泛基因组分析

1. 概述

泛基因组（Pangenome）是指一个物种内所有个体的基因组总和，包括核心基因组（core genome）和可变基因组（variable genome）。泛基因组分析是一种研究物种内部基因多样性的方法，广泛应用于微生物基因组学、植物和动物基因组学等领域。

2. 泛基因组的组成

泛基因组可以分为以下几部分：

• 核心基因组（Core Genome）：所有样本中都存在的基因，是物种维持生存和基本功能所必需的。

• 可选基因组（Accessory Genome）：只在部分样本中出现的基因，这些基因通常与环境适应、抗药性、病原性等特性相关。

• 特有基因（Unique Genes）：仅在单个样本中存在的基因。

3. 泛基因组分析的意义

• 揭示物种多样性：识别核心和可变基因，有助于理解物种内的遗传多样性。

• 病原体研究：研究病原体的泛基因组可以揭示其抗药性和毒力基因，从而帮助开发新的治疗方法。

• 农业研究：泛基因组分析在农作物和牲畜的遗传改良中有重要应用，能够识别有助于耐逆性或高产的基因。

---

泛基因组分析方法

1. 数据准备

首先，需要准备一组同一物种的基因组序列数据。通常，这些数据来自全基因组测序（WGS）。

2. 数据预处理

• 基因组装（Genome Assembly）：将测序数据组装成完整的基因组序列。

• 基因注释（Gene Annotation）：识别基因组中的基因，并对其功能进行注释。

3. 泛基因组构建

• 同源基因簇分析（Orthologous Gene Clustering）：将多个基因组的基因聚类成同源基因簇。常用工具包括：

  • Roary（用于细菌泛基因组）

  • PGAP（Pangenome Analysis Pipeline）

  • PanX（带有可视化的泛基因组分析工具）

• 泛基因组曲线（Pangenome Curve）：绘制物种的核心基因和可变基因数量随样本数变化的曲线，以预测物种的泛基因组是否开放（open）或封闭（closed）。

4. 泛基因组分析工具

• Roary：基于BLAST的快速泛基因组分析工具。

• BPGA（Bacterial Pan-Genome Analysis）：支持核心、附属和特有基因分析。

• Panaroo：基于图的泛基因组分析工具，解决了基因组重排和拼接错误的问题。

---

代码实现：泛基因组分析示例

下面是一个基于 Python 的示例代码，用于使用 Biopython 和 Roary 进行细菌泛基因组分析。

1. 安装依赖

首先，需要安装必要的软件和 Python 包：

# 安装 Prokka (基因组注释工具)sudo apt-get updatesudo apt-get install prokka
# 安装 Roary (泛基因组分析工具)sudo apt-get install roary
# 安装 Biopythonpip install biopython

2. 数据预处理和基因注释

# 运行 Prokka 进行基因组注释prokka --outdir sample1_annotation --prefix sample1 sample1.fastaprokka --outdir sample2_annotation --prefix sample2 sample2.fastaprokka --outdir sample3_annotation --prefix sample3 sample3.fasta

3. 构建泛基因组​​​​​​​

# 提取 GFF 文件路径gff_files=$(find . -name "*.gff")
# 使用 Roary 进行泛基因组分析roary -e --mafft -p 8 -f roary_output ${gff_files}

4. 解析和可视化结果

使用 Python 解析 Roary 输出​​​​​

import pandas as pdimport matplotlib.pyplot as plt
# 读取 gene_presence_absence.csv 文件df = pd.read_csv("roary_output/gene_presence_absence.csv")
# 统计核心基因和附属基因的数量core_genes = df[df["No. isolates"] == len(df.columns) - 14]accessory_genes = df[df["No. isolates"] < len(df.columns) - 14]
print(f"核心基因数量: {len(core_genes)}")print(f"附属基因数量: {len(accessory_genes)}")
# 绘制泛基因组曲线sample_counts = range(1, len(df.columns) - 13)core_counts = [len(df[df["No. isolates"] >= i]) for i in sample_counts]
plt.plot(sample_counts, core_counts, label='Core Genome', color='blue')plt.xlabel("Number of Genomes")plt.ylabel("Number of Core Genes")plt.title("Pangenome Curve")plt.legend()plt.grid()plt.show()

