RepeatMasker使用

RM是library-based，通过相似性比对来识别重复序列，可以屏蔽序列中转座子重复序列和低复杂度序列（默认将其替换成N）。使用数据库Dfam和Repbase。

The Dfam database is a collection of Repetitive DNA element sequence alignments, hidden Markov models (HMMs) and matches lists for complete Eukaryote genomes.

Repbase是由美国遗传信息研究所（GIRI）创建并维护，收录了转座子和其他重复序列及其注释信息。

本地安装RepeatMasker，除了需要RepeatMasker主程序外，还需要TRF（Tandem Repeats Finder）、序列搜索引擎（以RMBlast为例）以及Repbase数据库。

搜索引擎可以安装多个，但是每次只能用一个。

Using RepeatMasker to Identify Repetitive Elements in Genomic Sequences

要屏蔽的区域：low-complexity DNA sequences and  interspersed repeats

比对引擎：cross_match WU-BLAST(更快)

如果DNA source没有参考基因组，那么需要用RECON或者RepeatScout建立一个Repbase类型的文件

安装：

http://www.repeatmasker.org/RMDownload.html

sequence search engine

cross_match 要注册啥的，没搞

RMBlast blast的修改版本，此处用了2.2.28版本，需要下载http://www.repeatmasker.org/RMBlast.html

这里的两个binary，然后解压就可以了

HMMER 下载v3.1b2版本

ABBlast/WUBlast 也要注册啥的，没弄

TRF

下载TRF v4.0.4

Repeat database

下载Dfam和RepBase(要注册下载)

装完之后用./configure配置，修改好path就可以了。

暂时设置RMBlast为default。

最简单的命令

RepeatMasker/RepeatMasker -species human sequence.fasta

最常用：

./RepeatMasker -species human -engine hmmer

除了控制台输出外，还会在同目录下产生几个文件：

输入文件名.cat    //不懂

输入文件名.masked  // 已屏蔽完的fasta序列

输入文件名.out // 重复区域的统计信息，如类型，位置等

输入文件名.tbl

各种统计信息

阈值设定：

-lib 指定数据库，default是灵长类的

-cutoff 使用-lib时设置阈值，默认225。cutoff 值低的会有错配。

-nolow 不去mask low-complexity DNA or simple repeats

-div sets the divergence level to limit the masking and annotation to a subset

of less diverged (younger) repeats.

速度设定：

-q 快

-qq  更快

-s 慢就更灵敏

-pa 如果有多个输入或者输入很大，可以考虑多处理器加速

-w WU-BLAST比cross_match快，但是后者更准确

如果长序列效果不好，可以修改RepeatMasker中的$maxsize，改大，但是内存需求也会变大

或者切断

如果空间不足，RM不会报错，可能会有貌似正确的结果

如果用了WU-BLAST，最好用-s

短序列（<2kb）的可能精确度差一点

转座子transposon

一类DNA序列，它们能够在基因组中转录或逆转录，在内切酶的作用下，在其他基因座上出现。I型转座子即反转录转座子，该型转座子会先被转录为RNA，然后利用逆转录酶将该RNA逆转录为cDNA，然后才被插入到目标位点中。“复制-粘贴”。II型转座子也称不复制转座子，其序列两端是两段直接重复序列（direct repeat, dR），与它们接壤的是反向重复序列（invert repeat, iR），中间是插入序列（insert sequence, IS）。所以II型的中间体就是其本身，“剪切-粘贴”。

假基因是一类本来正常，然后因为突变或转座而可能失去原来功能的基因。在环境压力下，某些假基因可以重新被激活，而某些假基因则有着调控基因表达的作用。可总结为“假作真时真亦假”。它们与原来的基因可能很相似，但又可以有很大差异。

人体约有40%的DNA与逆转录病毒有关，其中7.7%的DNA与逆转录病毒非常相似，称之为内源逆转录病毒（endogenous retrovirus, ERV）。

病毒两端有两条相同的序列，LTR(long terminal repear)，LTR不编码蛋白，主要起调控作用。中间三段基因，gag编码了衣壳蛋白等结构蛋白，pol编码了逆转录酶、整合酶、蛋白酶这些病毒复制需要的酶，env编码了病毒包膜的糖蛋白。所有的逆转录病毒都有这三个基因。人类的内源逆转录病毒HERV也有这三段基因和两个LTR，也可以像逆转录病毒一样，逆转录到别处。HERV可能是很久之前感染过人体胚胎，然后逐渐扩增到7.7%的规模，但是已经变异失去了制造病毒颗粒的能力。

逆转录转座子retrotransposon不包含env，可能是逆转录病毒的来源。所有反转录转座子都有一个共同特点，就是在其插入位点上产生短的正向重复序列。它是许多真核生物中数量最大的一类可活动遗传成分。在植物中特别丰富，它们是核DNA的一个主要组成部分。哺乳动物中，几乎有一半的基因组包含转座子或残余转座子。

LINE中有编码与逆转录酶/整合酶相似活性的酶，所以可能也能逆转录；长度6K

SINE中则没有编码逆转录酶，（需要在细胞内已有的酶系统的作用下进行转座）可能是在LINE辅助下进行逆转录和整合的。Alu是属于SINE的。长度约300bp

近年的研究显示，灵长目LTR逆转座子已固定在基因组中，已无转座活性(Lander et al.，2001);灵长目动物基因组中仍有转座活性的元件是non-LTR逆转座子，主要包括长散在重复元件LINE1(long interspersed element 1，L1)、Alu元件、SVA元件等

L1是人类基因组中唯一的自主性逆转座子，其拷贝占17%，但只有极少数有转座活性，其中6个活性最高的L1拷贝介导了大部分L1转座活动。

Alu元件不能编码逆转录酶，属于非自主转座子，它们利用L1编码ORF2的逆转录酶进行逆转座活动。属于SINE。是灵长类动物基因组中数量最丰富的逆转座子。

典型的SVA元件长约2 kb。SVA逆转座子起源最晚，是人科动物中特有的逆转座子，属于SINE家族中的一员。

逆转座子对基因组结构的影响来源有两种，一是逆转座过程本身，一是其产生的同源序列：

逆转座过程对基因组结构的影响：

1.插入突变

逆转座子对插入位点有选择性

2.侧翼序列转导

转座时，除了对自身进行转录，有时也会将上下游的侧翼序列进行转录。侧翼序列转导可将本来不连锁的基因连接起来，对新基因的形成和基因组的进化都有着重要作用。

3.基因逆转座

基因逆转座(gene retrotranspositon)是指只有基因序列发生逆转座，而不伴随逆转座子的转座过程。有时候，一些mRNA可以采取和Alu、SVA相同的策略，捕获L1的逆转录元件从而逆转录插入到基因组中。复制到新位点的基因来源于mRNA的逆转录，因此并不含有上游调控区域，除非获得新的调控区域，这些基因即成为逆转座的假基因(retropseudogene)

4.DNA双链断裂

5.侧翼序列切除

当L1和Alu插入基因组新位点时，可能会引起邻近基因组序列的缺失。

逆转座子同源序列对基因组结构的影响：

1.DNA双链断裂的修复

2.异常重组

3.微卫星的形成

微卫星(microsatellite)也叫短串联重复序列(short t and em repeat，STR)或简单重复序列，是由几个(多为2~4个)碱基对作为核心单位，串联重复形成的一类DNA序列。

ucsc的repeat数据，其分类如下面链接所示

https://blog.csdn.net/tanzuozhev/article/details/80958785