常常看到关于2000年那轮互联网泡沫的描述，经历了一场泡沫，互联网还成就了许多著名的公司，真真切切的融入与影响着我们的生活。而生物领域，同样，我们更为真切的感觉到了分子生物学泡沫对我们一代或者几代人的影响，想当年分子生物学、生物工程专业是多么的热门，大学了纷纷增设相关专业或者现有的专业改名与之挂靠，而以至于现在生物学方面的硕士博士的泛滥，同样相对的待遇也是同样的低。“二十一世纪是生物学的时代”，多么响亮的口号，而目前就公司于行业产值，还丝毫没有看到这方面的影子。

基因、分子克隆，转基因，生物工程到如今基因组、蛋白质组、转录组等各种组学、以及二代测序、个性化医疗，更多的应用还属于科研领域。科研、课题、博导、文章、圈子以及种种的外围切割，就是那一滩水。对于病毒、癌症、生物发酵、育种等等，关于生命本身的认识，并没有因为数据的增加，而有什么本质的改变。而数据仅仅只是给了我们对于生命的另外一个层面的描述，就如同对于绿叶、红花、肌肉的描述一样。数据堆砌着，文章累计着，有人从时间推测着，百年了，该有所质的突破了。。。

铛铛…..，又有新数据了，从测序公司拿到或者网上下载到，期盼已久的数据，怀着无比的希望打开，开始迫不及待的进入分析之旅。使用各种工具，加载各种算法，机器轰鸣着，一番运行，似乎经过运算，我们就能读懂数据中的一切，而几天下来，给我们的确实相反的沮丧，心里或许开始抱怨糟糕的设计、糟糕的数据质量、糟糕的算法。。。和想想中的差之千里。而生活还得继续，带着沮丧之情，肩负着艰巨的使命，继续挖掘。

而几轮的沮丧之后，开始渐渐明白

一个混沌进入另一个混沌，而或许正因为太广，太容易目空一切

测序的物种多了，测序的数量多了，我们却没有看到突飞猛进，反而平添了几分忧愁。

信息本身的复杂性，看看研究最多的人类基因组，看看身披无数文章的模式生物

观察数据，也就是测序样本、测序数据本身的有限性

我们需要在两者中间取得一个平衡，得到一个可信的结论。

即便是突破也是层级式的，一层层，或许看到的还是那份混沌，最少你应该明白，那就是你所期望的。

告别沮丧，怀着敬畏，尝试着，不断寻找与尝试着挖掘

如果，测序如水，不在制约，有人说，分析将成为制约，制约则意味着价值，不知道价值变成现金的日子，还会不会太远。

基于转录组的数据分析，UniGene是一个不可多得的资源，他将mRNA、EST序列以及功能gene进行整合，很容易明白EST、mRNA等转录组数据与gene的关系，同时通过EST所附带的信息，统计了基因的表达谱。UniGene参考了转录组、基因组的信息，通过多次循环聚类，整合尽可能多的数据，NCBI对UniGene按物种进行定期的更新，发布新的版本。

UniGene的数据可以通过FTP按物种进行下载，包括下列文件：

• XX.data UniGene记录信息
• XX.files.cksum 文件统计信息
• XX.gb_cid_lid UniGene中序列的编号与Genbank AC号的对应的关系
• XX.info 统计信息，
• XX.lib.info UniGene与EST的对应关系
• XX.profiles 表达谱信息，按照组织、时期表达进行分类
• XX.retired.lst 上个版本UniGene编号与当前编号以及对应序列编号的对应关系
• XX.seq.all 包括所有涉及到的EST、mRNA序列，FASTA格式（其中有#注释，在每个Unigene开始的时候，使用bioperl的seqIO解析时会报告错误，需要先将其删除）
• XX.seq.uniq 可以代表Gene的，没有冗余的序列，FAST格式

主要信息保存在XX.data表中，包括unigene_id, title, gene, cytoband, mgi, locuslink, homol, restr_expr, gnm_terminus, scount, express, chromosome, sts, txmap, protsim, sequences, species 等，多个perl库都有对其解析的模块，包括：

