EGAPx文档中文版-AI生成

EGAPx 真核生物基因组注释流程 - 中文使用指南

一、EGAPx 是什么？

EGAPx（Eukaryotic Genome Annotation Pipeline - External）是 NCBI（美国国立生物技术信息中心）官方开源的真核生物基因组自动化注释工具。

简单来说，EGAPx 能做什么？

给你一个基因组的 DNA 序列 + 物种信息 + 转录组数据，它就能自动预测出：

哪里是基因
基因分几个外显子
基因表达什么蛋白
蛋白有什么功能

它的工作原理

1	`输入文件 → 比对蛋白和RNA-seq数据 → Gnomon预测基因结构 → 功能注释 → 输出结果`

蛋白比对：用 miniprot 或 prosplign 把已知物种的蛋白序列比对到你的基因组
短RNA-seq比对：用 STAR 比对短reads（如Illumina数据）
长RNA-seq比对：用 minimap2 比对长reads（如PacBio、Nanopore数据）
基因预测：基于这些证据，用 Gnomon 预测基因结构
功能注释：给预测的基因加上功能描述

二、支持的物种

✅ 支持的物种（按分类群）

分类群	包含范围
脊索动物	哺乳动物、鸟类、鱼类、其他脊椎动物
节肢动物	膜翅目、双翅目、鳞翅目、鞘翅目、半翅目等
棘皮动物	海星、海胆等
腔肠动物	珊瑚、水母等
单子叶植物	水稻、玉米等
双子叶植物	菊类、蔷薇类、豆类、石竹目等

❌ 不支持的物种

真菌、原生生物、线虫 - 这三类不在支持范围内，建议用其他工具

⚠️ 如果你用了不支持的物种TaxID，流程会报错失败。

三、安装

系统要求

容器：Docker 或 Singularity
集群：AWS Batch、SLURM/UGE，或单机（推荐 32核CPU + 256GB内存）
Nextflow：v23.10.1 或更高
Python：v3.11+

安装步骤

# 1. 克隆仓库
git clone https://github.com/ncbi/egapx.git
cd egapx

# 2. 创建Python虚拟环境
python3 -m venv venv
source venv/bin/activate

# 3. 安装依赖
pip install -r requirements.txt

四、准备输入数据

1. 必需输入

EGAPx 使用 YAML 格式的配置文件，至少需要两个参数：

1 2	`genome: /path/to/your_genome.fasta # 基因组文件路径 taxid: 6954 # NCBI Taxonomy ID（物种ID）`

如何获取 taxid？

去 https://www.ncbi.nlm.nih.gov/taxonomy 搜索你的物种名称
或搜索 “Homo sapiens taxid”

2. 基因组文件要求

格式：标准 FASTA 格式（.fasta 或 .fa）
命名：序列名尽量简短、简单，避免特殊字符
重复序列：不需要提前软屏蔽（softmask），流程会自动处理
细胞器序列：建议保留在基因组中，避免reads错误比对
污染筛查：强烈建议在运行前用 FCS 筛查污染

3. 转录组数据（强烈推荐）

短RNA-seq数据（Illumina）

方式一：从SRA数据库下载

1
2
3

short_reads:
  - SRR8506572
  - SRR9005248

方式二：使用本地文件

short_reads:
  # 单端测序
  - - sample1
    - /path/to/sample1.fastq

  # 双端测序（注意两个文件顺序：R1在前，R2在后）
  - - sample2
    - /path/to/sample2_R1.fastq
    - /path/to/sample2_R2.fastq

长RNA-seq数据（PacBio / Nanopore）

1
2
3

long_reads:
  - - sample_nanopore
    - /path/to/nanopore.fastq

同时使用短reads和长reads

genome: /path/to/genome.fasta
taxid: 6954
short_reads:
  - - sample1
    - /path/to/sample1_R1.fastq
    - /path/to/sample1_R2.fastq
long_reads:
  - - sample_pacbio
    - /path/to/pacbio.fastq

五、运行 EGAPx

1. 首次运行 - 生成配置文件

python3 ui/egapx.py ./examples/input_D_farinae_small.yaml \
  -e <执行器> \
  -w <工作目录> \
  -o <输出目录>

执行器选项：

参数	说明
`-e local`	本地单机运行
`-e docker`	使用 Docker
`-e singularity`	使用 Singularity
`-e slurm`	SLURM集群（需编辑配置文件）
`-e aws`	AWS云平台
`-e biowulf`	NIH Biowulf集群

首次运行后，会在 ./egapx_config/ 目录生成配置文件，可按需修改。

2. 资源配置调整

如果基因组很大（如 > 3Gb）或数据量很大，可能需要调整内存：

编辑 egapx_config/process_resources.config：

withLabel: 'small_mem' {
    memory = 8.GB
}
withLabel: 'med_mem' {
    memory = 64.GB --> 128.GB  # 改大
}
withLabel: 'large_mem' {
    memory = 128.GB --> 200.GB  # 改大
}

