拆分大染色体脚本 split_ref.py 使用说明文档

作者: SeekGene

时长: 3 分钟

字数: 760 字

更新: 2025-09-02

阅读: 0 次

功能概述

split_ref.py 是一个用于处理基因组数据的工具，主要功能是将过长的染色体序列分割成较小的片段，并相应调整GTF注释文件中的坐标信息。该工具能够自动检测FASTA文件中过长的染色体，根据GTF文件中的基因位置寻找合适的分割点（避免分割基因），然后生成新的FASTA和GTF文件。

NOTE

该工具主要用于处理非人鼠物种的大染色体基因组，避免因染色体过长导致的分析问题。

依赖环境

• Python 3.x
• 所需Python库：
  • click
  • intervaltree
  • loguru

可通过以下命令安装依赖：

pip install click intervaltree loguru

使用方法

基本命令格式

python split_ref.py -f <input_fasta> -g <input_gtf> -o <output_directory>

参数说明

参数	全称	类型	必需	描述
-f	--fa	文件路径	是	输入的FASTA格式文件路径
-g	--gtf	文件路径	是	输入的GTF格式注释文件路径
-o	--outdir	目录路径	是	输出目录路径，用于保存处理后的文件

工作流程

1. 检测过长染色体：扫描FASTA文件，识别长度超过阈值（默认2^29 bp）的染色体
2. 寻找分割点：根据GTF文件中的基因位置信息，在不分割基因的前提下确定合适的分割点
3. 生成新FASTA：将过长染色体分割成多个子片段，生成新的FASTA文件
4. 生成新GTF：调整注释信息中的染色体名称和坐标，生成与新FASTA匹配的GTF文件

使用示例

python split_ref.py -f genome.fa -g annotation.gtf -o split_output

上述命令将：

• 处理genome.fa和annotation.gtf文件
• 在当前目录创建split_output目录
• 在split_output目录下生成分割后的FASTA和GTF文件

输出文件说明

处理完成后，输出目录中将包含：

• 与输入FASTA同名的新FASTA文件：包含分割后的染色体序列
• 与输入GTF同名的新GTF文件：包含调整后的注释信息

注意事项

1. 输出目录不能与输入文件所在目录相同
2. 确保输入的FASTA和GTF文件格式正确
3. 分割后的染色体将以原染色体名称加"_sN"后缀命名（N为分割序号）
4. 程序会自动跳过GTF文件中的注释行（以#开头）
5. 如果无法找到合适的分割点（连续尝试10000次仍失败），程序将抛出异常

WARNING

请确保在运行脚本前备份原始数据，分割操作不可逆。

日志信息

程序使用loguru库记录处理过程，包括：

• 检测到的过长染色体信息
• 确定的分割点位置
• 输出文件的保存路径

TIP

建议在处理大型基因组文件时，确保有足够的磁盘空间和内存资源。