示例输出

• 核心基因数量: 1200

• 附属基因数量: 3500

5. 泛基因组曲线解释

• 封闭泛基因组：当样本数增加时，核心基因数趋于稳定，而新基因的出现逐渐减少。

• 开放泛基因组：当样本数增加时，新的基因不断被发现。

---

1. 背景和意义

泛基因组分析最初在微生物学领域获得广泛应用，但随着测序技术的进步，它逐渐被应用于植物和动物的基因组研究。通过对多个个体基因组进行比较，泛基因组分析可以揭示物种内部的基因多样性、进化历史以及对环境的适应性。特别是在作物改良和畜牧业中，它提供了丰富的基因资源，可以用于开发抗病、高产、耐逆境的新品种。

2. 泛基因组的组成

• 核心基因组（Core Genome）：在所有个体中都保守存在的基因，通常与基本生命功能相关。

• 可变基因组（Accessory Genome）：

  • 泛基因（Dispersed Genes）：只在部分个体中存在，通常与特定环境适应性或性状相关。

  • 特有基因（Private Genes）：只在单一基因组中出现。

  • 重复基因家族（Gene Family Expansion）：特定基因家族在不同品系中扩增，可能与特定功能（如抗逆性）相关。

3. 应用场景

• 植物泛基因组分析：

  • 研究植物品种的多样性，发掘抗逆性和高产基因。

  • 优化作物育种策略，提高作物的适应性和产量。

• 动物泛基因组分析：

  • 研究家畜的性状多样性（如奶牛的产奶量、抗病性）。

  • 阐明野生物种的遗传多样性和保护策略。

---

泛基因组分析的主要步骤

1. 数据收集

• 样本选择：从不同的个体、品系或品种中收集样本（通常使用高质量的参考基因组作为基础）。

• 测序技术：

  • Illumina：短读长，适合基因组重测序。

  • PacBio/ONT（Oxford Nanopore）：长读长，适合基因组组装和结构变异分析。

2. 数据预处理

• 质量控制（Quality Control）：

  • 使用 FastQC 和 Trimmomatic 对测序数据进行质量评估和过滤。

• 基因组组装（Assembly）：

  • 使用 SPAdes（短读长）或 Canu（长读长）等工具进行基因组组装。

• 基因注释（Annotation）：

  • 使用 Maker、Augustus 或 Braker 进行基因注释。

3. 泛基因组构建

• 基因预测和注释：

  • 对所有样本的基因组进行基因预测，并对其进行功能注释。

• 同源基因聚类（Orthologous Clustering）：

  • 使用 OrthoFinder 或 Orthofinder2 进行同源基因簇分析。

• 泛基因组构建：

  • 使用 GET_HOMOLOGUES、Roary 或 Panaroo 构建泛基因组。

4. 泛基因组分析与可视化

• 核心基因和可变基因分析。

• 功能富集分析（Gene Ontology Enrichment Analysis）：

  • 使用 eggNOG-mapper 或 DAVID 进行功能富集分析。

• 泛基因组曲线（Pangenome Curve）：

  • 评估核心基因和可变基因数量随样本数增加的变化趋势。

• 结构变异分析（Structural Variation Analysis）：

  • 使用 Sniffles 和 PBSV 检测结构变异，如基因组重排和大片段插入/缺失。

---

示例：植物泛基因组分析（以水稻为例）

1. 安装工具

# 安装 Condawget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.shbash Miniconda3-latest-Linux-x86_64.sh
# 创建环境并安装工具conda create -n pangenome_analysis python=3.8conda activate pangenome_analysis
# 安装 GET_HOMOLOGUES 工具conda install -c bioconda get_homologues

2. 数据预处理与基因注释

​​​​​​​

# 下载参考基因组和样本基因组数据
wget ftp://example.com/rice_genome1.fastawget ftp://example.com/rice_genome2.fasta
# 基因注释（以 Prokka 为例）prokka --outdir genome1_annotation --prefix genome1 rice_genome1.fastaprokka --outdir genome2_annotation --prefix genome2 rice_genome2.fasta

3. 泛基因组构建

​​​​​​​

# 构建同源基因簇get_homologues.pl -d genome1_annotation/*.faa genome2_annotation/*.faa -t 8 -M -o rice_pangenome
# 生成核心和泛基因组报告get_homologues.pl -d rice_pangenome -t 8 -M -n

