Mumemto给的构建线性泛基因组的方法

完整工作流程

步骤1：找到所有基因组共有的序列（核心序列）

# 找所有30个基因组都有的唯一匹配序列
mumemto mum -o core_sequences -l 100 rice_genome_*.fa

参数说明：

• 默认：匹配必须在所有序列中出现，且每个序列中只出现一次
• -l 100：设置最小匹配长度为100bp

步骤2：找到每个基因组特有的序列

# 找每个基因组独有的序列（只在1个基因组中存在）
mumemto mum -k 1 -f 1 -o unique_sequences -l 100 rice_genome_*.fa

参数说明：

• -k 1：匹配只需要在1个序列中出现
• -f 1：每个序列中最多出现1次
• -l 100：保持相同的最小长度标准

步骤3：合并序列构建代表基因组

方法A：直接拼接（简单方法）

# 提取核心序列
# （需要根据mumemto输出格式编写脚本提取实际序列）

# 提取特有序列
# （需要根据mumemto输出格式编写脚本提取实际序列）

# 合并序列
cat core_sequences.fa unique_sequences.fa > pangenome_representative.fa

方法B：更精细的合并策略

# 创建一个更完整的分析流程

# 1. 生成详细的匹配报告
mumemto mum -M -o core_detailed -l 100 rice_genome_*.fa
mumemto mum -M -k 1 -f 1 -o unique_detailed -l 100 rice_genome_*.fa

# 2. 保存中间数组以便后续分析
mumemto mum -A -K -o rice_analysis -l 100 rice_genome_*.fa

优化的完整命令序列

第一步：准备和核心序列分析

# 创建输出目录
mkdir -p rice_pangenome_analysis/{core,unique,merged}

# 找核心序列（所有基因组共有）
mumemto mum \
  -o rice_pangenome_analysis/core/core_seqs \
  -l 200 \
  -M \
  -A \
  rice_genome_*.fa

第二步：特有序列分析

# 找每个基因组特有序列
mumemto mum \
  -k 1 \
  -f 1 \
  -o rice_pangenome_analysis/unique/unique_seqs \
  -l 200 \
  -M \
  rice_genome_*.fa

第三步：可选的中间分析

# 可选：找在少数基因组中共享的序列（2-5个基因组）
mumemto mum \
  -k 2 \
  -F 5 \
  -o rice_pangenome_analysis/accessory/accessory_seqs \
  -l 200 \
  rice_genome_*.fa

后续处理建议

1. 序列提取和质量控制

# 建议编写脚本来：
# - 解析mumemto输出格式
# - 提取实际的DNA序列
# - 去除重复和重叠
# - 按基因组来源标注序列

2. 构建最终代表序列的策略

方案A：简单拼接

• 核心序列 + 所有特有序列

方案B：分层组织

• 主体：核心序列
• 附录：按基因组分组的特有序列

方案C：基于参考基因组的插入

• 选择一个参考基因组作为骨架
• 在适当位置插入其他基因组的特有序列

3. 参数调整建议

针对水稻基因组的特点：

# 对于较大的基因组，可能需要调整参数
mumemto mum \
  -o core_sequences \
  -l 500 \          # 更长的匹配长度
  -w 20 \           # 增加窗口大小
  -m 200 \          # 调整哈希参数
  rice_genome_*.fa

mumemto mum \
  -k 1 -f 1 \
  -o unique_sequences \
  -l 300 \          # 特有序列可以稍短
  rice_genome_*.fa

验证和质量检查

# 验证结果的一致性
# 1. 检查核心序列确实在所有基因组中存在
# 2. 检查特有序列确实只在对应基因组中存在
# 3. 统计各类序列的数量和长度分布

这样您就能获得一个包含所有30个水稻基因组信息的代表性序列集，既包含保守的核心成分，也包含每个基因组的独特贡献。

---

输出文件：

Mumemto软件的输出文件格式总结如下：

主要输出文件类型

1. *.mums 文件

• 生成条件：当最大出现次数参数（-f）设置为1时生成（默认）

• 格式：

  [MUM长度] [各序列中偏移量的逗号分隔列表] [链方向指示符的逗号分隔列表(+/-)]

• 特点：

  • 每行代表一个multi-MUM（多重最大唯一匹配）
  • 在每个序列中最多出现一次
  • 偏移量和链信息按*.lengths文件中的序列顺序排列
  • 如果某个序列中不存在该MUM，对应字段留空
  • 按匹配序列的字典序排序

2. *.lengths 文件

• 功能：定义输出中序列的顺序，包含每个输入序列的长度信息

3. *.bumbl 文件（v1.2新增）

• 性质：*.mum文件的二进制版本
• 优势：
  • 文件更小
  • 处理速度显著更快（对于大型数据集可快几个数量级）
  • 特别适用于包含数百万个multi-MUM的大数据集
• 转换：可通过mumemto convert -b <prefix>.bumbl > out.mums转换为人类可读格式

4. *.mems 文件

• 生成条件：当允许每个序列中出现多于一次匹配时（-f > 1）

• 格式：

  [MEM长度] [每次出现的偏移量逗号分隔列表] [序列ID逗号分隔列表] [链方向指示符逗号分隔列表(+/-)]

• 特点：

  • 偏移量顺序不固定
  • 增加了序列ID字段来标识每个偏移量的来源序列
  • 同样按字典序排序

重要说明

• 所有输出文件中的序列顺序都遵循*.lengths文件中定义的顺序
• 使用convert模块转换时，multi-MUM会按第一个序列中的位置排序，这对共线性分析很有用