转座子分类软件deepTE简介

前言

基因组转座子（TE）注释过程中，对于RepeatModeler这种denovo注释的得到的转座子往往不能进行分类，因此对TE的统计经常存在unknow重复序列过多的情况，之前已经发表了TEclass，REPCLASS和PASTEC等，TEclass基于支持向量机（SVM）分类TE，REPCLASS基于TE结构及同源的特征分类TE,PASTEC基于隐马尔科夫模型（HMM）来分类TE。2020年在Bioinformatics上发表了一款新的软件，基于卷积神经网络（CNN）的重复序列分类软件DeepTE^[1]，这里我们对其使用方法及效果进行了一系列测评。

软件安装

软件地址https://github.com/LiLabAtVT/DeepTE，推荐使用conda安装，安装过程如下

conda create -n py36 python=3.6
conda activate py36
conda install tensorflow-gpu=1.14.0
conda install biopython
conda install keras=2.2.4
conda install numpy=1.16.0

此外，该软件还依赖HMMER（v3.1b1），以及不同物种分类的模型，可以从以下网站下载，下载的文件放在model_dir目录下，作为参数-m_dir的输入

• Plants：https://de.cyverse.org/dl/d/89D2FE7A-41BA-4F64-80E2-B9C26D49E99F/Plants_model.tar.gz

• Metazoans：https://de.cyverse.org/dl/d/441459EF-6DDD-41A5-A9AB-1D5D13049F18/Metazoans_model.tar.gz

• Fungi：https://de.cyverse.org/dl/d/8B112733-063A-4DE9-89EC-22A062D8807B/Fungi_model.tar.gz

• Others：https://de.cyverse.org/dl/d/34CF8ACB-0B1F-4210-8359-366A70539F01/Others_model.tar.gz

• UNS models：https://de.cyverse.org/dl/d/3280369B-030A-4ADF-8B6F-EDD4EC21DC4A/UNS_model.tar.gz

参数解析

该软件主要包括2个脚本：DeepTE.py和DeepTE_domain.py，DeepTE.py为主脚本，进行TE分类，DeepTE_domain.py主要对序列进行TE保守结构域的鉴定。

DeepTE.py基本参数如下：

   -i ：输入的unknow重复序列
   -d：工作目录，生成中间结果
   -o ：输出目录
   -m：模型的名称，提供该参数直接下载模型，P：植物，M：动物，F：真菌，O：其他，U：UNS_model则会自行下载
   -m_dir ：下载的model_dir路径（上述下载的物种文件的存放目录），包括植物，动物，真菌，其他和UNS_model（直接提供-m P、M、F、O、U则会自行下载 ）

-sp：序列来源的物种分类：P：植物， M：动物，F：真菌， O：其他 ，U：未知
-fam：提供TE家族名称（如果是已知的家族可以提供），如果不提供则认为是unknown TEs
              ClassI: 输入序列为ClassI TEs
              ClassII: 输入序列为ClassII subclass1 TEs
              LTR: 输入序列为LTR TEs
              nLTR:输入序列为 nLTR TEs
              LINE:输入序列为LINE TEs
              SINE: 输入序列为 SINE TEs
              Domain: 输入序列为 Class II subclass1 TEs 特异的超家族
-modify：可选参数，该参数需要DeepTE_domain.py进行domain分析后提供 .
-UNS：提供该参数时-i为DNA序列，可以将输入的DNA序列分为TEs, CDS和基因间区。使用该参数不需要提供-sp和-fam（目前该参数只适用于植物）
-prop_thr：注释TE的可能性阈值，例如某个TE为ClassI的可能性为0.6，如果阈值设置为0.7,则该TE为被标记为'unknown'，默认值为 0.6.

DeepTE_domain.py的参数包含-d、-o、-i参数的含义与DeepTE.py相同，这里不多做解释。

-s ：提供的TE家族的domain信息，软件提供该目录：supfile_dir
--hmmscan ：hmmscan的路径

应用实例

从Repbase随机选取拟南芥的重复序列作为输入序列，进行测试。使用DeepTE_domain.py对保守domain进行鉴定，命令行如下：

DeepTE_domain.py -d working_dir -o output_dir -i Arabidopsis.repeat.fasta -s supfile_dir --hmmscan hmmer-3.1b1/bin/hmmscan

生成结果：

• output_dir/opt_te_domain_pattern.txt，该文件分为2列，第一列为序列名称，第二列为鉴定到保守domain信息。该结果可以作为DeepTE.py的输入文件。

使用DeepTE.py借助上一步的保守domain信息分类TE，命令行如下：

DeepTE.py -o TE_claasify_out -d working_dir -i Arabidopsis.repeat.fasta -m_dir model_dir/Plants_model -sp P -modify output_dir/opt_te_domain_pattern.txt

注：-modify提供的为DeepTE_domain.py生成的结果，如不提供该参数，则不借助domain鉴定的信息。

生成结果：

• TE_claasify_out/opt_DeepTE.fasta和TE_claasify_out/opt_DeepTE.txt

• TE_claasify_out/opt_DeepTE.txt：第一类为序列名称，第二列为序列分类信息，（ATENSPM4#DNA/CMC-EnSpm ClassII_DNA_CACTA_nMITE）

• TE_claasify_out/opt_DeepTE.fasta：为分类后的序列，原始的序列名称和类别用"__"分隔（ATENSPM4#DNA/CMC-EnSpm__ClassII_DNA_CACTA_nMITE）

结语

TE类型众多，分类问题一直以来都是一个难题。测试数据选取的已知类型的TE，从deepTE的分类结果来看，某些序列分类准确性较高，上图中红框部分为已知类型和deepTE分类类型一致的序列，deepTE利用了Repbase的TE作为了训练集，因此分类的准确性比较高。如果采用denovo注释到的TE，可以结合软件的结果和deepTE的分类结果以得到更准确的结果。

参考文献：
Yan, H., A. Bombarely, and S. Li, DeepTE: a computational method for de novo classification of transposons with convolutional neural network. Bioinformatics, 2020. 36(15): p. 4269-4275.

作者：May

审稿：童蒙

编辑：amethyst

往期精选