基因家族分析01_基因家族环境配置和基因组数据的下载
❝基因家族分析流程系列推文的目标：做一个高质量、超耐看、很标准的基因家族分析教程！
引言
❝在我的印象中，基因家族从2015年一直火到了现在，整整十年！ 在这十年之中， 多少刚入学的硕博们，基于基因家族，正式踏入了生物信息学的领域，完成科研方向的转型； 多少硕士博士依靠基因家族完成毕业论文，找到理想的教职； 多少高校青椒依靠基因家族完成学校考核； 多少高校老师依靠基因家族完成职称评定。
因此，我深刻的感觉到，基因家族可能还会一直火下去，一直还会有它的用武之处，我总结了一下，可能有以下的原因：
硕士、博士的毕业驱动。 精美的可视化图表，充实和完善的论文内容，都有助于小论文的发表和大论文的审查。 发表论文，该拿奖学金就去拿奖学金，该毕业就去毕业。 青椒的考核驱动。 一篇基因家族，半个月完成基本图表的绘制，剩余的补一些必需的实验，投稿1-2个月，基本上半年1-2篇论文，这个发Paper的速度，的确很可观了。 基于自己的结果，保三区争二区嘛！ 湿实验的风向标。 目标基因潜在的生物学功能，除了找模式物种的同源基因，还可以找找家族成员的潜在功能嘛。 生信转行的技能驱动。 一个只会复制粘贴，不会写代码的基因家族er，如何自诩转型了生物信息呢？ 必备技能 Linux操作系统去操作文件编写 Python脚本清洗数据R语言进行数据可视化以一个基因家族的完整项目，开启生物信息学的大门。
基因家族的简单介绍
在植物生物学中，基因家族是指一组具有相似功能、结构域或进化关系的基因集合。它们通常由基因复制事件（例如整个基因组或染色体片段的重复）驱动，然后经过进化的选择和改变，最终形成多种不同的功能。
研究植物基因家族主要有以下意义：
理解演化过程：通过研究基因家族，我们可以了解植物的基因如何随着时间的推移而发生变异，以适应不断变化的环境条件。 揭示基因功能：植物基因家族成员可能会执行相似的生物学功能，对于未知功能的基因，如果我们知道它属于哪个基因家族，就可以根据已知的其他成员推测其可能的功能。 启示农业实践：基因家族的研究还可以指导农业实践，比如寻找抗病、抗虫、抗旱等性状的关键基因，帮助改良作物品种。 开辟新的研究领域：通过基因家族的研究，可能会发现全新的生物学机制和路径，为科学研究开辟新的视角和领域。
基因家族需要分析哪些内容
基因家族环境配置和基因组数据的下载 hmmsearch筛选基因家族 blast筛选基因家族 hmmsearch&blast结果鉴定及家族成员信息的获取 序列比对以及进化树的构建和可视化 进化树、结构域、motif可视化 物种内家族成员染色体定位、共线性和复制基因分析及可视化 物种间共线性分析及可视化 启动子分析及可视化 GO功能注释及可视化 蛋白质互作网络PPI 基因家族成员的转录组可视化 qRT-PCR及可视化
基因家族分析所需技能
Linux基础，更快，更好的完成数据操作R语言编程，数据处理，数据清洗和绘制精美的可视化结果Python语言编程，数据处理、文本处理。
基因家族分析环境配置
❝首先要有一个
Linux系统的服务器，如果服务器里面有R或者Rstudio就更好了。 如果服务器里面没有，可以在本地进行R和Python的数据处理过程。
那么本地安装R和Python请参考我之前写好的推文：
❝以下都在
Linux服务器上运行
环境配置
❝我们假设有一个
Linux服务器了，那么安装conda
# 安装conda,并且配置镜像
wget -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
source ~/.bashrc
# 确认是否安装成功
conda --help
# 安装好conda后，需要设置镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda
conda config --set show_channel_urls yes
❝我们假设已经有了
conda环境，如果目前还没有conda环境的话，基于我之前发表过的推文，下载Miniconda。
# 首先我们要创建基因家族分析的小环境，因为我们做的是基因家族分析，所以我们起名字就叫 genefamily
conda create -n genefamily
# 激活小环境
conda activate genefamily
# 在小环境中安装基因家族分析所必须的软件
conda install -c bioconda python hmmer blast meme trimal muscle iqtree fasttree gffread clustalw seqkit jcvi sra-tools fastqc multiqc trim-galore hisat2 samtools subread
# -c bioconda 是指定了镜像，因为很多生物信息学相关的软件都在bioconda镜像里面
# 基因家族分析相关软件 hmmer blast meme trimal muscle iqtree fasttree gffread clustalw seqkit jcvi
# 转录组分析相关软件 sra-tools fastqc multiqc trim-galore hisat2 samtools subread
工作目录配置
❝保持一个良好的数据分析习惯， 以项目文件夹的形式，管理所有的输入数据，输出文件，
以下面为例，整个项目的名称就叫做
Genefamily_Analysis，Genefamily_Analysis是一个文件夹，其内部包含多个文件夹， 基本上每一个文件夹，都是一个分析内容，里面都有各自的分析结果。这是一个非常好的数据分析习惯。
# 跳转到家目录
cd ~
# 在家目录下，创建一个基因家族分析的目录 Genefamily_Analysis 并且跳入到 Genefamily_Analysis
mkdir Genefamily_Analysis && cd Genefamily_Analysis
# 在 Genefamily_Analysis 目录下，一次性创建多个
mkdir 1.database 2.hmmsearch 3.blast 4.identification 5.genefamily_info 6.tree 7.motif_genestructure 8.collinearity 9.mcscanx 10.promoter 11.ppi 12.rnaseq
