三代全长及注释基因过多

[xingjianfeng100]

陈老师，您好！
目前随着三代测序成本下降，三代全长也被越来越多人使用；另外基因组里也发现存在一些较长的基因，需要三代全长来提高其注释准确性；请问陈老师，geta流程在注释过程中能否融入三代全长的信息？
另外我在用gete做注释时发现注释出来的基因过多，一般我研究的物种已发表的注释结果在4万左右，我用去冗余的基因组注释却得到了8万多的基因，而且短基因（蛋白长度100aa以内的）也不过在8000千的数量；请问这是什么原因引起的，怎么解决呢？谢谢！
祝好！

[chenlianfu]

使用最新版本（2.5.3）的GETA，并使用--conf参数使用conf_for_big_genome.txt参数配置文件，相信预测出来的基因数量会符合预期，且BUSCO结果会很完整的。最新版本的GETA预测基因更加准确，数量更符合预期，整体完整度更高，还包含更多更准确的可变剪接与lncRNA转录本信息。当前并不支持使用三代全长转录本进行注释，稍后版本应该会增加的。

[xingjianfeng100]

使用最新版本（2.5.3）的GETA，并使用--conf参数使用conf_for_big_genome.txt参数配置文件，相信预测出来的基因数量会符合预期，且BUSCO结果会很完整的。最新版本的GETA预测基因更加准确，数量更符合预期，整体完整度更高，还包含更多更准确的可变剪接与lncRNA转录本信息。当前并不支持使用三代全长转录本进行注释，稍后版本应该会增加的。

好的，谢谢陈老师！我在尝试能不能暂时先简单地将三代iso-seq融入geta流程：首先用三代数据得到转录本去冗余数据iso-seq.fa；然后用pasa （1）将geta 利用二代数据得到的transdecoder2ORF.gff3 与iso-seq做融合“Launch_PASA_pipeline.pl -c alignAssembly.config -C -R -g genome_sample.fasta --ALIGNERS blat,gmap -t Trinity.fasta -L --annots_gff3 coding_gene_annotations.gff3 --gene_overlap 50.0 ”，将得到的gff 文件GFF3Clear生成transfrag.genome.gff3 后继续进行geta流程分析；（2）或者首先利用geta自身产生的transfrag.genome.gff3 得到geta_rna.fa,然后利用pasa 的Comprehensive Transcriptome Database 策略，用build_comprehensive_transcriptome.dbi 对geta_rna.fa、iso-seq.fa进行转录本信息融合得到compreh_init_build.gff3，再进一步GFF3Clear生成transfrag.genome.gff3 后继续进行geta流程分析；不知以上利用pasa进行简单融合三代的策略可不可行？

[chenlianfu]

你可以尝试第二个方法，是可行的。

[xingjianfeng100]

你可以尝试第二个方法，是可行的。

pasa的作者认为“the 'build_comprehensive_transcriptome' step just takes into account de novo assembled transcripts that partially or don't map to the reference genome and includes those in the final output.”，所以他更支持这种方法：先把两种RNA 由Stringtie组装出转录本fa数据以及各自的gff文件，然后融合成一个文件，再输入pasa 并用“--TRANSDECODER” PASApipeline/PASApipeline#245 (comment)
我考虑是不是先用transdecoder2ORF.gff3生成的 geta.fa,和去冗余后的iso-seq.fa 合并成一个fa文件， 用minimap2进行比对，并经Stringtie 的长读长模式 生成的stringtie.fa和stringtie.gtf ；或者，只用iso-seq.fa 生成stringtie-iso.fa和stringtie-iso.gff; 然后和 geta.fa 以及transdecoder2ORF.gtf 合并；后输入pasa 并用“--TRANSDECODER” 参数生成pasa.gff，然后由GFF3Clear生成transfrag.genome.gff3 后继续进行geta流程分析；不知陈老师怎么看？

[qdu-beep]

使用最新版本（2.5.3）的GETA，并使用--conf参数使用conf_for_big_genome.txt参数配置文件，相信预测出来的基因数量会符合预期，且BUSCO结果会很完整的。最新版本的GETA预测基因更加准确，数量更符合预期，整体完整度更高，还包含更多更准确的可变剪接与lncRNA转录本信息。当前并不支持使用三代全长转录本进行注释，稍后版本应该会增加的。

陈老师，您好，请问现在的geta最新版本是否支持三代转录组作为--sam参数的输入，进行注释？