Uuden naudan genomin vertailu

Vuodesta 2014 naudan genomitutkimusten standardi on ollut UMD 3.1 -genomi, jonka voi ladata esimerkiksi täältä:

Muutama päivä sitten julkaistiin kuitenkin uusi kokoonpano, ARS_UCD1.2. Sen voi ladata täältä:

ftp://ftp.ncbi.nlm.nih.gov/genomes/all/GCA/002/263/795/GCA_002263795.2_ARS-UCD1.2/

Saadakseni nopean käsityksen vertasin kokoonpanoja ja niiden samankaltaisuutta LAST-ohjelmalla http://last.cbrc.jp/ .

Ensin loin LAST-tietokannan näin

lastdb -P0 -uNEAR -R01 $FOLDER/UMD31/UMD31-NEAR $FOLDER/UMD31/UMD3.1_chromosomes.fa

Sitten määritin substituutio- ja aukkofrekvenssit

last-train -P0 --revsym --matsym --gapsym -E0.05 -C2 $FOLDER/UMD31/UMD31-NEAR $FOLDER/ARS/ARS_UCD12.fna > $FOLDER/UMD-ARS.mat

Koulutuksen jälkeen ajettiin vertailu (tässä Slurm-skriptin rinnakkainen osa)

FOLDER="/wrk/daniel/References/";
chr=($(ls $FOLDER/ARS/chr*));

lastal -m50 -E0.05 -C2 -p $FOLDER/UMD-ARS.mat $FOLDER/UMD31/UMD31-NEAR ${chr[$SLURM_ARRAY_TASK_ID]} | last-split -m1 > UMD-ARS-$SLURM_ARRAY_TASK_ID.maf

Koska ajoin vertailun rinnakkain jokaiselle kromosomille, tiedostojen otsakkeet piti poistaa

cat *.maf > all.maf
sed '/^#/ d' < all.maf > temp.maf
head -n 22 all.maf > headerLines
cat headerLines temp.maf > alignments.maf

Lopuksi yhdistetyt simple sequence -kohdistukset hylättiin, kohdistukset muunnettiin taulukkomuotoon ja kohdistukset, joiden virhetodennäköisyys oli > 10^-5, hylättiin:

last-postmask alignments.maf |
maf-convert -n tab |
awk -F'=' '$2 <= 1e-5' > alignments.tab

Ja tästä taulukkotiedostosta tehtiin sitten pistekuvaaja

last-dotplot -x 4000 -y 4000 alignment.tab alignment.png

Pistekuvaaja näyttää tältä: genomi vaikuttaa pääosin samalta, mutta joillakin alueilla se on selvästi muuttunut! (Avaa kuva ja zoomaa diagonaaliin nähdäksesi erot)