Skip to content

生資工具 › NGS 工具 › RepeatMasker

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
1SW scoreSmith-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
5query sequence染色體 / contig
6–7q.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
9strand+ 或 C(互補股)
10repeat name重複名稱(如 AluY、L1HS、(TAACCC)n)
11class/family分類(SINE/Alu、LINE/L1、Simple_repeat…)
12–14r.start / r.end / (r.left)對應到共通序列的位置;C 股時欄位順序不同
15ID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。