机器学习和生物信息学实验室联盟

标题: （改进）在blast后删除结果文件的冗余 [打印本页]

作者: RockRabbit 时间: 2012-3-11 15:44
标题: （改进）在blast后删除结果文件的冗余
本帖最后由 RockRabbit 于 2012-3-15 21:11 编辑

改进后，目前不仅限于对microRNA序列的做的BLAST，还可对其他核苷酸序列做BLAST后的结果进行处理。

（1）准备好需要Blast的两个文件。

例如: 我们要在我们的文件中(CDs.txt)寻找与microRNA前体文件（pre-mciroRNA.txt）匹配的序列。则需将CDs.txt命名为query_file.txt, 将pre-mciroRNA.txt命名为 database_file.txt

注意: 我们把blast程序封装到了我们的程序中，若用户想单独使用blast程序，下载网址：ftp://ftp.ncbi.nlm.nih.gov/blast/executables/release/2.2.20/。我们用的是版本是blast-2.2.20。具体的blast步骤如下：

A．在做blast之前，先格式化数据库文件：./formatdb –i CDs.txt –p F –o T
（注意：这边用我们的文件CDs.txt，而不是用pre-microRNA.txt作为数据库文件，是因为一般我们的查询文件较大。另外，-p F 代表的是数据库文件为核苷酸序列，若是蛋白质序列应写为 –p T。）

B．进行BLAST，即对查询文件和数据库文件进行BLAST。
运行命令：./blastall -p blastn –i pre-microRNA.txt -d CDs.txt -o blastout.txt  –m 8  -e 1e-10
其中：-m：比对结果显示格式选项，缺省值为0 ，即pairwise格式。另外还可以根据不同的需要选择1~6等不同的格式。
   -o 是输出结果文件，文件名可根据自己随意命名。
   -e(数学)：期望值(Expectation value)，E值是个统计阈值，缺省值10, 意指比对结果中由于随机偶然性产生的匹配结果不大于10,E值越小结果越可靠。
具体的参数详细说明可见：http://blog.163.com/henry_by/blo ... 820091027104419860/

生成的结果文件是blastout.txt。按照上面的命令输出的结果文件的格式如下图：
[attach]549[/attach]

（2）去除blast后的冗余。
用我们的delete_BlastAbundent.jar程序。将第一步准备好的两个文件拷入与这个程序文件所在的当前目录中，目录中应包含以下几个文件。如图：
[attach]550[/attach]

（a）我们接下来重点介绍如何使用delete_BlastAbundent.jar。
首先，当然前提条件是你的机子安装了java。如果没有的话，可以在网址：http://www.oracle.com/technetwor ... ownload-346242.html 下载。
其次，运行命令：java –jar delete_BlastAbundent.jar  n

其中参数设置是：一个变量。
一个变量 n：控制去除我们最后输出的结果文件中相似的序列。数值越高代表我们去除冗余的程度越好，即结果文件中序列间的相似程度越低。其中变量n可控制在 0.0至1.0不等，一般设为0.5。

（b）当然用户也可以根据不同的需求更改参数。
如程序所用到的批处理程序 blast.bat
[attach]551[/attach]

注意：最好不要任意更改文件名，因为程序封装好了。可以更改的是 –m  或者 –e。

[attach]548[/attach]

作者: xmubingo 时间: 2012-3-11 16:42
RockRabbit出品，绝属精品。

作者: zouquan 时间: 2012-3-11 23:48
两条序列的相似性怎么衡量的？用动态规划？

作者: xmubingo 时间: 2012-3-11 23:51

zouquan 发表于 2012-3-11 23:48
两条序列的相似性怎么衡量的？用动态规划？

他这相似的意思应该是说，两个片段之间重复的长度占总长的比例。

作者: RockRabbit 时间: 2012-3-12 10:41

zouquan 发表于 2012-3-11 23:48
两条序列的相似性怎么衡量的？用动态规划？

嗯，是这样的。我做了二层过滤。先将文件中完全相同的序列删除，而后再将有重复段（默认的是0.5，即两条序列中有>50%重复认为是相似序列）的序列删除，只保留一条下来。

作者: xmubingo 时间: 2012-3-16 10:06
改进版哦，等我有空试用下。

作者: zouquan 时间: 2012-3-16 15:11
very gooooooood，谁去试用一下，提出意见，好不断完善~~~

作者: Ｂeck【hu】 时间: 2012-5-2 09:31

RockRabbit 发表于 2012-3-12 10:41
嗯，是这样的。我做了二层过滤。先将文件中完全相同的序列删除，而后再将有重复段（默认的是0.5，即两条序 ...

你好，我想问一下，这个包可以做蛋白质序列去冗余吗？我把里面Blast命令和formatdb命令 -p N 改成 -p T，blastn 改成blastp，怎么得不到结果呢？

作者: RockRabbit 时间: 2012-5-2 22:00

Ｂeck【hu】发表于 2012-5-2 09:31
你好，我想问一下，这个包可以做蛋白质序列去冗余吗？我把里面Blast命令和formatdb命令 -p N 改成 -p T， ...

这个目前只适用于核苷酸序列...

作者: lsss 时间: 2012-11-13 08:37
请问对blast后的结果处理要怎样操作？谢谢~~~

欢迎光临机器学习和生物信息学实验室联盟 (http://123.57.240.48/)