GeNovo - 识别具有新突变疾病的基因

每个人的基因组中都包含一些新突变：这些突变不是其父母基因组的一部分。这些新突变可能导致疾病，但仍然很难将致病的突变与那些与疾病无关的突变区分开来。此外，某些基因有更高的突变几率，这意味着即使在多个患病者中发生突变，该基因的突变也不足为奇。

GeNovo这个名称是“基因”检测基于“新发现”突变的双关语。

安装

首先确保你已经安装了 cargo（cargo 是Rust编程语言的包管理器）。最简单的方法是安装 rustup，它会自动为你安装 cargo 和 rustc。如果你使用的是基于UNIX的系统，你可能也能通过系统的包管理器安装 cargo 或 rustup。

其次，你需要运行

cargo install genovo

这将安装程序genovo到特定位置，该位置将在安装过程结束时显示。（你可能需要调整你的 PATH 变量，以便在命令行上自动找到程序）

该管道是一个单独的可执行文件（genovo），它结合了我之前组合的早期管道中的重要步骤。（单个可执行文件比所有松散耦合的脚本更容易使用。）

管道

• 输入文件用蓝色边框标记。
• 管道步骤用黑色边框标记，其名称用绿色背景标记
• 可选参数用蓝色字体标记

输入和输出文件

该管道接受多个参数，代表输入和输出参数。根据正在执行的操作，参数可能被视为输入或输出文件。

例如，当指定--action expect时，--possible-mutations参数被视为输入文件。但是，当指定--action enumerate时，它被视为输出文件。如果没有指定--action参数，则整个管道运行，所有文件参数都视为输出文件。

您还可以将-指定为输入/输出文件。根据操作，这将解释为STDIN或STDOUT。

如果您担心空间使用，还可以指定.gz文件扩展名。genovo将自动解压缩/压缩输入/输出。

ID过滤/并行处理

如果传递了参数--id ID，则仅处理具有ID ID的转录本，其他所有转录本将被忽略。这对于并行执行很有用。您可以针对每个转录本启动一个单独的任务。请注意，--id仅接受单个ID。不支持多个ID。您可以将--id选项与其他任何选项结合使用。

在整个测试数据集上运行整个管道

您可以从git仓库下载测试数据集

wget https://github.com/BesenbacherLab/genovo/raw/master/test_data/test_data.tar.gz
tar xvzf test_data.tar.gz

如果您想在测试数据上运行整个管道，可以执行以下命令

genovo \
	--gff3 gencode.v19.CCDS.annotation.protein_coding_chr22.gff3.gz \
	--observed-mutations observed_mutations_DDD_2017_chr22.txt \
	--genome hg19_chr22.2bit \
	--point-mutation-probabilities SNV_mutation_rate_model.txt \
	--indel-mutation-probabilities indel_mutation_rate_model.txt \
	--scaling-factor 8586 \
	--significant-mutations genovo_results_chr22.txt

该命令在“正常”计算机上运行需要约1分钟。它将观察到的、预期的和采样的突变之间的比较写入文件genovo_results_chr22.txt。如果没有使用--significant-mutations参数，结果将写入STDOUT。对于每个转录本t和突变类型m，输出包含以下输出列

在测试三联体的de novo突变时，应将--scaling-factor设置为数据中三联体数量的两倍。因此，在这种情况下，它设置为8586，因为具有观察到的突变的数据集在4293个儿童中寻找de novo突变。

SNV_mutation_rate_model.txt和indel_mutation_rate_model.txt是使用kmerpapa创建的突变率模型。可以从https://github.com/BesenbacherLab/Genovo_Input下载正确输入格式的训练模型。

管道步骤

可以通过指定--action STEP参数独立执行管道的每个步骤。如果没有指定--action参数，则运行所有步骤（如上述示例所示）。

转换

此步骤接受一个gff3文件并将其转换为regions文件（这是一个特定于genovo的文件格式）。gff3文件需要以下属性

• ID：用于识别每个转录本的名字
• Parent：用于识别外显子和CDS区域的父元素

文件还必须排序，以确保所有外显子和CDS区域都列在其转录本行之后。

一些示例gff3文件可以从GENCODE获取。

强烈建议您只使用仅包含编码转录本的注释。非编码转录本的结果信息量较小。

参数

枚举

此命令遍历每个转录本的基因组序列，确定所有可能的单点突变及其概率。此命令需要一个PaPa-rates文件，该文件表示不同序列上下文中的单点突变概率，如我们在论文《使用k-mer模式分区改进特定位置突变率预测》中所述。此命令还需要一个twobit文件格式的参考基因组文件。请确保所有输入文件使用相同的基因组构建！

输出文件相当简单

#transcript_ID
numeric_mutation_type:mutation_probability
numeric_mutation_type:mutation_probability
numeric_mutation_type:mutation_probability
#other_transcript_ID
numeric_mutation_type:mutation_probability
numeric_mutation_type:mutation_probability
numeric_mutation_type:mutation_probability
numeric_mutation_type:mutation_probability
numeric_mutation_type:mutation_probability
numeric_mutation_type:mutation_probability
numeric_mutation_type:mutation_probability

每个转录本的可能突变以一个#ID行开始，然后是每个可能突变的行，其中概率不是NaN。请注意，每个位置都可能突变成另外三个碱基之一，因此每个位置都有三个可能的单点突变。

数值突变类型定义在突变类型数值代码表中。

参数

分类

此步骤对观察到的单点突变（这是您应提供的原始输入文件）进行分类。输入文件格式如下

chr1 1230448 G A
chr1 1609723 C T
chr1 1903276 C T
chr1 2574999 C T

第一列是染色体（必须与注释和twobit文件中的命名约定相同）。第二列是染色体上的位置。此位置必须是1基于的。第三列是参考基。如果此参考基与twobit文件中的内容不匹配，您将收到错误。第四列是新突变到的基。

参数

预期

此步骤汇总所有可能突变及其概率，并给出表示每个基因预期突变数的总数。

参数

样本

此步骤随机选择可能突变，并根据其概率随机模拟它们是否发生。这创建了一个用于在后续步骤中计算p值的经验分布的抽样突变分布。

参数

比较

比较观察到的、预期的和抽样突变，以确定在转录本中偶然观察到那么多突变的p值。请注意，输出文件包含所有统计测试的结果，即使是那些不显著的。请注意，p值没有考虑到预期突变数。

参数

突变类型数值代码表

流水线的输入和输出文件几乎全部是文本文件。为了更节省空间，对不同的突变类型进行了数字编码。