前車之鑒！基因家族分析、功能研究，一步之差，努力白費！
寫在前面
不知為何，幾乎每天我都會收到一些「基因家族分析」的論文審稿邀請，其中質(zhì)量參差不齊，但有不少論文作者團(tuán)隊非常友好，總是留下一個非常好提問機(jī)會。那就是「基因家族成員序列有問題」這意味著，得重做。對于一個以「基因家族分析」為主題的工作來說，往往相關(guān)表格和圖片都得重新來。如果不小心，用了錯誤的基因序列做功能驗證，那更是白費一年時間。
當(dāng)然，對于審稿人不小心的情況，也比比皆是。簡單通過 google scholar 搜索，可以很快找到一大堆已發(fā)表的論文，從主圖來看，有經(jīng)驗的審稿人一眼就看出問題。這個錯誤的責(zé)任，20%歸結(jié)于發(fā)布基因組的人，更有80%歸結(jié)于進(jìn)行基因家族鑒定工作的人。后者，我覺得還是要精細(xì)一些。
幾個示例
上圖由于串聯(lián)重復(fù)基因被注釋成一個，從 motifs pattern 就可以看出來問題。圖片得重做，表格得更新！?
上圖由于注釋錯誤，應(yīng)該是將近端的基因注釋成UTR，圖片得重做，表格得更新！
上圖將近鄰的基因直接注釋成ORF，所以導(dǎo)致超長CDS。圖片得重做，表格得更新！
如上，超長UTR
串聯(lián)重復(fù)或者近鄰基因被注釋進(jìn)來的。
上圖將近鄰的基因直接注釋成ORF，所以導(dǎo)致超長CDS。圖片得重做，表格得更新！?
明顯缺胳膊少腿，注釋問題。
處理問題
對于這類基因結(jié)構(gòu)注釋錯誤，如何處理？我記得 5 年前，類似情況發(fā)文占比可能更高的一些。我一直在提議也強(qiáng)調(diào)這個問題值得重視：
對于做基因組的朋友來說，高質(zhì)量的序列要高質(zhì)量的注釋才是高質(zhì)量的參考；
對于做基因功能研究的朋友來說，錯誤的注釋可能會直接讓數(shù)年努力白費；
對于做基因家族分析的朋友來說，還是要精細(xì)一點，做一點可能的貢獻(xiàn)。
這五年來，為了應(yīng)對這一問題，我大體分成三個階段給出解決辦法：
開發(fā)了 TBtools 的 Re-construct GXF ，這一功能可以基于用戶輸入的轉(zhuǎn)錄本序列和參考基因組序列，自動生成一個借用的GXF，我相信我提出來的時候，應(yīng)該沒啥人去注意這個事情，至少沒有人讓這個事情變得如此簡單。當(dāng)然，我必須說明，北大高歌老師的GSDSv2網(wǎng)站內(nèi)部應(yīng)是有做一些處理完成這個工作。有了這個功能，用戶完全可以基于區(qū)間預(yù)測CDS或者EXON結(jié)構(gòu)，得到序列后重構(gòu)。稍顯麻煩，后期利用GXF也比較麻煩；
開發(fā)了 IGV-GSAme （Gene Structure Annotation Manual Editor），基于IGV源碼重度開發(fā)的版本，這一版本事實上是基于前述我寫的 IGV-sRNA。使用這一版本，用戶可以直接對 IGV 的 GXF Track 進(jìn)行基因結(jié)構(gòu)注釋調(diào)整。說實話，這個修改直接讓我不想再看到 IGV-sRNA 和 IGV-GSAme，因為修改后感覺已經(jīng)把 IGV 改得亂七八糟。用起來完全沒什么，但是真的很奇怪，我總覺得哪里會出問題，同時改造結(jié)果不在我的控制范圍內(nèi)。
開發(fā)了 IGV-GSAman（Gene Structure Annotation Manipulator），同樣是基于 IGV 源碼改造，不過這次的改造我很滿意。這個改造其實是基于第二次 IGV-sRNA 來寫的（IGV-sRNA也是重新開發(fā)，只是覺得沒必要增加一個v2，我覺得前后沒啥區(qū)別，實現(xiàn)邏輯有很大優(yōu)化，僅此而已）。GSAman 不同，他跟 GSAme 完全是不同的東西。自然，本身GSAman其實....是一個簡單的功能或者特性開發(fā)嘗試，我只是想試試能不能在 IGV 里面加一個自定義的 Track，但是沒想到真干成了.....
于是現(xiàn)在有了 IGV-GSAman，他可以幫助幾乎所有人解決「基因結(jié)構(gòu)注釋偏差」的問題。
更多特性，推薦大伙參考 GSAman Cookbook。說實話，真的很強(qiáng)！
寫在最后
我從未做過一個基因家族分析的論文，但可能我審過基因分析論文有太多。我仍然不太希望有朋友因為這類簡單的偏差，導(dǎo)致半年一年的東西要從頭再來。對于基因功能研究的朋友，更是如此。
如果我們從一開始就做對，那或許路子就沒那么坎坷~
本文使用?文章同步助手?同步
