外觀
RepeatMasker
在 DNA 序列中找出散布型重複 (interspersed repeats:SINE / Alu、LINE、LTR、DNA transposon) 與低複雜度序列,並把它們遮蔽 (mask)。人類基因體約一半會被遮蔽。常用於:引子設計前避開重複區、基因註解前遮蔽、判斷變異或 peak 是否落在重複區。
用法
bash
# Docker(pegi3s/repeat_masker)或 conda install -c bioconda repeatmasker
RepeatMasker -species human -xsmall -pa 8 -dir rm_out sequence.fa| 參數 | 意義 |
|---|---|
-species | 選物種的重複序列庫(human、mouse、arabidopsis…) |
-xsmall | 軟遮蔽:重複區改成小寫,其他保持大寫(比對器、引子工具可辨識) |
預設 / -x | 硬遮蔽:重複區換成 N / X,序列長度不變 |
-pa N | 平行處理數(參數名稱依版本而異,以 RepeatMasker -help 為準) |
-dir | 輸出資料夾 |
-div N | 只遮蔽與共通序列差異 < N% 的(較年輕的)重複 |
只是要查人類 / 小鼠參考基因體的重複區時,不必自己跑:直接下載 UCSC Table Browser 的
rmsk軌道(就是 RepeatMasker 的結果),或用 UCSC / Ensembl 提供的軟遮蔽 FASTA(小寫 = 重複)。
輸出檔
| 檔案 | 內容 |
|---|---|
<file>.out | 每個重複的註解(下表) |
<file>.masked | 遮蔽後的序列,長度與輸入相同 |
<file>.tbl | 摘要:序列長度、GC、被遮蔽的鹼基數、各類重複的比例 |
.out 欄位
text
463 1.3 0.6 1.7 chr1 10001 10468 (248945954) + (TAACCC)n Simple_repeat 1 463 (0) 1| # | 欄位 | 意義 |
|---|---|---|
| 1 | SW score | Smith-Waterman 比對分數 |
| 2 | % div. | 與共通序列 (consensus) 的差異率;越低代表插入越晚 |
| 3–4 | % del. / % ins. | 缺失 / 插入比例 |
| 5 | query sequence | 染色體 / contig |
| 6–7 | q.start / q.end | 重複在基因體的起點 / 終點(1-based) |
| 8 | (q.left) | 到序列尾端剩餘的長度 |
| 9 | strand | + 或 C(互補股) |
| 10 | repeat name | 重複名稱(如 AluY、L1HS、(TAACCC)n) |
| 11 | class/family | 分類(SINE/Alu、LINE/L1、Simple_repeat…) |
| 12–14 | r.start / r.end / (r.left) | 對應到共通序列的位置;C 股時欄位順序不同 |
| 15 | ID | 同一個重複被切成多段時共用的 ID |
上例是 chr1 端粒附近的 (TAACCC)n 簡單重複(端粒序列 TTAGGG 的互補)。
對分析的影響
| 情境 | 影響 |
|---|---|
| 短讀比對 | 重複區 MAPQ 低、多重比對,變異呼叫偽陽性多(見 Mapping Quality) |
| 引子設計 | 引子落在 Alu 等重複會非專一擴增;設計前用軟遮蔽序列(見 引子設計) |
| ChIP-seq / ATAC-seq | 重複區常出現假 peak;搭配 ENCODE blacklist 過濾 |
| 結構變異、長讀定序 | 重複區是短讀的盲區,長讀較有優勢 |
序列庫來源為 Dfam 與 Repbase。官方:RepeatMasker、網頁版說明。