Предсказание генов прокариот

   В задании необходимо было сравнить предсказания генов, хранящихся в базе данных GenBank и сгенерированных программой Prodigal. Для выполнения была выдана плазмида LN606601. 
  Она имеет размер 80028 bp, кодирует 3,674 гена, из которых 3,467 белок-кодирующих, 135 псевдогенов, 15 генов rRNA(5S, 16S, 23S), 56 генов tRNA и 1 ген ncRNA(non-coding RNA).

Acetobacter senegalensis

    Плазмида принадлежит организму Acetobacter senegalensis - представителю рода Acetobacter - группы грам-отрицательных бактерий,
  обладающих ферментативной способностью окислять сахара или этанол для получения уксусной кислоты. Некоторые из ни используются в 
  промышленных масштабах для производства пищевых продуктов и химических  веществ. Морфотип бактерий данного рода - палочковиный, 
  все представители являются аэробами. Повсеместно распространены в природных средах, где в результате ферментации сахаров этанол
  остается в качестве побочного продукта: их можно выделить из цветочного нектара или поврежденных созревших плодов. Другими 
  хорошими источниками являются свежий яблочный сидр, вино и непастеризованное пиво, где эти бактерии активно растут на 
  поверхностной пленке. Типичные переносчики: плодовые мушки. Один из видов рода Acetobacter, Acetobacter xylinum обладает
  способностью синтезировать целлюлозу, что характерно, в целом, только для растений.[1]
   

    Необходимые файлы с генами были получены с помощью пакета EMBOSS.
  Командой seqret embl:LN606601 plasmid.fasta был извлечен из базы данных файл plasmid.fasta для последующей работы в Prodigal. 
  Командой seqret embl:LN606601 -feature plasmid_1.gff был извлечен из базы данных файл plasmid_1.gff c сохраненными 
  особенностями для последующего извлечения координат белок-кодирующих последовательностей. 
   

Работа с Prodigal

   Для предсказания генов в выданной плазмиде использовалась программа Prodigal. Запуск программы из командной строки был осуществлен с помощью команды prodigal.windows.exe -i plasmid.fasta -o plasmid_an.pro -f sco.

   Опции -i и -oзадают входной и выходной файлы соответсвенно, а опция -f выбирает нужный формат выходного файла. Был использован минималистичный формат sco для удобства дальнейшей работы. 
   Итоговый файл: plasmid_an.pro.

Обработка итоговых файлов

    Для сравнения результатов предсказания генов выданной плазмиды необходимо было сопоставить информацию, содержащуюся в ранее полученных файлах файлах plasmid_an.pro и plasmid_1.gff. 
  Для возможности удобной обработки, файлы были преведены к единому, простому для анализа с помощью Python, формату. 
    Скрипт test_plasmid_pro.py перевел файл plasmid_an.pro в plasmid_an_final.txt, содержащий только координаты и ориентацию предсказанных
  программой Prodiga генов.
    Скрипт make_single_format_gff.py перевел файл plasmid_1.gff в plasmid_gff.txt, содержащий ту же информацию, аннотированную в Genbank. 
    После этого был написан скрипт analys_test_2.py, сравнивающий файлы plasmid_1.gff и plasmid_an.pro. 

    Скрипт открывает на чтение два файла, записывает в два массива все строки, прочитанные из полученных файлов, затем разбивает каждую строку из каждого массива в список. Далее, обращаясь к определенным элементам каждого
  списка, мы можем сравнивать интересующие нас координаты, и, выставляя счетчики в виде переменных, фиксировать количество генов с определенным совпадением координат. После этого, мы выводим исходное количество генов, 
  значение каждого счетчика, а также процентное значение такого счетчика к общему количеству генов.

Результаты

В целом можно заметить, что предсказание, выполненной Prodigal, в данном случае не очень точное - полностью идентичными предсказано только 70% генов. Несовпадающих по C-концу генов не найдено, а вот по N-концу программа определила целых 16 генов. Разберем некоторые такие примеры.

   Был написан дополнительный скрипт analys_test_1.py, который отдельно находил и выдавал в output все пары генов из обоих файлов, которые имели одинаковые координаты по С-концам, но неодинаковые по N-концам.
  Исходя из результата работы этого скрипта, я сразу анализировала пары генов с выданными им координатами. 
   Рассмотрим ген с координатами 6904-7209 (-). Аннотацию с такими координатами мы получили из GenBank, но программа Prodigal иначе предсказала N-конец с координатой 7224. 
  Программа включила 15 лишних нуклеотидов. Обе границы N-конца, визуализированные с помощью геномного браузера, можно увидеть на рисунке ниже.
 

  
 
 

    Продуктом данного гена является регуляторный белок, участвующий в метаболизме молибдена. Вероятнее всего, программа Prodigal 
  во время предсказания добавила лишние нуклеотиды к гену из-за дополнительного старт-кодона ATG, который стоит раньше истинного
  старт-кодона этого гена. Стоит заметить, что в аннотации GenBank к этому гену указано, что при трансляции гена используется 
  таблица генетического кода 11, со старт-кодонами из которой было полезно свериться при изучении добавленного участка. Как 
  видно из таблицы, кодон ATG, из-за которого программа выдала неверно предсказанные координаты гена, входит в группу старт-кодонов
  у изучаемых организмов.
    На рисунке ниже желтым цветом отмечены реальные границы гена из GenBank, синим-добавленные программой лишние нуклеотиды (показана
  прямая цепь, в то время, как ген читается по обратной). 


    Следует упомянуть, что некоторые гены, правильно предсказанные программой Prodigal отбражались в геномном браузере, но их координат
  не было обнаружено в файле, полученном из GenBank.
    
    Рассмотрим ген из выданных нам скриптом analys_test_1.py с кординатами 20454-20098 (+). Аннотацию с такими координатами мы получили из GenBank, но программа Prodigal иначе предсказала N-конец с координатой 20155. 
  Программа исключила 57 лишних нуклеотидов, тем самым предсказав ген правильно. Обе границы N-конца, визуализированные с помощью геномного браузера, можно увидеть на рисунке ниже.
 

  
 
 

    Продуктом данного гена является гипотетический белок без четко определенной функции. Стоит заметить, что при поиске записи, относящейся
  к этому участку CDS, координаты изучаемого гена указаны в точности такие же, как и предсказанные программой Prodigal, а не такие, которые
  указаны в файле, скачанном из GenBank с помощью EMBOSS. Вполне возможно, что здесь в базе данных ошибка.
    Но, т.к. первым триплетом в гене с координатами, лежавшими в файле из GenBank(20454-20098 (+)) был старт-кодон TTG(сверяясь 
 с таблицей генетического кода 11 проверяем, что есть такой старт-кодон), то вполне можно предположить, что так был ошибочно предсказан ген и 
 эта запись осталась в базе.
    На рисунке ниже синим цветом отмечены реальные границы гена из предсказания Prodigal, красным-добавленные в файле из GenBank(вероятно, 
 ошибочно) лишние нуклеотиды. 

 

Сравнение предсказаний генов в базе данных GenBank и по данным Prodigal для геномной записи

Источники:

[1] Acetic acid bacteria

[2] подсемейство Хомяки

[3] Кинетопласт Wiki

© Avdiunina Polina, 2015