前言

JUst a SEquence toolKIt for Transcriptomics

不同于其他的生信软件，该软件将着重于一些非常基本的功能，并且以全中文进行编写。

已有的生信软件一直以来只能用一个简单且粗暴的词来形容：高端大气上档次。如今，我将亲自定义简陋朴素接地气。

—— Juse

这篇文分享第一个基本功能：提取最长转录本。

下载地址：https://github.com/JuseTiZ/JuseKit/releases

Python 代码实现：比较转录组分析（三）—— 组装的质量检测与去冗余

提取最长转录本

它目前只有那么一个简陋的页面：

首先，默认情况下它提取 Trinity 组装中的最长转录本，因此基因标识锁定为 _i，后文将提到怎么活用基因标识。

输入 fasta 的方法有两个，一个是通过文本框直接输入，一个是读取文件，后者优先级更高。

输出文件的名称默认是 longest_contig.fasta ，可以自定义修改。注意：

  • 文件的路径和输入文件一致。当通过文本框直接输入时，它将会在 .exe 所在文件夹下输出。
  • 当通过文本框直接输入时，若存在报错则说明序列出现问题或者输出文件没填，此时输入的序列会存在于 .exe 所在文件夹的 tmp.fa 中。
  • 如果是通过文本框直接输入，那么一定要留意最后一个序列结尾是否有换行符，如果没有要加上。

准备好后点击运行，将会产生对应的输出文件，实际操作：

进阶应用

自定义基因标识是什么意思？它有什么用？

默认提取的文件中，不同的 isoform 是长这样的：

1
2
3
4
>TRINITY_DN16889_c0_g2_i1
ABCDEF
>TRINITY_DN16889_c0_g2_i2
ABCDEFG

这里，它们的基因部分是 TRINITY_DN16889_c0_g2 ，不同的 isoform 可以由 _i 标识。

如果要提取其他的 “最长”，例如古早的 Trinity 组装版本：

1
2
3
4
>TRI_1_20_2014_NORM_comp1_c0_seq1
ABCDEF
>TRI_1_20_2014_NORM_comp1_c0_seq2
ABCDEFG

可以看到，基因部分由 TRI_1_20_2014_NORM_comp1_c0 标识，不同 isoform 由 _seq 标识。

这时可以通过自定义基因标识，提取这种形式的最长转录本。

同理也适用于 Transdecoder 预测出来的最长蛋白（或 CDS）提取（.p）和 MitoFinder 跑出来的多条线粒体 contig（_mtDNA_contig）。

1
2
3
4
5
# Contig 示例
>TRINITY_DN100033_c0_g2_i4.p1
>TRINITY_DN100033_c0_g2_i4.p2
>xxx_mtDNA_contig_1
>xxx_mtDNA_contig_2

后记

很显然，这个软件目前的大小根本没法匹配上它的功能，原因在于现在的大小主要来源于 PyQt5 的封装，也就是说现在框架已经搭好，但也仅有框架而没有内容。

我会争取将这些功能慢慢完善，让它成为一个具有更广适用性的软件，希望能够帮助到某些盆友，当然我个人认为最大的可能是自娱自乐。

如果这个软件帮助到您了，您可以给它一个小小的 Star 聊表支持，或者在您汇报的时候引一下 https://github.com/JuseTiZ/JuseKit/ ，想必看着还是非常高端大气上档次的。