使用pfam结构域将dna或蛋白质分类到分类结构域
domain-classifier的Python项目详细描述
域分类器-使用pfam域将序列分类到其分类域
安装
pip安装域分类器
如何使用
输入通常是一个dna fasta序列，它将被翻译成蛋白质，并搜索pfam结构域。这些结构域将用于将每个序列分为四个结构域之一：细菌、真核生物、古细菌和病毒。其主要思想是让用户在不知道参考基因组的地方容易发现污染。由于蛋白质结构域在上述分类结构域之间具有高度的区别（绑架宿主基因的病毒除外），因此这种区别是相当容易的。
首先，您必须从pfam ftp服务器下载数据：
module load diamond
build_domains_DB.py -d <database_dir>
如果没有安装diamond或者不希望使用diamond进行域预测（这很好），可以添加--nodiamond。
现在使用一个fasta文件并运行分类器，您需要为中间步骤定义两个文件：一个用于翻译的蛋白质序列，另一个用于hmmsearch结果。输出将写入标准输出：
# You'll need hmmer and EMBOSS loaded
module load hmmer emboss
predict_domain.py -d <database_dir> -i input.fna -t input.faa -b input.hmm > output_table.txt
这个脚本做了一些有趣的事情，比如连接所有的蛋白质序列，并且为每个序列只选择100个蛋白质。当然，这些都是为了节省运行时间，你可以使用--limit [int]标记来改变蛋白质的数量，我发现这与我测试的序列无关。
其他选项是--diamond，它将使用diamond而不是hmmsearch来查找域，除非您拥有众所周知的序列，否则不建议使用。--threads使用另一个线程数（默认值为20）、--getorf和--hmmsearch定义压印getorf和hmmer hmmsearch的其他路径。
--pseudocounts允许您向naive bayes分类器初始计数（在域中找到的基因组数）引入更多伪计数，以在结果中引入一些不确定性，默认值为1（只是为了避免日志为零）。
输出
输出表将包含最大A-后部（MAP），这是最有可能的域和四个域中的每一个的对数概率，非归一化。您可以使用一些过滤的最小数量的域或最大域和次优之间的差异。
过滤Kraken2数据库
第一步是运行下载的kraken2数据库的每个library.fna文件。下一步是将脚本filter_kraken_db.py与输入的fna文件和表一起使用，以获取与其分类域匹配的记录。运行：
filter_kraken_db.py --dbfile <taxonomy.sqlite> --taxonomy <kraken_db/taxonomy> <input.fna> <output_table.txt>
脚本将在由{{CD9>}给出的文件中生成一个SqLITE3数据库，如果文件不存在，如果省略，它将被写在内存中。^ {CD10}}标志是KRAKE2数据库DIR下的分类目录，如果存在{{CD9}}，则可以省略。必须满足某些条件才能筛选序列：
- 至少找到记录的
--mindomains（默认5） <> LI>记录的TIDID与预测域不符
- 映射域和第二个最佳映射域的区别是
--midiff（默认情况下为1）
如果没有预测或预测不符合条件，则记录将写入输出（输出到标准输出）
？2019杰克逊实验室
欢迎加入QQ群-->： 979659372