• Bio::Cluster::UniGene
• Boulder::Unigene

附：UniGene的处理流程，等待翻译

参考

• UniGene主页：http://www.ncbi.nlm.nih.gov/unigene/
• http://en.wikipedia.org/wiki/UniGene
• http://www.ncbi.nlm.nih.gov/books/NBK21083/
• ftp://ftp.ncbi.nih.gov/repository/UniGene
• http://www.biosino.org/pages/ncbi-6.htm

Gbrowse 2.20以上的版本提供了以下三种权限管理的方式：

1. 通过Apache提供的权限管理机制
2. 构建自己的用户账户数据库
3. 通过插件机制

Gbrowse是以Apache作为默认的服务器，Apache的权限机制自然适用于对其进行管理，Apache的权限管理是基于目录的，提供的多种权限验证机制，包括IP地址、主机名、域名以及用户账户等，通过配置实现，不清楚的读者可以通过Google进一步了解，其缺点就是维护访问账户的经常与服务器配置打交道，另外只能控制到目录层次，对于用户多、权限细化的需求就无法实现。

权限管理最为流行的方式就是用户注册，然后登陆，这里主要介绍，如何通过Gbrowse自身的用户系统实现对权限的访问。

要求

• perl的DBI模块或者DBD::mysql，DBD::SQLite
• 允许用户注册，需要安装perl的Net::SMTP模块，以及提供SMTP发邮件的服务器
• 如果允许用户使用OpenIDs登录，需要安装perl的Net::OpenID::Consumer

配置GBrowse.conf

[GENERAL]
# ...lots of stuff...

# Login Settings
user_accounts               = 1
user_accounts_registration  = 1
user_accounts_openid        = 1
user_account_db             = DBI:SQLite:/var/www/gbrowse2/databases/users.sqlite
smtp_gateway                = localhost
application_name            = GBrowse
application_name_long       = The Generic Genome Browser
email_address               = noreply@gbrowse.com

user_account_db

使用mysql数据库

DBI:mysql:database=gbrowse_login;host=mysql.oicr.on.ca;user=gbrowse;password=gbrowse

使用SQLite数据库

 DBI:SQLite:/var/www/gbrowse2/databases/users.sqlite

smtp_gateway
邮件服务器设置，和客户端发邮件是一个道理。语法如下：

<smtp.server.com>:<port>:<encryption>:<username>:<password>

Gmail邮件设置示例：

smtp_gateway           = smtp.gmail.com:465:ssl:john.doe:open_sesame

数据库的创建

配置好以后，通过允许gbrowse_metadb_config.pl脚本，来创建数据库。包括user、openid_users、sessions、dbinfo四张表。

 Users

OpenID Users

Sessions

DBInfo

通过脚本添加用户

 gbrowse_create_account.pl [-pass <password> -fullname <name> -email <email>] <username>

gbrowse_change_passwd.pl <username> [<password>]

权限的配置

通过restrict标签来进行设置。

限制对于数据源的访问

[GENERAL]
# lots of other stuff...
restrict = require valid-user
...

限制对某个Track的访问

[5_prime_RACE]
glyph    = generic
feature  = RACE:5_prime
restrict = require user fred joseph andrea marta

只有用户名为fred joseph andrea marta的可以访问。

Gbrowse 2.20及以上版本，还另外一种机制就是通过插件实现，调用Linux系统用户对于权限进行管理的，这里不做详述（还没有认真去看）。

参考

• http://gmod.org/wiki/GBrowse_Configuration/Authentication
• http://gmod.org/wiki/GBrowse_User_Database

常使用的工具列表

相关的数据格式

数据处理的流程

RNAseq数据不容易分析的原因：

鉴定SNP可供借鉴的经验

通过RNAseq、DNAseq鉴定SNP，有什么区别？

实体

节点的类型

节点关联的类型

关联或者相互作用的进一步明细

数据的获取

所有的pathway信息，可以下载XML文件，解析XML文件可以得到该pathway的所有数据，如果只是需要部分数据，可以在程序中直接调用KEGG提供的API。

相关链接

• http://www.kegg.jp/kegg/xml/docs/
• http://www.kegg.jp/kegg/soap/doc/keggapi_manual.html

