1. 双歧杆菌基因组序列批量下载实战第一次接触双歧杆菌基因组分析时我被1400多株菌株的数据量吓到了。后来发现用Python脚本批量处理其实很简单这里分享我的完整操作流程。PATRIC数据库真是个宝藏里面收录了几乎所有公开的双歧杆菌基因组数据。1.1 PATRIC数据库高效检索技巧打开PATRIC官网在搜索框输入Bifidobacterium你会看到密密麻麻的菌株列表。别急着下载先做这三步勾选Complete Genome筛选完整基因组在右侧导出选项选择Genome Metadata下载格式选CSV这个文件大概20MB我遇到过csv文件乱码的情况解决方法是用记事本打开后另存为UTF-8编码。拿到数据后重点看这几列GenBank AccessionsNCBI下载编号Strain菌株名称Genome Status确保选Completeimport pandas as pd df pd.read_csv(bifido.csv) complete_genomes df[df[Genome Status]Complete] complete_genomes.to_csv(filtered.csv, indexFalse)1.2 智能下载脚本开发心得最初用Biopython的Entrez模块下载经常断连后来改进的方案是每次请求间隔0.5秒NCBI要求自动重试失败下载支持断点续传这个脚本我用了三年稳定下载了超过3000个基因组from Bio import Entrez import time def safe_download(accession, max_retry3): for i in range(max_retry): try: handle Entrez.efetch(dbnucleotide, idaccession, rettypegb, retmodetext) return handle.read() except Exception as e: print(f第{i1}次尝试下载{accession}失败) time.sleep(2) return None提示记得在代码开头设置Entrez.email为你真实邮箱NCBI会监控API调用2. Prokka基因组注释深度优化实验室新来的师弟曾问我为什么我的注释结果比师兄的少200个基因这个问题让我意识到参数调优的重要性。2.1 安装避坑指南在CentOS上安装Prokka最头疼的是Perl依赖。我的经验是先用conda创建独立环境按这个顺序安装依赖conda install -c bioconda perl-archive-zip conda install -c bioconda perl-bioperl conda install -c bioconda prokka遇到Cant locate XXX.pm错误时用cpanm安装缺失模块cpanm Bio::SeqFeature::Generic2.2 注释参数黄金组合经过50菌株测试这个参数组合注释效果最好prokka --kingdom Bacteria --genus Bifidobacterium \ --usegenus --prefix BIF_anno \ --rfam --norrna --notrna \ input.fasta关键参数解读--usegenus启用属特异性数据库--rfam预测非编码RNA--norrna不预测核糖体RNA双歧杆菌rRNA位点已知3. antiSMASH基因簇挖掘秘籍第一次用antiSMASH跑出30个基因簇时我激动得差点打翻咖啡。现在教你如何避免我踩过的坑。3.1 离线安装实战官网的Docker安装很简单但在没有root权限的服务器上我推荐conda方案conda create -n antismash python3.7 conda install -c bioconda antismash download-antismash-databases数据库下载经常中断可以用这个技巧screen -S antismash_db download-antismash-databases # 按CtrlA然后按D断开会话3.2 结果深度解读跑完会生成html报告重点关注这几个部分Region Table基因簇区域汇总Similar Known Cluster已知相似产物Domain Annotation功能域预测我写了个解析脚本提取关键信息from antismash_parser import parse_results clusters parse_results(BIF001/antismash_results/index.html) for cluster in clusters: print(f区域{cluster[region]}: {cluster[type]})4. 核心基因同源比对进阶技巧比较过200株双歧杆菌核心基因后我发现这些经验能节省80%时间。4.1 Diamond极速比对方案传统BLAST跑全基因组要几天Diamond只需几小时。这是我的高效流程建索引先下载nr数据库diamond makedb --in nr.faa -d nr --threads 32批量比对命令for f in *.faa; do diamond blastp -d nr -q $f -o ${f%.*}.tsv \ --evalue 1e-5 --id 30 --max-target-seqs 50 done4.2 结果可视化技巧用Python的seaborn绘制热图超方便import seaborn as sns matrix load_identity_matrix(results.tsv) sns.clustermap(matrix, cmapYlGnBu, figsize(20,15))最近我在用PhyloViz做进化树可视化能清晰显示基因水平转移事件。比如发现某株菌的EPS合成基因簇明显来自乳酸菌这个发现后来发了一篇不错的文章。
