细菌泛基因组分析工具panX

下载安装

Ding W, Baumdicker F, Neher R A. panX: pan-genome analysis and exploration[J]. Nucleic acids research, 2018, 46(1): e5-e5.

我是用mamba安装的：

mamba create --name panX
mamba activate panX
mamba install -c conda-forge python=2.7.12

然后依次安装这些软件就好：

- python==2.7.*
- python-dateutil>=2.5.0
- biopython
- numpy
- scipy
- pandas
- diamond
- fasttree
- mafft
- mcl
- raxml
- treetime==0.6.*【mm install -c bioconda treetime==0.6.\*】
- pip
- pip: ete2

然后从官方地址把项目克隆或者下载下来就好。

数据准备

官方的示例数据是NCBI的gbk格式，可是通常都是没有这种格式的，就在我要放弃的时候发现一个参数：`-ngbk，当没有gbk文件的时候加上这个参数即可。

需要的数据有基因核酸序列和蛋白序列，而且两个文件的文件名称以及序列的ID必须完全一致，不然会报错！核酸序列后缀是fna，蛋白序列的后缀是faa.

由于是使用DIAMOND进行序列比对，因此在蛋白序列中不能出现.，ChatGPT帮忙写了个脚本去除蛋白序列中的.：

from Bio import SeqIO
import sys

input_file = sys.argv[1] # 第一个参数为输入fasta文件名
output_file = sys.argv[2] # 第二个参数为输出fasta文件名

with open(output_file, "w") as output_handle:
    input_sequences = SeqIO.parse(input_file, "fasta")
    for seq in input_sequences:
        if "." in seq.seq:
            if seq.seq.index(".") == len(seq.seq)-1:
                seq.seq = seq.seq[:-1]
                SeqIO.write(seq, output_handle, "fasta")
            elif "." in seq.seq[1:-1]:
                continue
            else:
                SeqIO.write(seq, output_handle, "fasta")
        else:
            SeqIO.write(seq, output_handle, "fasta")

python3 上述脚本 输入文件 输出文件

开始运行

将核酸序列和蛋白序列放在一个文件夹下，加入我的文件名叫project，那就将核酸序列和蛋白序列全部放在这个文件夹下，然后进入这个文件夹，然后运行：

/path/to/panX/panX.py  -fn ./ -sl bin.2 -ngbk -t 65

• fn表示文件夹路径，如果和核酸蛋白文件在一个目录就用./；
• sl参数表示临时文件的名称；
• -ngbk表示输入文件不是gbk格式；
• -t：线程，越多越快。

运行后就会有这些文件和文件夹：

其他

部分运行日志：

Running panX in main folder: /home/user/project/sanqi.metagenomics/14.bins.pangenome/bin.2/
mv: 对 '/home/user/project/sanqi.metagenomics/14.bins.pangenome/bin.2/*.faa' 调用 stat 失败: 没有那个文件或目录
======  step01: strain list successfully loaded
======  starting step03: extract sequences from GenBank file
======  time for step03:
 0.36 minutes (21.55 seconds) 

======  starting step04: extract metadata from GenBank file
======  time for step04:
 0.00 minutes (0.00 seconds) 

======  starting step05: cluster proteins
diamond inputfile: reference.faa
diamond build index (makedb):  0.03 minutes (1.67 seconds)
command line record: /home/user/mambaforge/envs/panX/bin/diamond makedb -p 65 --in /home/user/project/sanqi.metagenomics/14.bins.pangenome/bin.2/protein_faa/diamond_matches/reference.faa -d /home/user/project/sanqi.metagenomics/14.bins.pangenome/bin.2/protein_faa/diamond_matches/nr_reference> /home/user/project/sanqi.metagenomics/14.bins.pangenome/bin.2/protein_faa/diamond_matches/diamond_makedb_reference.log 2>&1
diamond alignment (blastp):  20.64 minutes (1238.37 seconds)
diamond_max_target_seqs used: 600
command line record: /home/user/mambaforge/envs/panX/bin/diamond blastp --sensitive -p 65 -e 0.001 --id 0 --query-cover 0 --subject-cover 0 -k 600 -d /home/user/project/sanqi.metagenomics/14.bins.pangenome/bin.2/protein_faa/diamond_matches/nr_reference -f 6 qseqid sseqid bitscore -q /home/user/project/sanqi.metagenomics/14.bins.pangenome/bin.2/protein_faa/diamond_matches/reference.faa -o /home/user/project/sanqi.metagenomics/14.bins.pangenome/bin.2/protein_faa/diamond_matches/query_matches.m8 -t ./  > /home/user/project/sanqi.metagenomics/14.bins.pangenome/bin.2/protein_faa/diamond_matches/diamond_blastp_reference.log  2>&1