关于蛋白 domain建树的总结

最近第一次建树，发现用全长蛋白序列建树的支持度太差，所以就选择蛋白序列建树，网上搜了一圈发现蛋白序列建树只有预测蛋白序列，诸如网站
pfam，或者SMART网站等。但是就是没有说怎么提取蛋白 domain序列

我首先是看基因家族鉴定的文献，发现很多是用 domain建树。如果此时还是不好，那么树是什么样，就是什么样。

首先要获取对应的转录家族序列，这一步简单，只要去pfamA看一下，但是一定要尽量细化到最下面的亚家族。这可以使用 BLAST看一下，有自己的基因组网站，最方便，直接查，否则就用planttfdb看一下，都行。

之后看文献，这一步不容易。因为我的转录因子很多，所以很多家族，我就要看很多文献。但是转录因子家族就是很乱，所以需要耐心，细心梳理。我耐心有，细心不够。
一般是拟南芥和水稻，以为人家转录因子研究的最全。找到文章的附表的id，去网站直接批量下载蛋白序列。
这里还是有很多细节，我就不表了。
之后去SMART批量鉴定，之后就会生成文本。

重头戏来了，这里需要写脚本，提取start和end位置，使用 seqkit工具盒提取对应的位置。这是核心。

如果你的关键蛋白域只有一个简单，可是要是两个三个，就不是很简单了。

我今天上午就做了一个两个域的提取，提取没问题，但是在把这两个域的序列合并的时候（这也是一个我疑惑的点，但是文章没写那么细，所以我想都是比对，就合并了，比对结果跟我想的差不多），没有及时核查结果，结果运行很慢。下午我看结果不好，我用mega建的，时间很长结果不好，我就很难受。吃完饭，回宿舍想了一会，先检查序列文件对不对，再检查与域合并做法对不对，果然一检查就是序列文件合并错了，中间忘了一个字符串的清空操作。主要就是逻辑，我检查的不仔细。

最大的教训就是生信很重要就是数据控制，组装转录本有质量要求，基因组有LGI指数，反正质检很重要。

加油啊！