前几年，学习中心一直在计算机方面，软件工程、团队管理、数据库、系统管理、编程语言、前端开发等等，以前想做的事情，现在都可以做了，而在具体的某个方面再向前突破，由于缺少一些环境，所以动力不足。

而今年给自己订的主题是“突围”，如何突围，当反思使命与归属的时候，必然又回到了生物信息领域本身。这些年也一直在做着各种生物信息方面的数据库应用系统的开发，而环顾我接触的方方面面，其实都可以和数据库应用系统发生关联，而目前飞速发展的测序产业，也必将带动数据库应用系统的开发，这些数据得到了，但是如何来管理，如何来应用？以及结合自身的特点，建立不同的主题数据库的需求也会很多，所以突破的方向，也就是我博客围绕的主题，数据库信息系统，当然数据分析流程、现有系统的集成、各种模块的学习都必然有所关联。

另外的方面就是这个博客，由于关心的大多数是计算机方面的技术，所以两年前开始的生物信息方面的博客，那段时间也少有更新，以后呢，将自己实践过得、学习过的要及时的总结发表出来，同时按照自己的设想主题，主动的写点东西。

还有一个稍微长远的目标，出版一本通俗易通的生物信息方面书。

以上谈得几个方面，也都取得了进展，当然还有很多是设想层面的，比如对于信息系统的设想，对于出书主题与风格的设想，这些都需要更多的实践来进行完善。下面是自己的一些感想，本来只想写一些，这些感受，而前面的序言一写就多了。

• 阻碍自己的往往不是哪些未知的东西，而是一知半解的东西，总是认为自己已经知道了，就再也塌不下心来进行学习了，可以描绘出对于生物信息的一些领域自己的处境。需要告诫自己就是要时刻保持一种谦虚的的心态以及自我批判与反思。即便自己入行多年，有些基本的东西，确实还没有弄明白，所以还要奉行多提问，多总结；
• 也有很多的东西，比如深入的算法，统计学原理，自己曾经面对过，没有搞懂，放弃了，现在的某个时刻，又遇到了，怎么办？躲避，给哪些东西都贴上一个标签，这个呢不是我的方向，还是好奇心驱使下，再积极的进行尝试？这似乎变成了一个真理题，有些东西有些人是不是就是学不会，还是只是方法的问题，比如缺少一本好书，许多更多的时间，或者需要更多的学习。我的选择还是要积极的尝试，或许随着你能力的提高，有些问题就不在是个问题了；
• 对于做过的事情，最后一定要变成可以看得见的产出，可以是一篇博客、一个证书、一个系统、一篇论文。
• 订了目标，就一定能实现，许多时候缺乏这个目标。

基因相似性、一致性与同源性

• 同源性是序列同源或者不同源的一种论断，而一致性和相似性是一种描述序列相关性的量；
• 如果两条序列有一个共同的进化祖先，那么他们就是同源的，不存在同源性的程度问题，要么同源，要么不同源；
• 同源蛋白总是在三维结构上有显著的相似性；
• 两条蛋白即使没有统计上显著的一致性，其也可能是同源的；
• 两条蛋白质是否同源的最强的证据来自于结构研究和进化分析；
• 一致性（identity）表示了两个序列相同的程度；
• 两条序列的相似性百分比（percent similarity）是相等于相似匹配之和；
• 一般的一致性比相似性更有用些，因为相似性的衡量依赖于如何定义两个氨基酸残基是如何相似的；
• 双序列的比对是排列两条序列以达到最大程度相同的过程，其目的是衡量两个分子的相似性和同源的可能性；
  

确定两个蛋白是否同源的问题检查单

• 期望值是否显著？
• 两个蛋白质是否有近似的大小？
• 是否具有共同的模体或信号序列？
• 多序列比对的融合性？
• 是否具有相似的分子特性？
• 是否具有相似的三维结构？
• 双向blast比对结构是否一致？
• 是否具有相似的生物学功能？

