分析原核/病毒基因组中的重复序列

寻找基因间区

首先，计算基因组中的基因编码区。然后，通过interval取反得到基因间区。若只为得到基因间区，重叠的CDS区域不用合并，并不影响与基因组全长取差。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

from interval import Interval, IntervalSet 
f = open("XGV_0.7.2.cds.intervals", "r")
cds = f.readlines()
f.close
cdIn = []
for i in cds:
   [s, e] = i.strip().split("\t")
   cdIn.append(Interval(int(s), int(e)))

## Get intervals for all CDS    
allcds = IntervalSet(cdIn)

## Define IntervalSet for the genome.
full_len = IntervalSet([Interval(1, 116875)])

## ^ get the symmetric difference
outCDS = full_len ^ allcds
print(outCDS)

检测简单重复序列

TRF, REPuter是常用的检测简单重复序列的工具，可在全基因组范围内寻找，也可针对特定基因间区进行搜索。

TRF一般用于寻找串联重复序列，可使用在线服务。

REPuter不仅可寻找串联重复，对于4种类型的重复序列（如下）均可检索。使用比勒费尔德大学生信中心提供的在线服务，结果可通过网页可视化。

  1. forward(direct) match
    forward match
  2. reverse match
    reverse match
  3. complement match
    complement match
  4. palindromic match
    palindromic match

​

blast2seq 是NCBI较为古老的BLAST工具中的一员。可直接对两段序列进行比较，不需要make database. 对同一段序列进行自比较，并过滤去同位置完全匹配的结果，即可用于发现其中存在的重复序列。

检测回文序列

EMBOSS palindrome可检测序列内部的回文序列。通过参数可设定回文序列的长度范围，错配的碱基数。

参考来源

https://pythonhosted.org/intervalset/