splicejunxchx

Splicejunxchx 是一个 Python 管道，它采用 STAR (SJ.out.tab) 输出的拼接点和一个 GTF 文件来表征拼接点的 5' 和 3' 拼接位点。

该管道包括以下功能：

• 确定 5'/3' 末端是否在基因、转录本、外显子、内含子、5'UTR、CDS、3'UTR、起始密码子或终止密码子中
• 确定 5'/3' 剪接位点 (ss) 是否位于组成型外显子或内含子中
• 根据GTF文件中的信息判断5'/3'端是否标注
• 从分析的连接点的 5' 和 3' ss 查找最近的 ss 上游和下游

具有所需依赖项的附加功能：

• 以每个拼接位点为中心的 51 个碱基（需要床具）
• 5'/3' ss（床具）的 2 个底座
• maxEnt 分数（需要下载 maxEnt perl 文件）
• 每个剪接位点周围平均 N 个核苷酸的 phyloP 评分（bigWigtoBedGraph）

安装

首先，你必须有 python3.6>=、pandas0.23.4>= 和 gtf2csv（见下文）

pip install git+https://github.com/zyxue/gtf2csv.git#egg=gtf2csv

查看以下网站获取：bedtools、bigWigToBedGraph 和 maxEnt sccores：

• 床具
• bigWigToBedGraph
• 对于maxEnt，确保下载 fordownload.tar.gz 并将 score5.pl、score3.pl、me2x5 和目录 splicemodels 放在您计划运行 splicejunxchx 的根目录中

现在，使用以下命令安装 splicejunxchx：

pip install splicejunxchx

用法

一个建议是确保在您计划使用此代码的任何根目录中都有一个“数据”目录。数据目录将存储一些临时文件，包括： 两个基于 GTF 文件的所有剪接点和组成外显子的 CSV 文件

以下是 splicejunxchx 可以添加的全部使用可能性

splicejunxchx -h [-seqs SEQUENCE_FILE] [-supp SUPPORT_FILES SUPPORT_FILES] [-phyloP PHYLOPSCORES PHYLOPSCORES] [-maxEnt] inputs inputs output_file

有几种方法可以利用此管道。首先，基本的方法是输入gtf.gz文件和SJ.out.tab文件并命名输出文件。这将输出带有基本信息的剪接点，这些信息包括根据 GTF 的每个剪接位点所在的位置以及其他最近的剪接位点所在的位置。要运行此命令：

splicejunxchx raw_data/Homo_sapiens.GRCh38.95.gtf.gz raw_data/ERR152SJ.out.tab output/final_splice_junc.csv

如果您有兴趣添加序列信息，则必须安装bedtools（带有getfasta功能），然后在-seq之后添加.fa文件：

splicejunxchx raw_data/Homo_sapiens.GRCh38.95.gtf.gz raw_data/ERR152SJ.out.tab output/final_splice_junc.csv -seq data/Homo_sapiens.GRCh38.95.fa 

在某些情况下，为了提高速度和时间，可以将报告的剪接点和组成外显子的支持文件提供给 splicejunxchx（如果有）。

• 报告的接头文件必须是 csv，包含以下列：[seqname,start,end,strand]
• 报告的剪接点文件必须是具有以下列的 csv：[seqname,start,end,strand,exon_id,gene_id]
• 如果您想使用相同的 GTF 文件但在第二次运行时具有不同的拼接点，则管道会在第一次运行时生成上述文件

splicejunxchx raw_data/Homo_sapiens.GRCh38.95.gtf.gz raw_data/ERR152SJ.out.tab output/final_splice_junc.csv -supp data/all_splice_junctions.csv data/cons_exons.csv

如果您想包含 maxEnt 分数，请包括 score5.pl、score3.pl、me2x5 以及您计划运行 splicejunxchx 的根目录中的 splicemodels。还要添加 -maxEnt 标志

最后，要合并 phyloP 分数，此标签的输入需要 phyloPscore 文件作为 bigWig (.bw)，第二个输入是每个剪接位点周围请求的单个 phyloP 分数的核苷酸数。此数字不能超过 200，并且必须是偶数。

splicejunxchx raw/Homo_sapiens.GRCh38.95.gtf.gz raw_data/ERR152SJ.out.tab output/final_splice_junc.csv -phyloP data/hg38.phyloP.bw 20

笔记

关于所需文件和输出结构的一般说明

确保提供的 GTF 文件未列出内含子位置。此管道假定 GTF 文件中存在的唯一特征是：基因、转录本、外显子、five_prime_utr、CDS、three_prime_utr、起始密码子、终止密码子和硒代半胱氨酸

对于具有未知链 (strand = 0) 的拼接点，管道创建该拼接点的两个副本，并将一个连接点的 strand=1 更改为 strand=2

• EX：如果 JNC92 的链为 0
  • 管道创建两个结点，称为 JNC92.1 (strand =1) 和 JNC92.2 (strand=2)
• 要查找 strand=0 的拼接点，请搜索将“unidentified_strand”列设置为值 1 的接头

输出文件中的列

以下列提供了更多详细信息：

• 主题：[0：非规范；1：GT/AG，2：CT/AC，3：GC/AG，4：CT/GC，5：AT/AC，6：GT/AT]
• STAR_annotation：根据 STAR 将 5' 和 3' 剪接位点注释为一个剪接点
• Unidentified_strand：拼接点最初是未定义的（Strand = 0），但这个连接点是在假设处于正链或负链上的情况下开发的（参见“链”列进行假设）
• 5'_in_constitutiveexon：基因名称后跟坐标，否则不适用
• 5'_in_constitutiveintron：基因名称后跟坐标，否则不适用
• 5'_in_CDS：如果5'端在编码序列区域
• 5'phyloPscore：每个剪接位点 N 个核苷酸的平均得分
• 5'phylopList：从最低坐标到最高坐标的phyloP值列表
• 5'bases_maxEnt 和 3'bases_maxEnt：运行一个 maxEnt 分数所需的序列
• 类似的逻辑存在于 3' 区域

致谢

• Athma Pai 和 Eraj Khokhar 提供指导和支持
• Zyxue for gtf2csv：https ://github.com/zyxue/gtf2csv
• Yeo G 和 Burge CB，短序列基序的最大熵建模与 RNA 剪接信号的应用，RECOMB 2003（Journal Comp. Bio in press）