直系同源与旁系同源

• 同源的蛋白质可以分为直系同源与旁系同源，当同源是基因复制的结果，两份拷贝在一个物种的历史上是平行演化的，这样的基因被称为旁系同源基因。当同源是物种形成的结果，基因的历史反映了物种的历史，被称为直系同源；
• 直系同源是不同物种内的同源序列，他们是来自于物种形成时的共同祖先基因；
• 通常认为直系同源的序列具有相似的生物学功能；

直系同源与旁系同源的区分

判断直系同源还是旁系同源主要依据最大似然法构建的基因系统发育树。 系统发育树可以显示出基因家族演化的历史，比如基因从一个共同的祖先中分化的。基因树同物种树进行比对，是否有内部的节点，将是区别复制事件与物种分化事件的依据。如果只是简单的只有唯一的直系同源基因，这样的验证非常容易区别。但是大多数情况都是一对多或者多对多的关系。比如斑马鱼与哺乳动物的同源基因比较中这种情况非常多，在果蝇与哺乳动物或者蠕虫与哺乳动物的同源基因预测中，这中情况更为明显。

鉴定直系同源基因的方法，分为7步：

1. 从Ensemble下载要比对物种的所有基因的蛋白质序列，如果一个基因有多个转录本，只取最长的；
2. 使用WUBlastp+SmithWaterman，每个基因同所有的基因进行比对，也就是将所有物种的基因当做一个库，用这个库和其本身进行比对；
3. 基于BRH与BSR的值，为这些基因建立关系图；
4. 将有关联的分为一组，相当于一个基因家族；
5. 对于每一组，将蛋白质序列用MUSCLE进行多重比对；
6. 对比好的每一组，使用多重比对结果中蛋白质对应的CDS序列，使用NJTREE构建系统发育树；
7. 针对每个基因树，推断每两个基因是直系同源还是旁系同源：

Orthologues : 两个基因之间的根节点是一个物种形成事件
直系同源的几种情况
 ortholog_one2one 一对一
 ortholog_one2many 一对多
 ortholog_many2many 多对多
 apparent_ortholog_one2one (is a special case, see below) 明显的一对一

Paralogues : 祖先节点是一个复制事件，旁系同源的集中情况：
 within_species_paralog 物种内的
 between_species_paralog 物种间的

简单的基因同源性的门槛（基于Blastp比对的）

• identity >30%；
• e-value <1e-10；
• score>200
• overlap >60%

同源基因数据库

• HomoloGene - http://www.ncbi.nlm.nih.gov/homologene
• inparanoid7 - http://inparanoid.sbc.su.se/cgi-bin/index.cgi
• OrthoCluster - http://genome.sfu.ca/orthoclusterdb/

重复序列的种类

• Tandem repeats 串连重复
• Satellite DNA 卫星DNA
• Variable number tandem repeat /Minisatellite 小卫星
• Short tandem repeat（STR）/Microsatellite (Trinucleotide repeat disorders)微卫星
• Interspersed repeats 散落重复
• Transposon (Transposable elements (TEs) )转座子
• Retrotransposon 反转录转座子
• SINEs - Alu sequence, MIR 短散落元件
• LINEs - LINE1, LINE2 长散落元件
• LTRs - HERV, MER4, retroposon 长末端重复
• DNA transposon DNA转座子
• MER1, MER2, Mariners
• TIR（Terminal Inverted Repeat） 末端方向重复
• Genomic island
• Genomic island

对于一个新基因组，标记重复序列的流程

1. 已知的转座子的鉴定；
2. 新的重复序列的预测；
3. 串连重复的鉴定；

重复序列的特征分析

重复序列占基因组的比例，不同类型重复序列的数目，比较不同物种之间的差异，描绘出该物种重复序列的特征。

使用的软件及其相关参数的设置

重复序列鉴定使用最多的就是RepeatMasker，其集成了很多的库、工具，无论是对于已知鉴定，还是未知的预测，都可以完成。

• 已知的TEs标记，可以使用RepeatMasker比对Repbase库，以及使用RepeatProteinMask3比对TE蛋白质库；
• 使用RepeatModeler3预测新的重复序列，该程序调用了 RECON5、 RepeatScout6预测程序；
  
• 使用RepeatMasker -noint标记串连重复序列
  

RepeatMasker -engine "wublast" -s -cutoff 255 -species "Nasonia giraulti" -no_is -frag 20000

-no_is         skips bacterial insertion element check

-cutoff [number] sets cutoff score for masking repeats when using -lib
               (default cutoff 225)

-s             Slow search; 0-5% more sensitive, 2.5 times slower than default.