双歧杆菌基因组分析全流程：从序列下载到基因簇挖掘与同源比对
1. 双歧杆菌基因组序列批量下载实战第一次接触双歧杆菌基因组分析时我被1400多株菌株的数据量吓到了。后来发现用Python脚本批量处理其实很简单这里分享我的完整操作流程。PATRIC数据库真是个宝藏里面收录了几乎所有公开的双歧杆菌基因组数据。1.1 PATRIC数据库高效检索技巧打开PATRIC官网在搜索框输入Bifidobacterium你会看到密密麻麻的菌株列表。别急着下载先做这三步勾选Complete Genome筛选完整基因组在右侧导出选项选择Genome Metadata下载格式选CSV这个文件大概20MB我遇到过csv文件乱码的情况解决方法是用记事本打开后另存为UTF-8编码。拿到数据后重点看这几列GenBank AccessionsNCBI下载编号Strain菌株名称Genome Status确保选Completeimport pandas as pd df pd.read_csv(bifido.csv) complete_genomes df[df[Genome Status]Complete] complete_genomes.to_csv(filtered.csv, indexFalse)1.2 智能下载脚本开发心得最初用Biopython的Entrez模块下载经常断连后来改进的方案是每次请求间隔0.5秒NCBI要求自动重试失败下载支持断点续传这个脚本我用了三年稳定下载了超过3000个基因组from Bio import Entrez import time def safe_download(accession, max_retry3): for i in range(max_retry): try: handle Entrez.efetch(dbnucleotide, idaccession, rettypegb, retmodetext) return handle.read() except Exception as e: print(f第{i1}次尝试下载{accession}失败) time.sleep(2) return None提示记得在代码开头设置Entrez.email为你真实邮箱NCBI会监控API调用2. Prokka基因组注释深度优化实验室新来的师弟曾问我为什么我的注释结果比师兄的少200个基因这个问题让我意识到参数调优的重要性。2.1 安装避坑指南在CentOS上安装Prokka最头疼的是Perl依赖。我的经验是先用conda创建独立环境按这个顺序安装依赖conda install -c bioconda perl-archive-zip conda install -c bioconda perl-bioperl conda install -c bioconda prokka遇到Cant locate XXX.pm错误时用cpanm安装缺失模块cpanm Bio::SeqFeature::Generic2.2 注释参数黄金组合经过50菌株测试这个参数组合注释效果最好prokka --kingdom Bacteria --genus Bifidobacterium \ --usegenus --prefix BIF_anno \ --rfam --norrna --notrna \ input.fasta关键参数解读--usegenus启用属特异性数据库--rfam预测非编码RNA--norrna不预测核糖体RNA双歧杆菌rRNA位点已知3. antiSMASH基因簇挖掘秘籍第一次用antiSMASH跑出30个基因簇时我激动得差点打翻咖啡。现在教你如何避免我踩过的坑。3.1 离线安装实战官网的Docker安装很简单但在没有root权限的服务器上我推荐conda方案conda create -n antismash python3.7 conda install -c bioconda antismash download-antismash-databases数据库下载经常中断可以用这个技巧screen -S antismash_db download-antismash-databases # 按CtrlA然后按D断开会话3.2 结果深度解读跑完会生成html报告重点关注这几个部分Region Table基因簇区域汇总Similar Known Cluster已知相似产物Domain Annotation功能域预测我写了个解析脚本提取关键信息from antismash_parser import parse_results clusters parse_results(BIF001/antismash_results/index.html) for cluster in clusters: print(f区域{cluster[region]}: {cluster[type]})4. 核心基因同源比对进阶技巧比较过200株双歧杆菌核心基因后我发现这些经验能节省80%时间。4.1 Diamond极速比对方案传统BLAST跑全基因组要几天Diamond只需几小时。这是我的高效流程建索引先下载nr数据库diamond makedb --in nr.faa -d nr --threads 32批量比对命令for f in *.faa; do diamond blastp -d nr -q $f -o ${f%.*}.tsv \ --evalue 1e-5 --id 30 --max-target-seqs 50 done4.2 结果可视化技巧用Python的seaborn绘制热图超方便import seaborn as sns matrix load_identity_matrix(results.tsv) sns.clustermap(matrix, cmapYlGnBu, figsize(20,15))最近我在用PhyloViz做进化树可视化能清晰显示基因水平转移事件。比如发现某株菌的EPS合成基因簇明显来自乳酸菌这个发现后来发了一篇不错的文章。