4. 数据解析和可视化（Python 代码）

​​​​​​​

import pandas as pdimport matplotlib.pyplot as plt
# 读取 core_genes_matrix.tsv 文件df = pd.read_csv("rice_pangenome/core_genes_matrix.tsv", sep='\t', index_col=0)
# 统计核心基因数量core_genes = df[(df == 1).all(axis=1)]accessory_genes = df[(df == 1).any(axis=1) & ~(df == 1).all(axis=1)]
print(f"核心基因数量: {len(core_genes)}")print(f"可变基因数量: {len(accessory_genes)}")
# 绘制泛基因组曲线sample_counts = range(1, len(df.columns) + 1)core_counts = [len(df[(df.iloc[:, :i] == 1).all(axis=1)]) for i in sample_counts]acc_counts = [len(df[(df.iloc[:, :i] == 1).any(axis=1)]) for i in sample_counts]
plt.figure(figsize=(10, 6))plt.plot(sample_counts, core_counts, label='Core Genome', color='green')plt.plot(sample_counts, acc_counts, label='Accessory Genome', color='orange')plt.xlabel("Number of Genomes")plt.ylabel("Number of Genes")plt.title("Pangenome Curve of Rice")plt.legend()plt.grid()plt.show()

示例输出：

• 核心基因数量: 15000

• 可变基因数量: 8000

5. 解释结果

• 开放泛基因组：如果可变基因数量随着样本增加不断增加，说明物种基因组是开放的（如大多数野生植物）。

• 封闭泛基因组：如果核心基因趋于稳定，则物种基因组是封闭的（如家养植物和动物）。

---

总结

• 动物和植物泛基因组分析 为理解物种内部的遗传多样性提供了丰富的信息，帮助揭示基因组的功能和适应性。

• 植物研究：可以用于提高作物的抗逆性、产量和营养价值。

• 动物研究：可以帮助改善家畜的性状选择和保护濒危物种。

通过以上示例，可以使用多种工具和方法来进行泛基因组分析，结合编程和统计工具（如 Python 和 R）进行深入的数据分析和可视化。这种方法在农业、生态学和生物技术领域具有广泛的应用潜力。

1. 背景与重要性

动物泛基因组分析 是通过整合多个个体的基因组数据来研究物种内部的遗传多样性。与植物和微生物相比，动物的基因组通常更大且更复杂，因此需要更先进的工具和方法。通过泛基因组分析，可以更深入地理解动物物种的进化历史、功能基因的多样性，以及环境适应性等。这在以下领域具有重要应用：

