Skip to content

Prokka

Mark Renton 更新于: 2022-09-01

Prokka 是一个原核物种基因组注释工具，由墨尔本大学生物信息学家 Torsten Seemann 开发的基于命令行的本地快速注释工具，用来注释小基因组比如细菌、病毒等非常方便、快速。

安装 Prokka

1.下载安装

如果下载预编译包安装的话，需要有Bioperl支持。以及一些第三方库和软件的支持。

# 安装 Bioperl
$ sudo apt-get install cpanminus
$ cpanm Bio::Perl XML::Simple

# 安装其他依赖
$ sudo apt-get install libdatetime-perl libxml-simple-perl libdigest-md5-perl git default-jre bioperl

# 安装 rRNA 注释功能
# 这里选择 Barrnap 和 MINCED
$ wget http://www.vicbioinformatics.com/barrnap-0.6.tar.gz
$ tar zxvf barrnap-0.5.tar.gz -C ~/app/
$ echo "export PATH=$PATH:$HOME/app/barrnap-0.6/bin" >> ~/.bashrc
$ source ~/.bashrc
$ wget https://github.com/ctSkennerton/minced/releases/download/0.3.0/minced
$ sudo cp minced /usr/local/sbin

# 安装 ncRNA 注释功能**
# 使用 infernal
$ wget http://eddylab.org/infernal/infernal-1.1.2.tar.gz
$ tar zxvf infernal-1.1.2.tar.gz -C ~/app/
$ echo "export PATH=$PATH:$HOME/app/infernal-1.1.2"

# 安装 prokka
$ wget http://www.vicbioinformatics.com/prokka-1.12.tar.gz
$ tar zxvf prokka-1.12.tar.gz -C ~/app
$ echo "export PATH=$PATH:$HOME/app/prokka-1.12/bin" >> ~/.bashrc
$ source ~/.bashrc
$ prokka --setupdb

注意事项

如果要使用 --gram 功能，需要安装 signalp。signalp 是 DTU 大学生物及卫生信息学系开发，支持web界面的工具。命令行版本需要提供非商业ISP提供的邮箱帐号注册以后才能下载（比如政府或大学）。点击这里。

2. conda 安装

# 创建 conda 虚拟环境
$ conda create -n prokka
$ conda activate prokka
(prokka)$ conda install prokka=1.14

使用 Prokka

Prokka 的使用非常简单，准备好需要注释的核酸序列fasta格式文件即可。这里用*Listeria monocytogenes*的参考基因组egd为例。

# 下载基因组数据
(prokka)$ esearch -db nuccore -query "1639[txid] AND egd" | efetch -format fasta > egd.fasta

# 注释基因组序列
(prokka)$ prokka egd.fasta

--listdb 参数可以查看 prokka 数据库信息。

# 查看可以使用的数据库
(prokka)$ prokka --listdb

Looking for databases in: ...
* Kingdoms: Archaea Bacteria Mitochondria Viruses
* Genera: Enterococcus Escherichia Staphylococcus
* HMMs: HAMAP
* CMs: Bacteria Viruses

如果需要比较完整的进行序列注释，结果可以比较方便的用来提交的话，可以添加相应的参数来规范注释以及调用不同的工具扫描ncRNA等。

# 注释 Listeria monocytogenes 标准株 egd
(prokka)$ prokka --outdir egd --prefix egd --addgenes \
> --addmrna --compliant --centre CDC --genus Listeria \
> --species "Listeria monocytogenes" --strain egd \
> --kingdom Bacteria --usegenus --cpus 4 --rfam \
> --rnammer --force egd.fasta

生成结果注释文件

|----|----| | egd.err | prokka 对注释结果存在的一些疑问进行报告的信息 | | egd.faa | 注释的氨基酸序列 | | egd.ffn | 注释的碱基序列 | | egd.fna | 以 NCBI gnl|centre| 为ID命名的碱基序列文件 | | egd.fsa | 以 NCBI gnl|centre| 为ID命名的碱基序列文件 | | egd.gbk | genbank 格式的注释文件 | | egd.gff | gff 格式的注释文件 | | egd.log | prokka 运行日志 | | egd.sqn | sqn 格式的文件，可以用来提交到 NCBI | | egd.tbl | tbl 格式的文件，可以用来提交到 NCBI | | egd.tsv | tsv 格式文件，注释基因的列表 | | egd.txt | prokka 注释的各种类型序列统计信息 |

--kingdom

默认注释的是细菌基因组，如果是其他物种则建议添加物种参数。可选项有：

  • Archaea: 真菌
  • Bacteria: 细菌
  • Mitochondria: 线立体
  • Viruses: 病毒

如果要注释病毒基因组，除了添加--kingdom外

(prokka)$ prokka --kingdom Viruses contigs.fasta

.err 文件

err 文件记录了注释过程中的反馈日志。

.tsv 文件

tsv 文件按照 locus_tag 顺序排序了注释的结果。

# 显示 tsv 内容
(prokka)$ head egd.tsv | column -t

locus_tag       ftype   length_bp       gene    EC_number       COG     product
DJECODEN_00001  CDS     1356            dnaA            COG0593 Chromosomal replication initiator protein DnaA
DJECODEN_00001  gene    1356            dnaA
DJECODEN_00001  mRNA    1356            dnaA
DJECODEN_00002  CDS     1146            dnaN            COG0592 Beta sliding clamp
DJECODEN_00002  gene    1146            dnaN
DJECODEN_00002  mRNA    1146            dnaN
DJECODEN_00003  CDS     1344            yeeO_1          COG0534 putative FMN/FAD exporter YeeO
DJECODEN_00003  gene    1344            yeeO_1
DJECODEN_00003  mRNA    1344            yeeO_1

tsv注释文件可以看到注释gene名称，长度，功能，对应的EC、COG信息，以及注释的唯一性编号：

  • locus_tag: 注释基因的 locus 名称
  • ftype: 类型，默认为CDS，如果打开--addgenes和--addmrna参数，则会区别是RNA还是编码基因
  • length_bp: 序列长度
  • gene: 根据数据库注释对应的基因名称，如果是多拷贝，则用_1,_2等区分
  • EC_number: 基因对应的 EC 值
  • COG: 基因对应的COG
  • product: 基因编码的蛋白质产物

应用示例

# 批量注释基因组
(prokka)$ find . -name *.fna | sed 's/\.fna//g' | \
> parallel --max-args=1 prorkka --outdir prokka/{1} --prefix {1} \
> --addgenes --addmrna --mincontiglen 200 --centre 'HZCDC' \
> --proteins ref.gbk --rnammer --rfam {1}.fna

# 注释宏基因组
(prokka)$ prokka --metagenome --outdir meta contigs.fa

# 将注释CDS长度排序
(prokka)$ awk '/CDS/ {print $0}' egd.tsv | sort -kn3 -r | less

# 显示所有的不重复注释产物
(prokka)$ awk '!a[$1]++{print}' egd.tsv

# 显示所有COG注释
(prokka)$ awk '/COG/' egd.tsv

Reference