3. 离线模式（无网络或需可重复运行）

# 下载所有支持文件
python3 ui/egapx.py input.yaml -dl -lc local_cache

# 运行
python3 ui/egapx.py input.yaml -e <executor> -w work -o output -lc local_cache

六、输出文件解读

主要输出文件

文件名	说明
`annotated_genome.asn`	最终注释结果（ASN格式，用于提交NCBI）
`complete.genomic.gff`	GFF3格式注释（最常用，推荐）
`complete.genomic.gtf`	GTF格式注释
`complete.genomic.fna`	基因组序列（FASTA）
`complete.cds.fna`	编码区序列
`complete.transcripts.fna`	转录本序列
`complete.proteins.faa`	蛋白序列
`annotation_data.cmt`	注释元数据（用于提交）

质量评估文件

文件/目录	说明
`GNOMON/contam_rpt.tsv`	污染报告，检查是否有原核生物污染
`GNOMON/new.gnomon_report.txt`	每个基因的证据支持详情
`busco/`	BUSCO完整性评估结果
`stats/feature_counts.xml`	特征数量统计
`stats/feature_stats.xml`	特征详细统计

输出统计示例

Overall Counts:
  genes: 12650              # 总基因数
    genes (protein coding): 11549   # 蛋白编码基因
    genes (non coding): 886        # 非编码RNA基因
  mRNAs: 23281             # 总转录本数
    mRNAs (fully supported): 21577  # 完整支持
  non-coding RNAs: 1963    # 非编码RNA

关键质量指标

fully supported：该转录本有完整的实验证据支持（蛋白或RNA-seq）
ab initio > 5%：超过5%的序列是ab initio预测（仅靠HMM模型），可能质量较低
major correction：存在移码突变或内部终止密码子，可能是低质量蛋白，标记为”LOW QUALITY PROTEIN”

⚠️ 如果超过10%的蛋白编码基因有”major correction”，建议先优化基因组组装质量再注释。

七、常见问题

Q1: 运行时间多久？

取决于基因组大小和数据量：

果蝇（144Mb）+ 1个Illumina数据：约 3小时
鸡（1.1Gb）+ 20个RNA-seq数据：约 5.5小时

Q2: BUSCO分数低怎么办？

可能原因：组装质量差、基因组特殊、物种与BUSCO模型距离远
检查 busco/short_summary.txt 了解具体情况
用 https://busco.ezlab.org/ 查看同物种的预期分数

Q3: 污染怎么办？

EGAPx 会在蛋白质比对阶段检测污染。如果超过5%的基因模型比对到原核生物，会报错停止。

建议：

运行前用 FCS 筛查污染
检查 GNOMON/contam_rpt.tsv 中的可疑序列

Q4: 单染色体基因组出问题？

某些步骤（如 bam_bin）在单染色体基因组上可能失败。临时解决方案：添加一个假的scaffold或线粒体序列。

八、提交到NCBI

准备文件

BioProject 和 BioSample：在 https://submit.ncbi.nlm.nih.gov/subs/bioproject/ 注册
locus_tag前缀：提交时会分配
source table：序列来源信息表
assembly structured comment：从 https://submit.ncbi.nlm.nih.gov/structcomment/genomes/ 生成

使用 prepare_submission 工具

# Docker
docker run --rm -i -v "$PWD:$PWD" -w "$PWD" \
  ncbi/egapx:0.5.1 prepare_submission \
  --egapx-annotated-genome-asn annotated_genome.asn \
  --submission-template-file template.sbt \
  --bioproject-id PRJNAxxxxx \
  --locus-tag-prefix xxxx \
  --src-file source_table.txt \
  --assembly-data-structured-comment-file genome.asm \
  --linkage-evidence paired-ends \
  --out-dir submission_output

检查输出

.sqn 文件：最终提交文件
.val 文件：验证报告（检查是否有ERROR/FATAL）
.dr 文件：差异报告

⚠️ BACTERIAL_* 相关的FATAL可以忽略。

九、快速开始示例

# 1. 安装
git clone https://github.com/ncbi/egapx.git
cd egapx
python3 -m venv venv && source venv/bin/activate
pip install -r requirements.txt

# 2. 创建输入文件 input.yaml
cat > input.yaml << 'EOF'
genome: /path/to/your_genome.fasta
taxid: 6954  # 示例：尘螨
short_reads:
  - - SRR8506572
    - https://example.com/sample_R1.fastq
    - https://example.com/sample_R2.fastq
EOF

# 3. 运行（单机）
python3 ui/egapx.py input.yaml -e local -w work -o output

# 4. 查看结果
ls output/

十、获取帮助

GitHub Issues：https://github.com/ncbi/egapx/issues
邮箱：cgr@nlm.nih.gov

文档版本：基于 EGAPx v0.4.1-alpha

生物信息学

#生物信息学

EGAPx文档中文版-AI生成

https://lixiang117423.github.io/article/egxpa-cn/

作者

李详【Xiang LI】

发布于

2026年4月17日

许可协议

8000份大豆重测序数据文章的流程下一篇