-engine [crossmatch|wublast|decypher]
               Select a non-default search engine to use.  If not specified
                 RepeatMasker will use the default configured at install time.

-frag [number] Maximum sequence length masked without fragmenting
                 (default 40000).

RepeatMasker安装及其参数说明

安装请参照http://www.repeatmasker.org/RMDownload.html

1 OPTIONS参数说明

1.1 Species options 物种

-species     Indicate source species of query DNA

-lib [filename]             Allows the use of a custom library

contamination checking options
-is_only       only clips E coli insertion elements out of FASTA  and .qual files
-is_clip       clips IS elements before analysis (default: IS only reported)
-no_is         skips bacterial insertion element check
-rodspec       only checks for rodent specific repeats (no RepeatMasker run)
-primspec      only checks for primate specific repeats (no RepeatMasker run)

1.2 Masking options (options that determine what kind of repeats are masked) 遮蔽

-cutoff [number] sets cutoff score for masking repeats when using -lib
               (default cutoff 225)
-nolow         does not mask low complexity DNA or simple repeats
-l(ow)         same as nolow (historical)
-(no)int       only masks low complex/simple repeats (no interspersed repeats)
-alu           only masks Alus (and 7SLRNA, SVA and LTR5)(only for primate DNA)
-div [number]  masks only those repeats that are less than [number] percent
               diverged from the consensus sequence

1.3   Options effecting speed and search parameters 速度搜索参数

-q             Quick search; 5-10% less sensitive, 3-4 times faster than default
-qq            Rush job; about 10% less sensitive,
-s             Slow search; 0-5% more sensitive, 2.5 times slower than default.
-pa(rallel) [number]
               Number of processors to use in parallel (only works for
                 batch files or sequences larger than 50 kb)
-engine [crossmatch|wublast|decypher]
               Select a non-default search engine to use.  If not specified
                 RepeatMasker will use the default configured at install time.
-w(ublast)     Use WU-blast, rather than cross_match as engine
                 **DEPRECATED** Use -engine [crossmatch|wublast|decypher] now.
-frag [number] Maximum sequence length masked without fragmenting
                 (default 40000).
-maxsize [nr]  Maximum length for which IS- or repeat clipped sequences
                  can be produced (default 4000000). Memory requirements go
                  up with higher maxsize.
-gc [number]   Use matrices calculated for 'number' percentage background
                  GC level.
-gccalc        Program calculates the GC content even for batch files/small
                  sequences.
-nocut         Skips the steps in which repeats are excised.
-noisy         Prints cross_match progress report to screen (defaults to
                 .stderr file)

1.4  Output options输出设置

-a      shows the alignments in a .align output file; -ali(gnments) also works
-inv    alignments are presented in the orientation of the repeat (with option -a)

-cut    saves a sequence (in file.cut) from which full-length repeats are excised
        (temporarily disfunctional)
-small  returns complete .masked sequence in lower case
-xsmall returns repetitive regions in lowercase (rest capitals) rather than masked
-x      returns repetitive regions masked with Xs rather than Ns

-poly   reports simple repeats that may be polymorphic (in file.poly)
-ace    creates an additional output file in ACeDB format
-gff    creates an additional General Feature Finding format output
-u      creates an untouched annotation file besides the manipulated file
-xm     creates an additional output file in cross_match format (for parsing)

-fixed  creates an (old style) annotation file with fixed width columns
-no_id  leaves out final column with unique ID for each element
-e(xcln) calculates repeat densities (in .tbl) excluding runs of >25 Ns in query

-noisy  prints cross_match progress report to screen (defaults to .stderr file)

相关资源

• RepeatMasker（http://www.repeatmasker.org/）
• wikipedia（http://en.wikipedia.org/wiki/Repeated_sequence_%28DNA%29）
  
