拟南芥中基因家族序列的提取

1.拟南芥基因组数据的下载

phytozome 是一个收录植物基因组数据的网站，数据整理比较规范，已 经提供了去除可变剪切的 cds 和 protein 序列文件。只有 gff3 文件需要 过滤处理

2. 对拟南芥的注释文件gff3文件进行ID处理，最终得到以下4个文件

基因组文件：Ath.genome.fasta

基因注释文件：Ath_final.gff3 cds

序列文件：Ath.cds.fasta

蛋白序列文件：Ath.pep.fasta

3.从拟南芥数据库 geneFamily 中下载我们关注的基因家族信息

手动将列表信息复制粘贴至notepad++软件中并保存

然后查阅拟南芥的基因组Ath_genome.fasta文件发现其gene_id全是大写字母，而上述的存在大小写，需将其全部转换成大写ID

awk 命令

然后说说 awk 命令（文本三剑客之一），你可以使用它的 toupper 和 tolower 选项来进行相同的操作。同样是上例，脚本中的命令可以使用以下方式代替执行：

$ cat SPL_Ath.list | awk '{print toupper($0)}' >> SPL_Ath.idlist
$cat SPL_Ath.idlist

AT2G47070
AT1G27370
AT1G27360
AT3G60030
AT5G50570
AT1G20980
AT3G57920
AT1G76580
AT5G43270
AT2G33810
AT1G53160
AT3G15270
AT1G69170
AT5G18830
AT1G02065
AT2G42200

上边是将字符转换为大写字符，下边则是相反操作，转换为小写字符：

$ cat SPL_Ath.list | awk '{print tolower($0)}' >> test2.list

4. 基于SPL_Ath.idlist的ID信息去蛋白质序列文件提取对应的氨基酸序列

##首先安装seqtk软件
conda install -y seqtk
##再利用subseq选项根据id列表提取对应的序列
seqtk subseq Ath.pep.fasta SPL_Ath.idlist > SPL_Ath.pep.fasta

出现错误，没有提取序列成功；查阅一看发现是目标序列的ID"AT2G47070"和拟南芥蛋白质序列的ID"ATCG00500.1”（从Phytozome网站下载的）名称不一致

查阅发现从Emsembl网站下载的才是和自己的ID命名格式相同

 

##利用subseq选项根据id列表提取对应的序列
seqtk subseq Arabidopsis_thaliana.TAIR10.pep.all.fa SPL_Ath.idlist > SPL_Ath.pep.fasta

##利用sed命令配合正则表达式

cat test1.fasta | sed  's/.*gene:\(.*\) transcript:.*/>\1/p' |less -S

##保存结果

cat test1.fasta | sed  's/.*gene:\(.*\) transcript:.*/>\1/p' > pep.fasata

ID替换成基因的id

 

seqtk subseq Arabidopsis_thaliana.TAIR10.pep.all.fa SPL_Ath.idlist > SPL_Ath.pep.fasta

利用seqtk命令进行序列的提取 

 

参考来源：

在Linux命令行内直接进行大小写转换 | 良许Linux教程网 (lxlinux.net)