RepeatMasker使用

RM是library-based，經過類似性比對來識別重複序列，能夠屏蔽序列中轉座子重複序列和低複雜度序列（默認將其替換成N）。使用數據庫Dfam和Repbase。

The Dfam database is a collection of Repetitive DNA element sequence alignments, hidden Markov models (HMMs) and matches lists for complete Eukaryote genomes.

Repbase是由美國遺傳信息研究所（GIRI）建立並維護，收錄了轉座子和其餘重複序列及其註釋信息。

本地安裝RepeatMasker，除了須要RepeatMasker主程序外，還須要TRF（Tandem Repeats Finder）、序列搜索引擎（以RMBlast爲例）以及Repbase數據庫。

搜索引擎能夠安裝多個，可是每次只能用一個。

 

Using RepeatMasker to Identify Repetitive Elements in Genomic Sequences

要屏蔽的區域：low-complexity DNA sequences and  interspersed repeats

比對引擎：cross_match WU-BLAST(更快)

若是DNA source沒有參考基因組，那麼須要用RECON或者RepeatScout創建一個Repbase類型的文件

 

安裝：

http://www.repeatmasker.org/RMDownload.html

sequence search engine

cross_match 要註冊啥的，沒搞

RMBlast blast的修改版本，此處用了2.2.28版本，須要下載http://www.repeatmasker.org/RMBlast.html

這裏的兩個binary，而後解壓就能夠了

HMMER 下載v3.1b2版本

ABBlast/WUBlast 也要註冊啥的，沒弄

TRF

下載TRF v4.0.4

Repeat database

下載Dfam和RepBase(要註冊下載)

裝完以後用./configure配置，修改好path就能夠了。

暫時設置RMBlast爲default。

 

 

最簡單的命令

RepeatMasker/RepeatMasker -species human sequence.fasta

最經常使用：

./RepeatMasker -species human -engine hmmer

除了控制檯輸出外，還會在同目錄下產生幾個文件：

輸入文件名.cat    //不懂

輸入文件名.masked  // 已屏蔽完的fasta序列

輸入文件名.out // 重複區域的統計信息，如類型，位置等

 

輸入文件名.tbl

各類統計信息

 

閾值設定：

-lib 指定數據庫，default是靈長類的

-cutoff 使用-lib時設置閾值，默認225。cutoff 值低的會有錯配。

-nolow 不去mask low-complexity DNA or simple repeats

-div sets the divergence level to limit the masking and annotation to a subset

of less diverged (younger) repeats.

速度設定：

-q 快

-qq  更快

-s 慢就更靈敏

-pa 若是有多個輸入或者輸入很大，能夠考慮多處理器加速

-w WU-BLAST比cross_match快，可是後者更準確

 

若是長序列效果很差，能夠修改RepeatMasker中的$maxsize，改大，可是內存需求也會變大

或者切斷

若是空間不足，RM不會報錯，可能會有貌似正確的結果

若是用了WU-BLAST，最好用-s

短序列（<2kb）的可能精確度差一點

 

轉座子transposon

一類DNA序列，它們可以在基因組中轉錄或逆轉錄，在內切酶的做用下，在其餘基因座上出現。I型轉座子即反轉錄轉座子，該型轉座子會先被轉錄爲RNA，而後利用逆轉錄酶將該RNA逆轉錄爲cDNA，而後才被插入到目標位點中。「複製-粘貼」。II型轉座子也稱不復制轉座子，其序列兩端是兩段直接重複序列（direct repeat, dR），與它們接壤的是反向重複序列（invert repeat, iR），中間是插入序列（insert sequence, IS）。因此II型的中間體就是其自己，「剪切-粘貼」。

假基因是一類原本正常，而後由於突變或轉座而可能失去原來功能的基因。在環境壓力下，某些假基因能夠從新被激活，而某些假基因則有着調控基因表達的做用。可總結爲「假做真時真亦假」。它們與原來的基因可能很類似，但又能夠有很大差別。

人體約有40%的DNA與逆轉錄病毒有關，其中7.7%的DNA與逆轉錄病毒很是類似，稱之爲內源逆轉錄病毒（endogenous retrovirus, ERV）。

 