• RepBase （http://www.girinst.org）
  
• STRBase（http://www.cstl.nist.gov/strbase/ ）
  
• 小麦重复序列数据库（http://147.49.50.65/ITMI/Repeats/ ）
  

Cap3简介

Huang, X. 和 Madan, A 开发的一套用于序列拼接的软件,此软件适用于小的数据集或 EST 拼接,它有如下特征：

• 利用正反向进行拼接，更正拼接错误、连接 contigs。
• 应用 reads 的质量信息。
• 自动截去 reads5`端、3`端的低质量区。
• 产生 Consed 程序可读的 ace 格式。
•  CAP3 能用于 Staden 软件包的中的 GAP4 软件。

下载安装

下载地址http://seq.cs.iastate.edu/cap3.html。下载操作系统，下载相应版本的，加压后，就可以使用。

CAP3 详细参考文档可见http://deepc2.psi.iastate.edu/aat/cap/capdoc.html

使用说明

程序运行命令行:

cap3  <dna-file in fasta format> [options] >cap3.out

输入 序 列 是 普 通 的 FASTA 格 式 , 如 果 序 列 文 件 名 为 “ xyz ” , 则 质 量 文 件 应 命 名 为“xyz.qual”,约束文件应命名为“xyz.con”。在命令行中只需输入序列文件,程序会自动在
相应的目录中寻找相应的质量文件和约束文件。

“xyz”格式如下:

>Sequence1
 ACGTGCGCGATCGCCTGCTAGGCGTACGTCGCAGGCGATCGATGTGCTAGATCAGATGACA
 >Sequence2
 GGGCTAGATTAGCACCACATACATCGCTCA

“xyz.qual”格式如下:

 >R1
 6  8  8  8 15 17  17 17 12 12  20 20 29 31 34 34 38 38 40 40 49  49 37 33 33
 33 33 30 31 24 24  34 45 45 45  45 38 38 38 45 40 40 40 40 40 40  40 40 40 40
 33 33 33 33 33 33 40  37 40 40  45 45 45 40 40 40 45 45 45 45 49 49  49 49 45
 40 43 43 43  40 40 40 37 40 49 49 40 40 37 37  37 42 45 40
 49 45 45 45 45 40
 36 36 36 36 33 33  27 27 21 19  19 27 33 33 34 36 36 36 36 38 36  36 40 33 35
 >R2
 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98
 37 37 37 37 37 37 37 37 37 37 37 37 37 34 34 34 34 37 37 37 37 34 34 37 38
 34 37 34 37 37 37 37 37 45 37 37 37 37 37 37 37 40 37 37 32 45 41 45 45 41

Cap3设计的时候，其主要测序工具是377或者3730，测序前首先需要建立克隆文库，然后针对每个文库进行测序，测序可以分为两种，单向测序与双向测序，约束文件主要是让程序哪些是双向测序， 属于同一个克隆，插入片段的大小区间，这就为拼接提供了更多的依据。如果不知道这个情况，恐怕很难理解，这个约束文件。现在都是二代测序。所以这个文件完全是可选的。

约束文件xyz.con，每一行都以如下格式：

 ReadA ReadB MinDistance MaxDistance

其中“ReadA”和“ReadB”是两个 reads 的名称;“MinDistance”、“MaxDistance”是
最小、最大距离(bp)。 约束文件*.con 可由此软件包中的 formcon 程序生成,用法:

formcon [序列文件] [最小长度] [最大长度]

此处最小、最大长度指克隆的长度限制,单位为 bp。克隆长度限制要与插入片段长度相差
1000bp 到 1500bp 左右,如:插入片段为 2kb 到 3kb,建议 500 为克隆最小长度,4000 为克隆最大长度。输入的序列文件中一对正反向的 reads 名称在第一个句点前要保持相同。

输出文件格式:

• 1. xyz.cap.ace: ace 格式文件,注意:reads 的 5`、3`的低质量区没有被显示在 ace 格式中。
• 2. xyz.cap.contigs:生成的 contigs 序列文件。
• 3. xyz.cap.contigs.qual:生成的 contigs 质量文件。
• 4. xyz.cap.singlets:没有用于拼接的 reads 文件。
• 5. xyz.cap.info:关于拼接的额外信息文件。
• 6. cap3.out:拼接的结果文件。

