Предсказание генов прокариот.

         Для выполнения данного задания мне была дана плазмида Frondihabitans sp. PAMC 28766.
         Таксономия: Bacteria; Actinobacteria; Micrococcales; Microbacteriaceae; Frondihabitans.
         Аэробные бактерии (штамм E1HC-02(T)), был выделен из разлагающихся опавших листьев тропического леса на юго-востоке 
         штата Квинсленд на северо-востоке материковой части Австралии.Клетки штамма E1HC-02 (Т) - короткие палочки (0,5-1,0 х 0,2-0,4 Microm), 
         которые окрашивали грамположительные и обладавшие клеточной стенкой ультраструктуры которые, были изготовлены из белковых субъединиц.
                  

                 seqret embl:CP015748 fasta::cp014516.fasta 
                 seqret embl:CP015748 gff::cp014516.gff -feature 

  prodigal.exe -i cp015748.fasta -o prodigal.fasta -f sco 

                    grep CDS cp015748.gff | cut -f 4,5,7 --output-delimiter='_'> genbank.out
                    grep '>' prodigal.fasta | cut -f 2,3,4 -d '_'  > prodigal.out 

• число и % генов, которые аннотированы в GenBank и для которых предсказание обоих концов гена с помощью Prodigal точно такое же;
• число и % генов, для которых аннотация только С-конца белка не совпадает с аннотацией Prodigal;
• число и % генов, для которых аннотация только N-конца белка не совпадает с аннотацией Prodigal;
• число и % генов, для которых аннотация обоих концов не совпадает с аннотацией Prodigal.

Описание работы скрипта:
                1) Скрипт запрашивает на вход названия 3х файлов (GenBank, Prodigal, файл для результатов)
                   и создает 2 списка: genbank и prodigal, содержащие строки с координатами из исходных файлов (символ разделитель- '_').
                2) Потом для каждого из списков из пункта 1 создаются по два списка с координатами C- и N-концов.
                   Проверяется ориентация гена ('+' или '-'). В зависимости от этого в качестве координаты N-конца (C-конца) в случае '+'
                   берется первая (вторая) координата, в случае '-' соответственно наоборот. Получаем 4 списка с координатами концов.
                3) После этого для каждой координаты N-конца в n_genbank ищется такая же координата в n_prodigal. 
                   Если она найдена, проверяется совпадает ли координата C-конца и в зависимости от ответа подсчитывается
                   число совпадающих генов (если координаты совпадают) или генов с разными C-концами (у белка). 
                   Далее для каждой координаты С-конца в c_genbank ищется такая же в c_prodigal, так что соответствующие 
                   координаты N-концов не совпадают. 
                   Таким образом подсчитывается число генов с по-разному предсказанными N-концами белков.
                4) Все результаты записываются в указанный файл (в нашем случае это был файл results.out) для удобства.

Таблица 1. Полученные результаты сравнения предсказаний генов

Число генов с одинаково предсказанными концами	29 (37,66%)
Число генов с по-разному предсказанными C-концами	5 (6,49%)
Число генов с по-разному предсказанными N-концами	25 (32,47%)
Число предсказанных Prodigal генов, не аннотированных в Genbank	18 (23,38%)
Число не предсказанных Prodigal генов, аннотированных в Genbank	11
Общее число предсказанных Prodigal генов	77
Общее число аннотированных в GenBank генов	63


Таким образом, Prodigal для 29 генов предсказал координаты концов так же, как они аннотированы в GenBank (37,66%). Как мне кажется, это довольно низкий процент. Тем не менее, только один ген, аннотированный в GenBank, не был найден этой программой, хоть и для многих из них концы были предсказаны по-другому.

Пример 1. Не найденный Prodigal ген, аннотированный в Genbank. Ген имеет координаты 50103-50339 (-). Имеются старт-кодон (ATG) и стоп-кодон (TGA) гена, который предсказал Prodigal.

В записи Genbank в строке "product" в аннотации данного гена указана "transposase", которая уже обсуждалась в предыдущем практикуме. При этом в "note" указано: "... Derived by automated computational analysis using gene prediction method: Protein Homology". Prodigal, в свою очередь, на этом участке предсказал только один ген, который короче аннотированного в Genbank. На мой взгляд Prodigal ошибается. Проверить это можно с помощью Blast.

Пример 2. В качестве второго примера расхождения предсказаний рассмотрим ген с координатами 67196-68422(-) в Genbank и 67115-68422(-), предсказанными Prodigal (т.е. программа определила N-конец по-другому).


На рис.3 приведена аннотация гена в Genbank. В данном случае в качестве продукта указан "plasmid partitioning protein RepB". Способ предсказания тот же самый.

Plasmid partition proteins — белки, составляющие систему разделения у плазмид RepABC, обеспечивающую их стабильность и репликацию. В систему входят белки RepA, RepB, и центромеро-подобный белок parS. Мутации в этих белках могут сильно уменьшить стабильность плазмид⁴.

Как мне кажется, в этом случае стоит верить Genbank'у, т.к. описанные белки должны быть довольно консервативными. Для того, чтобы это проверить, для аннотированного гена тоже был запущен BLAST. В итоге было найдено 13 сходных последовательностей, из которых для 10 покрытие составляет 99-100%. Находки аннотированы также. Что касается гена, найденного Prodigal, то для него результаты поиска BLAST выдали те же находки, но с немного отличающимися параметрами. При этом найденные последовательности были частью соответствующих аннотированных генов (тоже кодирующих RepB). Таким образом, тут программа тоже ошиблась, но уже в определении N-конца.



© Mishchenko Polina 2016