写在前面：
非常感谢CJ开发出如此强大的TBtools工具，作者详细讲解了基因家族的分析过程和意义，课程购买地址，讲的很棒，可以试听。

一共分为4个部分
TBtools基因家族分析详细教程(1)
TBtools基因家族分析详细教程(2)基因家族成员的基本分析
TBtools基因家族分析详细教程(3)基因家族成员的进化分析1
TBtools基因家族分析详细教程(3)基因家族成员的进化分析2

Introduciton:什么是|为什么做（意义）|
辅助基因注释或矫正基因注释
为后续物种gene功能研究做铺垫
确定家族中可用的目标gene分支（包括挖掘新分支）
基础的生物信息学数据分析锻炼
充实论文内容或作为论文的主要内容
method:怎么做（涉及内容，已发表文献和自己理解）,涉及序列保守，结构域定义，序列比对，进化树构建
内容见下面
结果：完成基因家族分析文章中的内容，甚至超过他们。
加深理解分子生物学和生物信息学
掌握部分TBtools工具的使用，加速生信下游数据分析
绘制漂亮的图片

Introduction
基因是染色体上一段可以发生转录的区域（内含子外显子启动子）
转录本才是基因的研究实体
基因家族来源于同一个祖先，由同一个gene通过基因重复而产生两个或更多的拷贝而构成的一组gene，其在结构和功能上就有明显的相似性，编码相似的蛋白质产物，同意家族gene可以紧密排列在一起，形成一个基因簇，但多数时候，他们分散在同一染色体的不同位置，或存在于不同的染色体上，各自有不同的表达调控模式
序列高度相似的序列，互为同源gene，归属于一个基因家族（拷贝数目多于1）
结构域的 角度来说，具有保守结构域（某个或多个）的序列，即为某个基因家族的序列（可能同时要不具有另外的某个结构域）

目录

1 基因家族成员的鉴定

• 确定研究的基因家族
• 家族成员的基本特征确定（参考已有物种）
• 参考序列集合的准备
• 目标物种序列和注释信息的下载或准备
• 双向Blast比对获取可能的成员
• 基于保守结构域进行进一步筛选

2 基因家族成员的基本分析

• 成员的序列特征分析（分子量等电点等）
• 基于motif分析成员序列保守特征与可视化（蛋白与核酸，可用于挖掘未知，尤其是核酸水平-非编码水平的保守）
• 基于domain分析成员结构域的保守型与可视化（往往已知）
• 基因结构分析（包括内含子模式）
• 基因染色体分布情况可视化

3 基因家族成员的进化分析

• 多序列比对与可视化
• 进化树构建与可视化
• 从进化水平分析motif模式
• 从进化水平分析domain
• 从进化水平分析基因结构变化
• 合并分析以上三方面
• 基因-共线性的定义与常见算法原理
• 物种内的共线性分析
• 基因家族成员的来源分析
• 不同物种之间的共线性分析
• 共线性分析结果可视化

内容

A 基因家族成员的鉴定

1目标物种序列和注释信息的下载或准备（genome的fasta格式和gff3或gtf）

基因组序列信息：fasta格式文件
基因组基因结构注释信息：制表符分隔，存储基因的外显子内含子，CDS等坐标信息的.gff3或.gtf文件（区分基因结构注释与基因功能注释）

• 获取途径
  基因组文章中对应的链接
  常见的数据库Ensemble植物,动物,Phytozome
  NCBI
  其他途径

1.1蛋白序列结合的整理与提取（TBtools）

1.1.1使用Gtf/Gff3 sequence extractor，基于基因结构注释信息，从基因组中提取出所有基因的CDS序列

image1.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

1.1.2使用CDS to protein Translator将所有CDS翻译为蛋白序列

image.png

fasta文件每个名称后面有+号，简化

2 确定研究的基因家族

• 课题相关，MYB,bHLH，WD40，花青素
• 研究热点甲基化 甲基化酶 去甲基化酶
• 新家族 某蛋白很关键 有没有家族

3 家族成员的基本特征确定（参考已有物种）

• 研究相对透彻的基因家族，可参考收录了基因家族特征的网站如TAIR，PlantTFdb（针对转录因子）

• 查阅文献(gras gene family为例)，归纳总结
  注意：保守的结构域（在哪段），几个分支，保守的aa位点，长度波动

4 参考序列集合的准备

• 从已经收录的网站下载tari
• UniProt动植物都有
• 自行整理（基于文献或自行鉴定的新家族）

5 双向Blast比对获取可能的成员

image.png

image.png

image.png

比对得到的结果，去重复得到uniq ID。就是query序列匹配到上一步由CDS得到的protein序列（target）的结果。
下面再extract上述42个ID的protein sequence的fasta数据

接下来去NCBI blastp

image.png

用TBtools把xml格式转化为table格式

image.png

按Query_def删除重复项，保留的都是第一个hit，也就是最匹配的hit。为了判断是不是全部都家族成员，可以对可疑的基因进行文献搜索
通过初步筛选，上述42个基本都是基因家族成员，为了进一步确定，进行下一步基于保守结构域进一步筛选

6 基于保守结构域进行进一步筛选

ncib web cd search
或pfam

image.png

可视化

image.png

image.png

image.png

pineapple的(这个图有问题，可以直接在修改short name列名就可以，注意空格等，这里我就不再改了，后面改过来了)

直接删除，若严谨，重新截取此基因组序列的前后序列，具体

image.png

打开genePose文件，查找刚才可疑的某个gene比如Aco005453.1

image.png

image.png

image.png

image.png

image.png

结果说明该基因本来该两个结构域，现在却一个。基因组注释需要更加完善。可以替换信息进去。其余三个类似。