retroseek

RetroSeek是一个端到端的计算流程，用于检测、分类和注释基因组组装中的内源性逆转录病毒（ERV）整合。它基于Snakemake工作流管理器构建，强调并行化、模块化、弹性和可重复性，面向工作站、HPC集群和云环境。 核心能力 - 通过NCBI Datasets自动获取基因组，并生成每个基因组的BLAST数据库和GenomeTools后缀数组。 - 可配置的同源搜索，使用BLAST+（探针与基因组的tBLASTn）结合通过LTRharvest和LTRdigest进行的从头LTR发现，协调为高置信度的ERV候选轨道。 - 单LTR检测：识别当原病毒的两个LTR重组并切除中间序列时留下的单个LTR，使用LTR臂作为blastn诱饵，并减去完整元件的侧翼和编码序列旁的单LTR。单LTR/完整比率作为谱系年龄代理输出。 - 每个位点的分类学分类，为每个有效ERV位点分配校准的属级调用（秩、置信度、嵌合、ERV类），使用POL/GAG的系统发育定位，否则使用加权LCA，基于从NCBI构建的属级全面参考。 - 系统发育定位输出：iTOL就绪的.jplace证据、每个基因组的热树、EDPL定位不确定性表，以及ERV补体与宿主祖先的共系统发育比较。 - 模块化R分析层（GenomicRanges / plyranges），生成重叠矩阵、确定性负二项GLM热点检测和探针对表。 - 可配置的元数据聚合，跨合并区间（列表、连接、最佳、多数、第一、严格）。 - 可发表的图形：每个阶段一个多页矢量PDF，采用色盲安全视觉系统，宿主物种行与宿主系统发育并列。 工作流和界面 CLI委托给Snakemake，并按阶段分组：设置（基因组下载、Pfam获取、参考构建、探针提取）、索引（BLAST数据库、后缀数组）、发现（LTR候选、LTR域、BLAST）、分析（区间分析、域扫描、分类、分割、单LTR检测、热点检测、对检测、定位树）和图形（全局图、圆形图）。阶段可以组合并按依赖顺序运行；运行在中断后从检查点恢复，并接受任何Snakemake标志，如--cores、--profile或-n。--downstream快捷方式运行所有分析和图形阶段。启动器在开始前验证配置、工具和Pfam库，如果重型搜索会意外重新运行，则拒绝开始。 要求和可重复性 单个conda/mamba环境（data/config/environment.yml）提供Python 3.11、R 4.3、Bioconductor、BLAST+、GenomeTools、NCBI Datasets和支持库。需要有效的NCBI Entrez API电子邮件地址，可选API密钥以加快查询。配置是仅值的YAML，具有仓库相对默认值，因此玩具基因组冒烟运行开箱即用；生产运行通过gitignored本地配置指向外部存储。 状态说明 README指出--hotspot-detection是实验性的（功能正常但测试较少），--generate-circle-plots目前损坏，在绘图时失败，因为它读取了后来重构替换的每基因座指标。 文档涵盖架构、用法、配置、单LTR方法、开发约定和架构决策记录。该项目采用MIT许可，在都柏林圣三一学院Moyne研究所的Ní Leathlobhair实验室开发。