KEGG 注释

生信百科 · 公众号 · 医学 · 2017-06-20 09:16

正文

KEGG 数据库中，把功能相似的蛋白质归为同一组，然后标上 KO 号。通过相似性比对，可以为未知功能的蛋白序列注释上 KO 号。通过KEGG数据库的注释极大的方便我们进行生物学通路的研究，可以直接查看物种某条生物学通路上基因的存在情况。

最简单的方法是看公司给的KEGG注释或者直接下载本物种每个基因的注释结果（比如，植物Phytozome；动植物Ensemble），然后对应到自己的差异基因集里面。

当然如果自己的物种没有KEGG注释结果，那只能自己动手了！

截止到 2015 年 6 月 12 日，KEGG 数据库中共收录了 3,904 个完整的基因组。其中 304 个为真核生物，3,600 个为原核生物。在真核生物中，共有 299 个物种（一个物种可能不止一个基因组），分为 172 科，227 属；在原核生物中，共有 1,858 个物种，分为 809 属。

KEGG 对这些物种的基因序列构成了一个非冗余的 KEGG GENES 数据库；通过 BlastKOALA 和 GhostKOALA，可对用户提交的蛋白质序列，与 KEGG GENES 数据库分别进行 BLAST 或 GHOSTX 相似性比对，为蛋白质序列注释上 K number，即 KO 号。其中，GHOSTX 比对和 BLAST 比对类似，能够检测到分歧度较大的同源序列（remote homologues），在速度上比 BLAST 大约快 100 倍，两者的区别是：

BlastKOALA：用于注释高质量基因组，只能提交 5,000 - 10,000 条蛋白质序列。
GhostKOALA：用于注释宏基因组，文件大小为 300 M 以内。

有了 KO 号，就可以重构 KEGG 数据库中的 KEGG pathways 及其他分子网络，然后进行其它分析。

这里以 BlastKOALA 为例，对蛋白质序列进行 KO 注释。

分析步骤如下：

到这个网页：http://www.kegg.jp/blastkoala/
上传 fasta 格式的蛋白质序列

选择物种所属的分类单元，如这里选择植物“plant”
选择一个数据库进行比对。这些数据库由 KEGG GENES 分别在种、属、科水平去冗余后生成。这里选“属”水平的真核生物，如下图右表所示，上传的蛋白质序列限制为 7,500 条序列。
填写自己的邮箱地址，并提交任务，开始分析。
回跳转到这个界面，耐心等待即可。
分析完成后，会收到邮件通知。
点击链接，返回如下结果。需要注意的是分析结果会在 7 天后删除，所以尽快将结果下载到本地。

在这个结果界面，可以查看 pathway 等信息。

Reference: Kanehisa, M., Sato, Y., and Morishima, K. (2016) BlastKOALA and GhostKOALA: KEGG tools for functional characterization of genome and metagenome sequences. J. Mol. Biol. 428, 726-731.