基因组数据的下载
❝基因家族分析的首要一步，就是下载目标物种的参考基因组数据。 并且最关键的数据如下：
1. genome.fasta # 基因组数据
2. genome.gtf or genome.gff3 # 基因组注释文件
3. protein.fasta # 蛋白质序列
# 前3个是必备数据， 下面的数据有可能会使用到
4. cds.fasta
基因组数据库
1. Phytozome 数据库
https://phytozome-next.jgi.doe.gov/
# Phytozome 是植物基因组数据分析中最常用的数据库了，里面有已经整理好的基因组数据，可以直接进行下载
2. Ensembl Plants 数据库
https://plants.ensembl.org/index.html
# Ensembl Plants 数据库里面是第二常用的数据库了，但是使用这个数据库的时候，务必要注意参考序列的版本，版本变化太大了，有的时候还会产生ID改变的情况！使用的时候要注意
3. NCBI
https://www.ncbi.nlm.nih.gov/genome
# NCBI 在ID命名以及注释文件方面，有它自己的想法和打算，我个人使用的频率很低
4. 各个物种自己的数据库，比如：
拟南芥数据库： https://www.arabidopsis.org/
水稻数据库：http://rice.uga.edu/
# 作为双子叶和单子叶的模式植物，这两个数据库的使用频率可以说是相当的高
基因组数据的下载
❝那么本次教程，就以小麦为实例进行一整套基因家族的分析
# 基因组数据的下载
# 跳转到我们的工作路径 Genefamily_Analysis
cd ～/Genefamily_Analysis
# 因为我们要下载基因组数据，所以我们要继续跳到 1.database 路径下
cd 1.database
# 小麦作为禾本科植物，所以我们相匹配的，还要下载两个模式植物的参考基因组数据
# 小麦
# 基因组序列
nohup wget -c https://ftp.ebi.ac.uk/ensemblgenomes/pub/release-59/plants/fasta/triticum_aestivum/dna/Triticum_aestivum.IWGSC.dna.toplevel.fa.gz ./ &
# 基因组注释文件
nohup wget -c https://ftp.ebi.ac.uk/ensemblgenomes/pub/release-59/plants/gtf/triticum_aestivum/Triticum_aestivum.IWGSC.59.gtf.gz ./ &
nohup wget -c https://ftp.ebi.ac.uk/ensemblgenomes/pub/release-59/plants/gff3/triticum_aestivum/Triticum_aestivum.IWGSC.59.gff3.gz ./ &
# 蛋白质序列
nohup wget -c https://ftp.ebi.ac.uk/ensemblgenomes/pub/release-59/plants/fasta/triticum_aestivum/pep/Triticum_aestivum.IWGSC.pep.all.fa.gz ./ &
# cds序列
nohup wget -c https://ftp.ebi.ac.uk/ensemblgenomes/pub/release-59/plants/fasta/triticum_aestivum/cds/Triticum_aestivum.IWGSC.cds.all.fa.gz ./ &
# 拟南芥
# 留下一个课后练习：去TAIR10上面下载拟南芥的基因组序列、基因组注释文件、蛋白质序列、CDS序列
# 水稻
# 留下一个课后练习：去Rice Genome Annotation Project Database上面下载拟南芥的基因组序列、基因组注释文件、蛋白质序列、CDS序列
代表性转录本的筛选
❝我之前分别写过
Python程序和R程序，以便可以快速的检查和筛选出代表性转录本。 核心的变成思想就是： 如果有gff文件，那么就基于gff文件先去查看到底有多少个基因， 如果没有gff文件的话，那么就基于基因组的pep文件，判断序列的长度，然后筛选出最长的作为代表性转录本， 然后进行后续分析。
在这里，我以R为例，封装一个命令行程序。
Rscript ./Script/get_represent_sequence.R 1_database/Ensembl_Plants/Oryza_sativa.IRGSP-1.0.pep.all.fa test_OS
以及，Python的程序，封装一个命令行程序。
python get_represent_seq.py --input 1_database/Ensembl_Plants/Oryza_sativa.IRGSP-1.0.pep.all.fa --output test_OS
❝这样，就可以更快，更好的筛选出代表性转录本了。
小讨论：
诸多教程里面，都会涉及到对下载好的蛋白质序列进行筛选和过滤，保留序列最长的代表性转录本。
其实我之前也是这么做的。
直到我有一个师弟和我说，他在做玉米的MYB的时候，发现代表性转录本里面其实并不包含MYB Domain，而是其他转录本包含了MYB Domain。
所以我决定，将所有的数据都纳入到分析里面，然后最后进行过滤，剔除一个基因的其他转录本。
小心驶得万年船，总不会错的。
历史绘图合集
公众号推文一览
进化树合集
环状图
散点图
基因家族合集
换一个排布方式：
首先查看基础版热图:
然后再看进阶版热图:
基因组共线性
WGCNA ggplot2版本
其他科研绘图
合作、联系和交流
有很多小伙伴在后台私信作者，非常抱歉，我经常看不到导致错过，请添加下面的微信联系作者，一起交流数据分析和可视化。
❝2025年，除了公众号，还有知识星球，里面除了
在模仿中精进数据可视化，还有R和Python打卡活动和视频学习。
预计最近就是Pandas和R的比较学习，搞数据科学的，生物信息的，总不能一条腿走到黑！
一步一步来～
