找，利用CD_HIT软件聚类，快速批量去除冗余序列

est-trimer（去掉帽子和尾巴，去掉太短而不可信的）

RepeatMaster（去掉转座子等重复）

seqclean（去除载体，线粒体叶绿体等序列）

CAP3(拼接）

 

est-trimmer可以从 http://pgrc.ipk-gatersleben.de/misa/do- wnload/est_trimmer.pl 下载，就是个perl脚本，不用安装。脚本运行参数：

DESCRIPTION: Tool for trimming EST (DNA) sequences

## 

## SYNTAX:   est_trimmer.pl <FASTAfile> [-amb=n,win] [-tr5=(A|C|G|T),n,win]

##                          [-tr3=(A|C|G|T),n,win] [-cut=min,max] [-id=name]

##                          [-help]

## 

##    <FASTAfile>    Single file in FASTA format containing the sequence(s).

##    [-amb=n,win]   Removes distal stretches containing "n" ambiguous bases in

 a

##                   "win" bp sized window.

##    [-tr5=N,n,win] Removes stretches of the given type N={A,C,G,T} from the 5

'

##                   end. Value "n" defines the min. accepted repeat number of 

"N"

##                   in a 5' window of the size "win".

##    [-tr3=N,n,win] according to [-tr5] for the 3' end.

##    [-cut=min,max] Sets min. value for cutoff and max. sequence size.

##    [-id=name]     Optional. Final results are stored in "name".results, wher

eas

##                   processing steps are listed in "name".log. If not used,

##                   extensions are appended to <FASTAfile>.

##    [-help]        Further descriptions. Use "EST_trimmer.pl -help".

## 

##    Arguments can be used plurally and are processed according to their order

.

## 

## EXAMPLE:  est_trimmer.pl ESTs -amb=2,50 -tr5=T,5,50 -tr3=A,5,50 -cut=100,700

## ____________________________________________________________________________

___

## 

 

个人觉得-amb 太恐怖了，还是没有，-cut 删除了太多了 将700设定到最大，我是设定到10000。

我的命令：

perl est_trimmer.pl input  -tr5=T,5,50 -tr3=A,5,50 -cut=100,10000 -id=output

 

 

repeatmasker 下载地址：http://repeatmasker.org/RMDownload.html

repeatmasker 是个比较复杂的软件，参数比较多，此外还必须在本机装过crossmatch或者wu-blast要多看手册根据自己实际情况设定。其软件有个数据库，每年都更新，本地计算的必须要注意。

此外 repeatmasker运行真是慢，最好可以设成几个CPU一起算。

 

我的命令 repeatmasker input -e crossmatch -s

 

seqclean (下载：http://compbio.dfci.harvard.edu/tgi/software/）

我倒是没遇到参数的问题，就是得在NCBI上下载下载体序列ftp://ftp.ncbi.nih.gov/pub/UniVec/ 里面还有个core的，和全的，我的数据反正算的快，就选了比较大的那个文件，将univec用formatdb命令格式化下就可以直接用了

我的命令

 /usr/biosoft/blast-2.2.18/bin/formatdb -i UniVec -p F -o T

 /usr/biosoft/seqclean/seqclean BnE091007.fasta -v UniVec -o BnE_clean.fasta

 

当是我因为程序的权限不够，怎么都用不了。后来用chmod把seqclean程序的文件夹的东西都改了才行。还好最后终于成功了