叶绿体基因组注释-Geseq篇

叶绿体基因组注释

基因组注释和基因组组装是叶绿体分析中十分重要的两个工作，是所有后续分析的基础。所以一定要拿到正确的注释文件之后再开始做分析。
目前常用的软件有Geseq、PGA、CPGAVAS2，没使用过CPGAVAS2，因此本篇文章先主要讨论一下Geseq，后续在讨论下PGA注释。

Geseq

需要准备的文件有上一步组装得到的fasta文件，和下载的参考文件。
然后点击Submit 等待两分钟即可得到Geseq注释结果

下载并以文本方式打开该genbank文件。

Gesq注释结果 vs NCBI结果

Geseq

NCBI

相比于NCBI， Geseq注释结果中多了 /info、/annotator、exon 和 intron等信息。 我比较喜欢看NCBI格式，所以一般都会用正则表达式把这部分信息删除。
Geseq注释问题
如上图ndhB基因的注释，Geseq会注释出来两个CDS，原因是第一个外显子的结尾143112和第二个外显子的开始143767处的碱基相同 都是"G"。因此软件无法确定哪个是对的，所以给出了两个CDS的结果。这样就需要我们手动进行验证哪个是对的。一般CDS中外显子的长度都是3的倍数，所以可以根据这个做判断。
比较特殊的基因有两类
1反式剪切基因rps12和RNA编辑基因如psbL等。

rps12基因
rps12基因在重复区各有两个外显子，而又共用LSC中的一个外显子。注释的时候需要加以调整。也要在rps12基因中加入 /trans_splicing
RNA编辑 基因

psbL等基因经常会出现非*TG作为起始密码序列如本次注释中其为 ACG，这中情况需要在CDS里面加上 /exception=“RNA editing”
较正完成之后，验证注释结果的准确性，可以自己编写脚本，比如比较好用的biopython/bioperl包等或者使用Geseq进行检查。比如找出CDS长度不是3的倍数的基因或序列中间有终止密码子的基因等

写在结尾

叶绿体基因组组装和注释是所有分析的基础，一定要在保证这两个文件正确的情况下，再进行后续的分析。公司分析的结果也不一定是准确的，拿到公司的结果后，我们也要自己分析一遍。