参数选项(默认值):

$ ./cap3
VersionDate: 10/15/07
Usage: ./cap3 File_of_reads [options]

File_of_reads is a file of DNA reads in FASTA format

If the file of reads is named 'xyz', then
the file of quality values must be named 'xyz.qual',
and the file of constraints named 'xyz.con'.
Options (default values):
  -a  N  specify band expansion size N > 10 (20)
  -b  N  specify base quality cutoff for differences N > 15 (20)
  -c  N  specify base quality cutoff for clipping N > 5 (12)
  -d  N  specify max qscore sum at differences N > 20 (200)
  -e  N  specify clearance between no. of diff N > 10 (30)
  -f  N  specify max gap length in any overlap N > 1 (20)
  -g  N  specify gap penalty factor N > 0 (6)
  -h  N  specify max overhang percent length N > 2 (20)
  -i  N  specify segment pair score cutoff N > 20 (40)
  -j  N  specify chain score cutoff N > 30 (80)
  -k  N  specify end clipping flag N >= 0 (1)
  -m  N  specify match score factor N > 0 (2)
  -n  N  specify mismatch score factor N < 0 (-5)   -o  N  specify overlap length cutoff > 15 (40)
  -p  N  specify overlap percent identity cutoff N > 65 (90)
  -r  N  specify reverse orientation value N >= 0 (1)
  -s  N  specify overlap similarity score cutoff N > 250 (900)
  -t  N  specify max number of word matches N > 30 (300)
  -u  N  specify min number of constraints for correction N > 0 (3)
  -v  N  specify min number of constraints for linking N > 0 (2)
  -w  N  specify file name for clipping information (none)
  -x  N  specify prefix string for output file names (cap)
  -y  N  specify clipping range N > 5 (100)
  -z  N  specify min no. of good reads at clip pos N > 0 (3)

• -a   N   specify band expansion size N > 10 (20)
• -b   N   specify base quality cutoff for differences N > 15 (20)
• -c   N   去除低质量时的质量值 N > 5 (12)
• -d   N   specify max qscore sum at differences N > 20 (200)
• -e   N   specify clearance between no. of diff N > 10 (30)
• -f    N   重叠部分最大 gap 长度 N > 1 (20)
• -g   N   gap 罚分 N > 0 (6)
• -h   N   specify max overhang percent length N > 2 (20)
• -m  N  比对分值 N > 0 (2)
• -n   N  不匹配的分值 N < 0 (-5)
• -o   N   specify overlap length cutoff > 20 (40)
• -p   N   specify overlap percent identity cutoff N > 65 (80)
• -r    N   specify reverse orientation value N >= 0 (1)
• -s   N   specify overlap similarity score cutoff N > 400 (900)
• -t    N   匹配得最大长度 N > 30 (300)
• -u   N   用于修正得最小约束数目 N > 0 (3)
• -v   N   用于连接得最小约束数目 N > 0 (2)
• -w  N   序列去除信息的文件名 (none)
• -x   N   输出文件名称的前缀 (cap)
• -y   N   去除碱基范围 N > 5 (100)
• -z   N   specify min no. of good reads at clip pos N > 0 (3)

实例

运行命令 cap3 xyz.fa > cap3.out

参考：

• 《Cap3使用指南（转）》
• http://seq.cs.iastate.edu/cap3.html
• http://deepc2.psi.iastate.edu/aat/cap/cap.html
• http://www.bio.net/bionet/mm/arab-gen/2004-March/009855.html

数据库充斥着生物信息的每个角落，要数清楚这个主题，首先要解释一下，在不同场合下“数据库”的不同含义，主要包含4个方面：

数据库管理系统

数据库管理系统（Database management systems , DBMSs)是管理数据的软件系统，比如Oracle、MySQL、PostgreSQL、Sybase、DB2、MS SQL等等，其是数据库的容器，是管理数据库综合软件系统。

