1. Summary
基因家族扩张收缩分析可细分为六部分：
- 获取每个基因对应的最长编码区转录本
- OrthoFinder聚类基因家族
- 系统发育树推断
- 物种分歧时间推断
- 基因家族扩张收缩分析
- 功能富集
2. 正文
2.1 Orthogroup概念介绍
Orthologous指直系同源。与其对应的一个概念是旁系同源paralogous。
只要记住Ortholog基因是由Species differentiation形成的，而paralog基因是由gene duplication 形成的就可以区分清楚。比如组蛋白H1.1和H1.2是由gene duplication 形成的，所以是paralog；而human histone H1.1和chimpanzee histone H1.1都是histone H1.1，只不过因为物种分化而分配到两个物种中，所以是ortholog。
from wikipedia
需要搞清楚的是，Orthogroup是直系同源和旁系同源的共同集合，不能将其简单理解为直系同源。OrthoFinder对Orthogroup的官方解释是: Group of genes descended from single gene in LCA of group of species。而Orthologues和Paralogues则分别是成对物种的直系同源基因家族和旁系同源基因家族
from OrthoFinder manual
2.2 OrthoFinder workflow及特点
work flow from OrthoFinder-manual
OrthoFinder特点
- 操作简单，只需要提供各个物种蛋白质序列文件（一个物种一个文件）
- 运行时间短，十四个真核生物蛋白质组同源基因家族推断不超过一天（core=12）
- 推断Orthologues和Orthogroups，推断所有orthogroups的基因树，推断rooted species tree
- 给出全面的summary statistics
2.2 OrthoFinder操作
本文用到的是OrthoFinder version 2.5.4
2.2.1 安装
conda install -c bioconda orthofinder
2.2.2 参数介绍
可以通过orthofinder -h查看所有参数的解释。
from Orthofinder manual
上图是一个非常全面的参数介绍，但不了解的同学看起来会有些吃力。这里我们再详细介绍一下：参数部分分为三大块，（1）基础参数（2）提前终止参数（3）终止后重启参数。一般都是一整套跑完，所以这里详细介绍基础参数。
-f 输入文件所在路径，一个物种蛋白质组对应一个文件
-t <int> 有条件的话，这个参数建议一直使用。该参数参与BLAST搜索、tree推断和gene-tree reconciliation的并行化。这些都是非常耗时的步骤，所以该参数可以设置大一些
-a <int> Orthofinder除-a涉及的几个步骤外，运行地都相对比较快和高效，所以-a参数不会有大的影响。这个参数在OrthoFinder分析提前计算好的BLAST结果时更有用，但需要提供更大的RAM
-d 当输入文件是DNA序列时指定该参数
-M <txt> gene tree 推断软件. Options 'dendroblast' & 'msa' [Default = dendroblast]
-S <txt> 序列搜索软件[Default = diamond] Options: blast, diamond, blast_nucl, mmseqs, diamond_ultra_sens, blast_gz
-A <txt> 多序列比对软件, requires '-M msa' [Default = mafft] Options: mafft, muscle
-T <txt> 物种树推断方法, requires '-M msa' [Default = fasttree] Options: iqtree, fasttree, raxml-ng, raxml
-s <file> 用户提供的有根物种树
-o <txt> 非默认的结果文件路径
2.2.3 运行命令
orthofinder -M msa -A mafft -S diamond -f longest_proteins/ -t 12
这里没有指定输出结果目录，所以默认在输入文件目录longest_protein下创建一个OrthoFinder/Results_Jan07文件夹放结果文件。Jan07是输出的时间，根据实际的时间而变动
2.2.4 结果介绍
Orthofinder输出的结果非常非常全面！你能想到的他基本都输出了ｂ(￣▽￣)ｄ
目录名基本表达了里面文件的含义，这里列出几个之后要用的文件。
-
Orthogroups/Orthogroups.GeneCount.tsv：每个Orthogroup在每个物种中的protein count数 -
Orthogroups/Orthogroups.tsv：存放了每个orthogroup在每个物种中对应的具体蛋白质id -
Single_Copy_Orthologue_Sequences/：存放了每个单拷贝orthogroup在每个物种中的蛋白质序列
软件操作很简单，重要的是理解它用到的概念和大致原理，推荐大家在看完教程后，学习一下manual和paper~