病毒兩端有兩條相同的序列，LTR(long terminal repear)，LTR不編碼蛋白，主要起調控做用。中間三段基因，gag編碼了衣殼蛋白等結構蛋白，pol編碼了逆轉錄酶、整合酶、蛋白酶這些病毒複製須要的酶，env編碼了病毒包膜的糖蛋白。全部的逆轉錄病毒都有這三個基因。人類的內源逆轉錄病毒HERV也有這三段基因和兩個LTR，也能夠像逆轉錄病毒同樣，逆轉錄到別處。HERV多是好久以前感染過人體胚胎，而後逐漸擴增到7.7%的規模，可是已經變異失去了製造病毒顆粒的能力。

 

逆轉錄轉座子retrotransposon不包含env，多是逆轉錄病毒的來源。全部反轉錄轉座子都有一個共同特色，就是在其插入位點上產生短的正向重複序列。它是許多真核生物中數量最大的一類可活動遺傳成分。在植物中特別豐富，它們是核DNA的一個主要組成部分。哺乳動物中，幾乎有一半的基因組包含轉座子或殘餘轉座子。

LINE中有編碼與逆轉錄酶/整合酶類似活性的酶，因此可能也能逆轉錄；長度6K

 

SINE中則沒有編碼逆轉錄酶，（須要在細胞內已有的酶系統的做用下進行轉座）多是在LINE輔助下進行逆轉錄和整合的。Alu是屬於SINE的。長度約300bp

 

近年的研究顯示，靈長目LTR逆轉座子已固定在基因組中，已無轉座活性(Lander et al.，2001);靈長目動物基因組中仍有轉座活性的元件是non-LTR逆轉座子，主要包括長散在重複元件LINE1(long interspersed element 1，L1)、Alu元件、SVA元件等

L1是人類基因組中惟一的自主性逆轉座子，其拷貝佔17%，但只有極少數有轉座活性，其中6個活性最高的L1拷貝介導了大部分L1轉座活動。

Alu元件不能編碼逆轉錄酶，屬於非自主轉座子，它們利用L1編碼ORF2的逆轉錄酶進行逆轉座活動。屬於SINE。是靈長類動物基因組中數量最豐富的逆轉座子。

典型的SVA元件長約2 kb。SVA逆轉座子起源最晚，是人科動物中特有的逆轉座子，屬於SINE家族中的一員。

 

逆轉座子對基因組結構的影響來源有兩種，一是逆轉座過程自己，一是其產生的同源序列：

逆轉座過程對基因組結構的影響：

1.插入突變

逆轉座子對插入位點有選擇性

2.側翼序列轉導

轉座時，除了對自身進行轉錄，有時也會將上下游的側翼序列進行轉錄。側翼序列轉導可將原本不連鎖的基因鏈接起來，對新基因的造成和基因組的進化都有着重要做用。

3.基因逆轉座

基因逆轉座(gene retrotranspositon)是指只有基因序列發生逆轉座，而不伴隨逆轉座子的轉座過程。有時候，一些mRNA能夠採起和Alu、SVA相同的策略，捕獲L1的逆轉錄元件從而逆轉錄插入到基因組中。複製到新位點的基因來源於mRNA的逆轉錄，所以並不含有上游調控區域，除非得到新的調控區域，這些基因即成爲逆轉座的假基因(retropseudogene)

4.DNA雙鏈斷裂

5.側翼序列切除

當L1和Alu插入基因組新位點時，可能會引發鄰近基因組序列的缺失。

逆轉座子同源序列對基因組結構的影響：

1.DNA雙鏈斷裂的修復

2.異常重組

3.微衛星的造成

微衛星(microsatellite)也叫短串聯重複序列(short t and em repeat，STR)或簡單重複序列，是由幾個(多爲2~4個)鹼基對做爲核心單位，串聯重複造成的一類DNA序列。

 

ucsc的repeat數據，其分類以下面連接所示

https://blog.csdn.net/tanzuozhev/article/details/80958785