• 家畜改良：识别与产奶量、肉质、抗病性等性状相关的基因，用于牲畜的基因选择和育种。

• 濒危物种保护：了解濒危动物的遗传多样性，制定更有效的保护策略。

• 人类健康：研究模式生物（如小鼠、大鼠）的泛基因组，揭示与人类疾病相关的基因。

• 野生动物适应性研究：揭示野生物种如何通过遗传多样性适应不同环境压力（如气候变化）。

---

2. 泛基因组的组成

• 核心基因组（Core Genome）：在所有个体中都保守存在的基因，通常与基本的生理功能相关。

• 可变基因组（Accessory Genome）：包括下列类型：

  • 泛基因（Dispersed Genes）：在部分个体中存在，与特定适应性或环境压力响应相关。

  • 特有基因（Private Genes）：仅在单个个体中发现的基因，通常与特殊的环境适应性相关。

  • 重复扩增基因家族（Expanded Gene Families）：某些基因家族在特定物种或亚种中扩增，可能与其特定功能有关。

---

3. 动物泛基因组分析的主要步骤

步骤 1：数据收集

• 样本选择：

  • 多个个体、亚种或近缘物种的基因组。

  • 高质量的参考基因组（参考基因组通常来自于已知的代表性个体）。

• 测序技术：

  • 短读长测序（Illumina）：适合基因组重测序。

  • 长读长测序（PacBio, Oxford Nanopore Technologies, ONT）：适合基因组组装和结构变异检测。

  • Hi-C 技术：用于基因组的三维结构和染色体水平组装。

步骤 2：基因组组装和注释

• 质量控制（Quality Control）：

  • 使用 FastQC 评估测序数据质量。

  • 使用 Trimmomatic 或 fastp 对低质量数据进行过滤。

• 基因组组装：

  • 短读长数据：SPAdes, SOAPdenovo。

  • 长读长数据：Canu, Flye, HiFi ASM（PacBio）。

• 基因注释：

  • 使用 Augustus, Maker, 或 Braker 进行基因注释。

  • 结合转录组数据（如 RNA-Seq）提高注释精度。

步骤 3：泛基因组构建

• 基因预测和功能注释：

  • 提取所有样本的基因序列（CDS）并进行功能注释（InterProScan, eggNOG-mapper）。

• 同源基因聚类（Orthologous Clustering）：

  • 使用 OrthoFinder, GET_HOMOLOGUES, 或 PIRATE 等工具进行同源基因聚类分析。

• 泛基因组构建与分类：

  • 通过泛基因组工具构建核心基因组和可变基因组。

  • 常用工具：Panaroo, PanX, Roary（适用于细菌，但可用于小型基因组动物研究）。

步骤 4：泛基因组分析与可视化

• 功能富集分析：

  • 使用 GO enrichment analysis 或 KEGG pathway analysis 进行基因功能富集分析。

• 基因家族扩增分析：

  • 识别基因家族的扩增与收缩，评估与特定性状的关联。

• 泛基因组曲线绘制：

  • 核心基因与可变基因的数量随样本增加的变化趋势，用以判断基因组是“开放”还是“封闭”。

---

动物泛基因组分析示例（以奶牛为例）

1. 环境配置与安装

​​​​​​​

# 安装 Minicondawget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.shbash Miniconda3-latest-Linux-x86_64.sh
# 创建虚拟环境conda create -n animal_pangenome python=3.10conda activate animal_pangenome
# 安装必要的工具conda install -c bioconda orthofinder prokka fastqc trimmomatic eggnog-mapper

2. 数据预处理

​​​​​​​

# 质量控制fastqc sample1_R1.fastq sample1_R2.fastqtrimmomatic PE sample1_R1.fastq sample1_R2.fastq \  sample1_R1_trimmed.fastq sample1_R1_unpaired.fastq \  sample1_R2_trimmed.fastq sample1_R2_unpaired.fastq \  ILLUMINACLIP:TruSeq3-PE.fa:2:30:10 SLIDINGWINDOW:4:15 MINLEN:36

3. 基因组组装与注释

​​​​​​​

# 组装基因组（以 SPAdes 为例）spades.py -1 sample1_R1_trimmed.fastq -2 sample1_R2_trimmed.fastq -o assembly_output
# 基因注释（Prokka）prokka --outdir annotation_output --prefix sample1 assembly_output/scaffolds.fasta

4. 同源基因聚类与泛基因组构建

# 使用 OrthoFinder 进行同源基因聚类orthofinder -f annotation_output/
# 生成核心和泛基因组分析结果orthofinder -og annotation_output/

5. 泛基因组分析与可视化（Python 代码示例）

​​​​​​​

import pandas as pdimport matplotlib.pyplot as plt
# 读取 OrthoFinder 输出的基因簇数据df = pd.read_csv("Orthogroups/Orthogroups.GeneCount.tsv", sep='\t')
# 统计核心基因和可变基因total_samples = len(df.columns) - 1core_genes = df[(df.iloc[:, 1:] > 0).sum(axis=1) == total_samples]accessory_genes = df[(df.iloc[:, 1:] > 0).sum(axis=1) < total_samples]
print(f"核心基因数量: {len(core_genes)}")print(f"可变基因数量: {len(accessory_genes)}")
# 绘制泛基因组曲线sample_counts = range(1, total_samples + 1)core_counts = [len(df[(df.iloc[:, 1:i+1] > 0).all(axis=1)]) for i in sample_counts]acc_counts = [len(df[(df.iloc[:, 1:i+1] > 0).any(axis=1)]) for i in sample_counts]
plt.figure(figsize=(10, 6))plt.plot(sample_counts, core_counts, label='Core Genome', color='blue')plt.plot(sample_counts, acc_counts, label='Accessory Genome', color='orange')plt.xlabel("Number of Genomes")plt.ylabel("Number of Genes")plt.title("Pangenome Curve of Cattle")plt.legend()plt.grid(True)plt.show()

6. 结果解释

• 核心基因：与所有样本共有的基因，通常与基本生理功能和物种维持相关。

• 可变基因：在部分样本中出现的基因，与环境适应、疾病抵抗和性状多样性相关。

• 泛基因组曲线：曲线趋于平稳说明基因组是“封闭”的，而曲线不断上升则表示“开放”的基因组。

---

总结

1. 动物泛基因组分析的挑战

• 基因组复杂性：动物基因组通常更大且更复杂（重复序列、基因家族扩增），需要更高效的算法。

• 计算资源需求：泛基因组分析需要处理大量数据，尤其是当涉及长读长测序时。

• 数据标准化：不同来源

生信大白记第31记，就到这里，关注我！

下一记，持续更新学习生物信息学的内容！

生信大白记邮箱账号：shengxindabaiji@163.com

生信大白记简书账号：生信大白记

生信大白记CSDN账号：生信大白记

生信大白记微信公众号：生信大白记

加入生信大白记交流群938339543