Se corre en el directorio donde se encuentran los genomas que se quieren anotar. El programa toma como input todos los genomas del directorio que terminen en .fasta y devuelve como output los archivos de anotación correspondientes en formato genbank_merged (.gbk). Este formato es útil para genomas no cerrados (en contigs) ya que permite tener las anotaciones en posiciones genómicas sucesivas y no en start y ends partidos por cada contig. El nombre del archivo gbk que se genera se corresponderá al del fasta de inicio.
./rast_tk.py
Para preparar el dataset que será input del análisis con eCAMBer se deberá correr gbk_2_ecamber.py primero. Dentro del directorio ecamber/, donde se encuentra el programa ecamber.py, se debe crear un directorio nuevo dentro de la carpeta datasets/.
./gbk_2_ecamber.py
En el directorio creado (ecamber/dataset/ejemplo/) deben estar los genomas en formato gbk_merged anotados con RASTtk. El programa toma como input los gbk y devuelve como output:
- Un directorio conteniendo los archivos de anotación en formato texto (ecamber/datasets/ejemplo/anss_parsed/).
- Un directorio que contiene los genomas en formato fasta (ecamber/datasets/ejemplo/genomes/).
- Un archivo de texto que contiene los nombres de los genomas a ser analizados (ecamber/datasets/ejemplo/strains.txt).
Una vez preparado el dataset se corre run_ecamber.py que ejecuta en línea de comando los argumentos del programa eCAMBer que toman como input el dataset generado y devuelven como output diversos directorios, en particular output es con que seguiremos trabajando. Para esto debemos modificar el nombre del [directorio] en el script.
./run_ecamber.py
A partir de la tabla de clusters como input ("clusters_table.txt") se obtiene como output la matriz de presencia (1) y ausencia (0) de los ortólogos por cada genoma. La tabla de clusters se encuentra dentro de la carpeta output.
./parse_output_eCAMBer.py clusters_table.txt
Este script nos permite conocer el coregenoma, pangenoma y los genes de genomas específicos. El coregenoma representa aquellos genes que están presentes en todos los genomas, el pangenoma es el conjunto de genes anotados del total de genomas analizados, y los genes específicos son aquellos que se encuentran únicamente para uno de los genomas.
./count_output_eCAMBer.py clusters_table.txt
A partir de los archivos fasta para cada genoma se obtienen los archivos fasta para cada cluster. Precisa como input la tabla de clusters y los archivos fasta para cada genoma que se encuentran en el directorio de output (genes_dna/), y devuelve como output un directorio conteniendo un archivo .fasta para cada cluster. Es decir, por cada cluster genera un archivo (ej: cluster_1.fasta) que contiene la secuencia fasta del gen 1 del genoma A, gen 1 del genoma B, gen 1 del genoma C, etc.
./clusters_fasta_dna.py clusters_table.txt "output/genes_dna/*.fasta"
- Estricto clusters_genome_specific.py
- Entre grupos clusters_between_groups_90-10.py
A partir de los archivos de las secuencias fasta para cada cluster podemos analizar cuáles son los clusters que contienen copias únicamente de un grupo de genomas específico. Para esto precisamos como inputs la lista de archivos fasta de cada cluster ("output/clusters/") y el archivo de genomas específicos que quiero evaluar (group.txt). A partir de esa lista de genomas busca entre los clusters y me devuelve en un archivo de texto clusters_genome_specific.txt aquellos en los que solo se encuentran los genomas listados en group.txt.
./clusters_genome_specific.py "clusters/*"* group.txt
Podemos también identificar cuáles son los clusters presentes en un grupo de genomas que no están en otro grupo, sin considerar el resto de los clusters del total de los genomas analizados. Para esto se deben definir los grupos group1.txt y group2.txt a comparar. Las condiciones a evaluar son que el cluster esté presente en el 90% de los genomas listados en el grupo 1 y que solo esté en un 10% de genomas del grupo 2.
./clusters_between_groups_90-10.py "clusters/*"*