Reg-Gen项目基因组数据配置指南

Reg-Gen项目基因组数据配置指南

reg-gen Regulatory Genomics Toolbox: Python library and set of tools for the integrative analysis of high throughput regulatory genomics data. 项目地址: https://gitcode.com/gh_mirrors/re/reg-gen

前言

Reg-Gen项目中的RGT工具集是一个功能强大的基因组分析工具包，在进行基因调控分析时需要依赖特定的基因组数据。本文将详细介绍如何为RGT工具配置所需的基因组数据，包括自动安装方法和自定义配置方案。

数据目录结构

RGT安装时会自动创建数据存储目录（默认为~/rgtdata），该目录包含以下重要数据：

• 染色体大小信息
• 转录因子基序的位置频率矩阵
• HTML脚本模板
• 其他分析所需的辅助数据

需要注意的是，部分大型数据集（如完整基因组序列和基因组注释）不会在初始安装时自动下载。

自动数据安装方法

RGT提供了便捷的自动数据安装脚本setupGenomicData.py，该脚本可以从公共服务器下载所需的所有数据集。

基本安装命令

1. 安装人类基因组hg19数据：

cd ~/rgtdata
python setupGenomicData.py --hg19

2. 安装小鼠基因组mm9数据：

cd ~/rgtdata
python setupGenomicData.py --mm9

3. 安装所有可用基因组数据（包括hg19、hg38、mm9、mm10、zv9和zv10）：

cd ~/rgtdata
python setupGenomicData.py --all

注意事项

• 在Mac OS系统上，需要确保系统已安装wget命令
• 可通过-h参数查看脚本的所有可用选项

自定义数据配置

配置文件说明

RGT通过data.config文件管理默认数据集路径，该文件包含多个配置节，最重要的两个是：

1. GenomeData：配置基因组相关数据
2. MotifData：配置基序相关数据

基因组数据配置

每个基因组组装需要配置五个关键字段：

| 字段名称 | 默认值 | 描述 | |---------|--------|------| | genome | genome_hg19.fa | hg19组装的FASTA格式序列文件 | | chromosome_sizes | chrom.sizes.hg19 | hg19染色体大小文件 | | gene_regions | genes_hg19.bed | 基于Gencode注释的基因位置BED文件 | | annotation | gencode.v19.annotation.gtf | Gencode v19注释GTF文件 | | gene_alias | alias_human.txt | 基因ID/符号别名转换文件 |

自定义配置最佳实践

重要提示：不要直接修改data.config文件，因为RGT更新时会覆盖该文件。正确的做法是：

1. 创建或编辑data.config.user文件
2. 从data.config中复制相关配置节
3. 修改为自己的数据路径

例如，为拟南芥TAIR10基因组创建自定义配置：

[tair10]
genome: /path/to/genome_tair10.fa
chromosome_sizes: /path/to/chrom.sizes.tair10
gene_regions: /path/to/genes_tair10.bed
annotation: /path/to/tair10.annotation.gtf
gene_alias: /path/to/alias_tair10.txt

数据文件要求

1. 基因组FASTA文件：

   • 每条染色体一个序列
   • 序列头必须使用标准染色体符号（如"chr1"）
   • 可从多个公共数据库获取

2. 基因注释BED文件：

   • 包含目标生物所有基因的基因组坐标
   • 应符合标准BED格式规范

3. 染色体大小文件：

   • 制表符分隔的纯文本文件
   • 两列格式：染色体别名和长度（bp）

4. GTF注释文件：

   • 应符合标准GTF格式规范

5. 基因别名文件：

   • 制表符分隔的三列格式
   • 列内容：ENSEMBL ID、官方符号、别名列表（&分隔）

基序数据配置

MotifData节配置转录因子结合位点分析所需的基序数据：

| 字段名称 | 默认值 | 描述 | |---------|--------|------| | pwm_dataset | motifs | 位置权重矩阵(PWM)存储路径 | | logo_dataset | logos | 基序标识图存储路径 | | repositories | jaspar_vertebrates,uniprobe_primary | 使用的PWM数据库列表 |

数据目录完整结构

典型的RGT数据目录包含以下内容：

1. 物种文件夹：

   • hg19/hg38（人类）
   • mm9/mm10（小鼠）
   • zv9/zv10（斑马鱼）
   • 包含各物种的注释和染色体信息

2. 辅助数据文件夹：

   • fig：默认图形和HTML样式文件
   • fp_hmms：HINT工具的隐马尔可夫模型文件
   • motifs：脊椎动物位置权重矩阵库

3. 工具专用数据：部分工具可能会创建额外的数据文件夹

总结

正确配置基因组数据是使用Reg-Gen项目RGT工具集进行基因调控分析的基础。本文介绍了自动安装和自定义配置两种方法，用户可以根据自己的研究需求选择合适的配置方案。对于非模式生物研究，通过自定义data.config.user文件可以轻松扩展RGT支持的物种范围。

reg-gen Regulatory Genomics Toolbox: Python library and set of tools for the integrative analysis of high throughput regulatory genomics data. 项目地址: https://gitcode.com/gh_mirrors/re/reg-gen