Anvi'o también puede realizar filogenómica y pangenomas de una manera sencilla pero muy potente. Una descripción más detallada se encuentra aquí.
Primero tenemos que tener obviamente los genomas a analizar en formato fasta.
Es importante que los archivos fasta cumplan las siguientes características:
.fa
Si quieres seguir los pasos aquí descritos con el mismo set de datos, cepas de E. coli, puedes descargar el set de datos de aquí. Los genomas del set son los siguientes:
Una vez descargados de aquí, los puedes descomprimir en la carpeta en la que se vaya a trabajar y en donde solo estén ellos:
$ tar xzf ecoli.tar.gz
Activar anvio, si tenemos una versión instalada en nuestra cuenta:
$ source ~/virtual-envs/anvio5/bin/activate
Si usaremos la cuenta común en CONDA (recomendada):
$ conda activate anvio5
NOTA. Sólo usar una de las dos opciones.
Los comandos para el nuevo anvio 6 (aún no probado) se encuentran aquí.
Generar una base de datos para cada genoma, como tenemos varios genomas a procesar podemos hacer un for loop. Este script checa los archivos fasta para ver si cumplen las características antes señaladas y si no los reformatea (anvi-script-reformat-fasta
), crea la base de datos (anvi-gen-contigs-database
) y busca genes housekeeping (anvi-run-hmms
).
Este proceso puede durar horas y por lo tanto no sería raro que la terminal se desconectara antes de terminar, para evitar esto hay varias opciones, una buena es usar el comando de linux screen.
Primero hay que crear una nueva "sesión" con screen que la llamaremos contigs2dbs
, pero puede ser cualquier nombre útil:
$ screen -S contigs2dbs
Una vez que se activa esta sesión podemos ya ejecutar el comando anterior pero teniendo cuidado de activar anvio primero:
$ conda activate anvio5
$ for f in *.fa; do anvi-script-FASTA-to-contigs-db $f; done
Una vez corriendo podemos "desconectarnos" de la sesión y volver a la sesión de terminal anterior presionando al mismo tiempo las teclas Ctrl A D
:
$ Ctrl A D
Para volverse a conectar a la sesión y ver como va el análisis:
$ screen -r contigs2dbs
Si solo hemos hecho una sesión entonces no hace falta poner el nombre de la sesión, solo screen -r
. Más información de screen aquí.
Al terminar el paso anterior, que puede durar horas, habrá que generar un listado de los genomas para usar con los siguientes pasos de anvio.
Generar un archivo con los nombres de los genomas y la ruta a los archivos de la base de datos a la que pertenecen
$ ls -1 *.fa > names.tmp
$ ls -1 *.db > dbs.tmp
$ paste names.tmp dbs.tmp > genome.list
$ rm *.tmp
$ sed -i 's/.fa//g' genome.list
$ sed -i '1i name\tcontigs_db_path' genome.list
El archivo de salida, genome.list
, debe tener la siguiente estructura:
name contigs_db_path
CP001368_0157 CP001368_0157.db
DH10B DH10B.db
DH1 DH1.db
La primer columna (name) podemos cambiarla al nombre que deseemos, pero la segunda columna no. Para los nombres de la primer columna NO usar nombres que empiecen con número! La separación entre columnas es con tabuladores.
Opcionalmente, podemos añadirle funciones a los genes de cada genoma, para lo cual usamos la base de datos COGS de NCBI.
$ for f in *.db; do anvi-run-ncbi-cogs -c $f --num-threads 8; done
Obtener los Single Copy Genes (SCG) para el análisis filogenético, checar si anvio está activado aún, si no, volver a activarlo.
$ anvi-get-sequences-for-hmm-hits --external-genomes genome.list -o concatenated-proteins.fa --hmm-source Campbell_et_al --return-best-hit --get-aa-sequences --concatenate
Crear un árbol filogenético con los SCG
$ anvi-gen-phylogenomic-tree -f concatenated-proteins.fa -o phylogenomic-tree.txt
Podemos también obtener el pangenoma:
$ anvi-gen-genomes-storage -e genome.list -o PANGENOME-GENOMES.db
$ anvi-pan-genome -g PANGENOME-GENOMES.db -n PANGENOME -T 8
Si se colaron archivos con nombre no aptos, ver arriba, aquí es donde se botará el proceso con un error. El segundo comando puede tardar bastante en completarse.
Hacer un análisis de Average Nucleotide Identitity (ANI)
$ anvi-compute-ani -e genome.list -o ANI -p PANGENOME/PANGENOME-PAN.db -T 8
Por último podemos agregar información para que también aparezca en el pangenoma, esta información debe ir en una un archivo de texto separado por tabuladores (NO usar Word), por ejemplo:
sample year country source
DH1 1983 USA Human
DH10B 1960 USA Unknown
Ec0157 2006 USA Clinical
La primer línea debe empezar con sample
y ésta columna debe tener los nombre idénticos a los archivos fasta usados al principio pero sin la extensión. Las siguientes columnas pueden ser los datos que se quiera, pero tratando de no mezclar palabras con números. Podemos nombrar a esta tabla data_for_layers.tsv
por ejemplo.
El comando para incorporarla a la base de datos genera de anvio sería:
$ anvi-import-misc-data data_for_layers.tsv -p PANGENOME/PANGENOME-PAN.db --target-data-table layers
Como es costumbre ya, tenemos un script que realiza todos estos pasos, solo hay que tener un directorio con los genomas en formato fasta con la terminación .fa
, solo hay que llamarlo y listo:
$ anvi-phylogenomics
Se recomienda también iniciar una sesión de screen
antes de hacer al análisis, ya que puede durar horas y es probable que la terminal se desconecte, aunque sí ésto pasa, de todos modos puede seguir el análisis pero no es totalmente seguro. Más información de screen aquí.
$ screen -S anvio
El nombre de la sesión, en este ejemplo anvio, puede ser el que queramos. Para salir de la sesión de screen hay que teclar conjuntamente las teclas Ctrl A D
y el análisis continua, para reanudar la sesión y ver como va, teclear screen -r
. Si hay varias sesiones de screen, podemos enlistarlas con screen -ls
Todo el análisis con este script y el set de datos anteriormente descrito con tres genomas de E. coli puede tardar 1:45 horas.
Para visualizar el árbol filogenético:
$ anvi-interactive -t phylogenomic-tree.txt -p profile.db --title 'tree 1' --manual
El árbol se puede visualizar en cualquier programa que lea dendrogramas en formato newick
Para visualizar el pangenoma (Fig. 1):
$ anvi-display-pan -p PANGENOME/PANGENOME-PAN.db -g PANGENOME-GENOMES.db
Árbol filogenético de tres cepas de E. coli
Figura 1. Pangenoma de tres cepas de E. coli. Se observa el índice de similitud ANI (cuadros rojos), el dendrograma filogenético (arriba de los cuadros rojos) y los genes únicos para cada genoma.