使用MAKER进行基因注释(高级篇之AUGUSTUS模型训练)
发布网友
发布时间：2023-01-01 20:40
共1个回答
热心网友
时间：2023-10-08 18:59
根据Augutus的官方教程，可靠的基因结构序列的要求如下：
之后随机将注释数据集分成训练集和测试集，为了保证测试集有统计学意义，因此测试集要足够多的基因（100~200个），并且要足够的随机。
基因结构集的可能来源有:
由于目前的转录组数据比较多，我先用Trinity对转录组数据进行从头组装，然后用PASA将Trinity组装的转录本回贴到参考基因组上
alignAssembly.config 可以复制 PASApipeline-v2.3.3/pasa_conf 的pasa.alignAssembly.Template.txt, 修改如下内容
这一步得到的 <prefix>.assemblies.fasta 和 <prefix>.pasa_assemblies.gff3
从PASA组装中提取ORF(开放阅读框)
最后会生成一系列文件,如下
我们需要的是后者。PASA组装的GFF3文件的属性一栏分为：
我们基于PASA的结果，将GFF3格式转换成Genbank格式
这一步的 gff2gbSmallDNA 会忽略掉UTR序列。
转录组数据不像以前的EST序列，最后组装的基因数不多。如果同时使用多个组织的转录组，就会组装出一万条以上的基因，所以我们更加关注于质量。
先创建初始化的物种HMM文件
然后尝试训练，捕捉错误
提取错误，并进行过滤
将上一步过滤后的文件随机分成两份，测试集和训练集。其中训练集的数目根据gb的LOCUS数目决定，至少要有200.
创建初始化HMM参数文件，并进行训练
用测试数据集检验预测效果。这里可以比较我们训练的结果，和近缘已训练物种的训练效果
可以用 tail -n 40 xx_test.out 查看预测结果的统计。要看着最后的结果，需要解释几个统计学概念:
基于上述，引出下面两个概念。"sensitivity"等于TP/(TP+FP)， 是预测为真且实际为真的占你所有认为是真的比例."specificity"等于TN/(TN+FN), 是预测为假且实际为假的占你所有认为是假的比例。我们希望在预测中，尽可能地不要发生误判，也就是没有基因的地方不要找出基因，有基因的地方不要漏掉基因。
很有可能的一种情况是，我们第一次的训练结果没有已有训练的效果好，所以我们需要进行循环训练找到最优参数
使用 optimize_augustus.pl 训练的参数未必会比前一步的训练结果好，因此需要
比较前后的"sensitivity"和"specificity"参数，选择其中表现比较好的一个，作为最终用于预测的HMM文件。