数据库模式（Database Schema）

数据库模式指特定数据库的设计，也就是其内容的组织方式，就关系型数据库来说，就是其表、表中的列，以及表之间关系的设计。其可以在不同的数据库管理系统中实现，可以重复使用，构建不同的数据库应用。

基于数据库的网站（Database Web Site）

常被我称为数据库信息系统，其后台以数据库作为支撑，所有信息都存储在数据库中，通过网页提供访问接口，实现对信息的查询管理，构成一个容易交互的信息系统。生物信息领域内常见的如s FlyBase (http://flybase.org) ，ParameciumDB (http://paramecium.cgm.cnrs-gif.fr)等。常说的生物信息数据库资源，也通常指的是该类别的数据库。

数据库（Database）

在计算机中，其实任何以某种规则组织在一起的数据集，都可以称为数据库，比如经Formatdb格式化的fasta文件，就是Blast程序中所指的数据库。不过许多情况下都使用一个数据库管理系统来组织数据，选择一个数据库管理系统，比如MySQL，设计好表、字段建立数据库模式，再将相关的数据存放进来，就是一个标准的数据库。

生物信息学中数据库模式

对于一个数据库，数据库管理系统是现成的，关键是学习如何使用，而对于业务本身，最为关键的就是数据库模式的设计，然后才是按照这种方式来组织数据，访问数据。数据库模式的设计关系到数据库的可扩展性，可维护性，设计的不会有时会非常影响数据库性能。所以其要符合相关的范式标准。

生物信息学领域，许多问题存在共性，比如基因组数据库，我们如何来考虑诸多的数据，包括数据的各种属性，数据之间的关联设计出符合关系数据库范式的模式来，是个很有挑战的事情，即便你是数据库专家，有是生物信息方面的专家。不过这样的问题，已经有人给我们解决了，并且经过了很多的实践，模式得到检验，也开发出了很多操作这些数据库的工具，比如将不同格式的数据导入到数据库中。

综合的数据库模式

Chado

GMOD旗下，访问地址http://www.gmod.org/wiki/Chado，使用  Postgres 数据库管理系统。主要包括的模块：

• Audit – for database audits 审计
• Companalysis – for data from computational analysis 数据分析
• Contact – for people, groups, and organizations 联系人、组、机构
• Controlled Vocabulary (cv) – for controlled vocabularies and ontologies 受控词汇与基因本体
• Expression – for summaries of RNA and protein expresssion 基因表达
• General – for identifiers 基因功能鉴定
• Genetic – for genetic data and genotypes 基因型
• Library – for descriptions of molecular libraries 基因文库
• Mage – for microarray data 芯片数据
• Map – for maps without sequence 图谱
• Organism – for taxonomic data 物种分类数据
• Phenotype – for phenotypic data 表型数据
• Phylogeny – for organisms and phylogenetic trees 系统发育树
• Publication (pub) – for publications and references 文献
• Sequence – for sequences and sequence features 序列及其shujkctions 组织样本资源
• WWW -

BioSQL

主页 http://biosql.org/wiki/Main_Page ，支持MySQL, PostgreSQL, Oracle, HSQLDB等。

BioSQL is a generic relational model covering sequences, features, sequence and feature annotation, a reference taxonomy, and ontologies (or controlled vocabularies).

包含的模块：

• Sequence 序列
• Sequence annotation 序列注释
• Phylogeny 系统发育
• Publications 文献

ensembl

详细说明参见：http://www.ensembl.org/info/docs/api/funcgen/funcgen_schema.html

领域内的数据库模式

• GFF数据库，主要用于GBrowse
  • Bio::DB::GFF
  • Bio::DB::SeqFeature
• GO Gene Ontology 基因本体论数据库，适合对于基因进行GO分类与统计；
• Taxonomy NCBI的物种分类数据库，可以通过下载的DMP文件，反推得到；
• PFAM
• Gene NCBI基因数据库
• KEGG
• SRS
• OBDA http://obda.open-bio.org
• Pearson Lab databases (seqdb, egads):ftp://ftp.virginia.edu/fastardb/

还有哪些？欢迎添加及其评论。