从IMGT数据库下载免疫组库相关fasta序列

前面我在生信技能树的推文教程：通过IMGT数据库认知免疫组库 提到了它是目前免疫组库相关fasta序列整理的最齐全的。（因为被黑粉举报，所以我们公众号时隔半个月才能继续发原创，让大家久等了）

真的是搞不明白，我辛辛苦苦写教程，为什么黑粉一定要无理取闹的举报！！！委屈

BCR有IGH,IGK,IGL这3类，而TCR有TRA,TRB,TRD,TRG，它们各自都有V，D（可选），J，C基因，这么多基因的序列都是可以直接下载的。

都是在：http://www.imgt.org/vquest/refseqh.html#VQUEST

首先是多个物种的BCR的IGH,IGK,IGL这3类的V，D（可选），J基因：

BCR的IGH,IGK,IGL

然后是多个物种的TCR的TRA,TRB,TRD,TRG的V，D（可选），J基因：

TCR的TRA,TRB,TRD,TRG

人类IGH的fasta文件下载

首先IGH是BCR的一种，有V，D，J基因，其fasta文件如下：

mkdir ~/biosoft/igblast/imgt 
cd  ~/biosoft/igblast/imgt 
wget http://www.imgt.org/download/V-QUEST/IMGT_V-QUEST_reference_directory/Homo_sapiens/IG/IGHV.fasta
wget http://www.imgt.org/download/V-QUEST/IMGT_V-QUEST_reference_directory/Homo_sapiens/IG/IGHD.fasta
wget http://www.imgt.org/download/V-QUEST/IMGT_V-QUEST_reference_directory/Homo_sapiens/IG/IGHJ.fasta

简单统计是：

IGHD.fasta:44，37
IGHJ.fasta:13，6
IGHV.fasta:402，106

http://www.imgt.org/IMGTrepertoire/LocusGenes/genetable/human/geneNumber.html

数量似乎有点对不上。

具体看

>J00256|IGHJ1*01|Homo sapiens|F|J-REGION|723..774|52 nt|1| | | | |52+0=52| | |
>J00256|IGHJ2*01|Homo sapiens|F|J-REGION|932..984|53 nt|2| | | | |53+0=53| | |
>J00256|IGHJ3*01|Homo sapiens|F|J-REGION|1537..1586|50 nt|2| | | | |50+0=50| | |
>X86355|IGHJ3*02|Homo sapiens|F|J-REGION|1107..1156|50 nt|2| | | | |50+0=50| | |
>J00256|IGHJ4*01|Homo sapiens|F|J-REGION|1912..1959|48 nt|3| | | | |48+0=48| | |
>X86355|IGHJ4*02|Homo sapiens|F|J-REGION|1480..1527|48 nt|3| | | | |48+0=48| | |
>M25625|IGHJ4*03|Homo sapiens|F|J-REGION|446..493|48 nt|3| | | | |48+0=48| | |
>J00256|IGHJ5*01|Homo sapiens|F|J-REGION|2354..2404|51 nt|3| | | | |51+0=51| | |
>X86355|IGHJ5*02|Homo sapiens|F|J-REGION|1878..1928|51 nt|3| | | | |51+0=51| | |
>J00256|IGHJ6*01|Homo sapiens|F|J-REGION|2947..3009|63 nt|3| | | | |63+0=63| | |
>X86355|IGHJ6*02|Homo sapiens|F|J-REGION|2482..2543|62 nt|3| | | | |62+0=62|partial in 3'| |
>X86356|IGHJ6*03|Homo sapiens|F|J-REGION|2482..2543|62 nt|3| | | | |62+0=62|partial in 3'| |
>AJ879487|IGHJ6*04|Homo sapiens|F|J-REGION|39..101|63 nt|3| | | | |63+0=63| | |

进行多序列比对，查看它们的远近关系

比如看IGHV，就是123-129个基因，可以分成3大类和7小类：

• clan I: IGHV1, IGHV5 and IGHV7 subgroup genes
• clan II: IGHV2, IGHV4 and IGHV6 subgroup genes
• clan III: IGHV3 subgroup genes

这些基因都拥挤在狭小的染色体片段上面：

All the IGHV genes are in a fully sequenced contig which comprises the following accession numbers:

• AB019437 (200000 bp): IGHV(III)-82 to IGHV(II)-60-1
• AB019438 (200000 bp): IGHV3-60 to IGHV4(II)-40-1
• AB019439 (200000 bp): IGHV7-40 to IGHV3-21
• AB019440 (200000 bp): IGHV(II)-20-1 to IGHV2-5
• AB019441 (157090 bp): IGHV4-4 to IGHV6-1

因为IGHV序列太多，比对起来耗费时间，我这里就举例IGHJ，如下：

IGHV序列比对结果

可以看到，它们不同序列的差异很微弱，都集中在开头的几个碱基，其中IGHJ6跟另外的5类差异最大。

大家觉得该如何可视化上面的结果呢？

library(Biostrings) 
library(msa)
library(ggtree)
library(seqinr) 
mySequences <- readDNAStringSet('IGHJ.fasta')
mySequences
myAlignment <- msa(mySequences)

欢迎邮件交流你的可视化想法，发到我的邮箱 [e-mail]

比如我这里可以使用msaR包：

library(msaR) 
msaR(AAStringSet(as.character(myAlignment)))

看起来还挺有感觉的哦！

比如ggtree可以读取多种格式（包括newick，nexus，NHX，jplace和phylip）的系统发育树，并结合不同类型的相关数据进行注释分析。

这些bioconductor包的使用，我们在R语言公益课的钉钉群有视频讲解，欢迎大家加入学习，详见：R语言公益课程之bioconductor

自行加入看录播咯，虽然bioconductor已经结束，但是今晚（2020-05-19，周二）八点还有绘图的直播课程哈。

文末友情宣传

强烈建议你推荐我们生信技能树给身边的博士后以及年轻生物学PI，帮助他们多一点数据认知，让科研更上一个台阶：

• 生信爆款入门-全球听（买一得五）（第5期）（可能是最后一期）你的生物信息学入门课
• (必看！)数据挖掘第3期（两天变三周，实力加量），医学生/临床医师首选技能提高课
• 生信技能树的2019年终总结  ，你的生物信息学成长宝藏
• 2020学习主旋律，B站74小时免费教学视频为你领路，还等什么，看啊！！！

推荐阅读