1. BRAKER2到底是什么为什么大家都在装它做基因组注释的人应该都绕不开这个软件。BRAKER2是目前真核基因组结构预测里用得相当多的一个自动化流程工具它最厉害的地方是把两类信息整合到了一起——RNA-seq比对得到的转录组剪接位点证据以及近缘物种蛋白数据库的同源证据然后通过GeneMark-ET、GeneMark-ES和AUGUSTUS这套组合拳自动完成从头预测、证据修正、基因模型输出。通俗点讲一个基因组组装完了还只是一堆ACGT的字母序列像一本没有任何标点的天书你不知道哪里是基因、哪里是基因的一部分、外显子从哪里开始到哪里结束。BRAKER2就是把天书断句成一句话、一个词的那种工具只不过它比人脑笨但是比人快只要给它组装好的基因组和可选证据它就能自己产出GFF3格式的基因结构注释结果。我前前后后装过两次BRAKER2第一次是在一台老旧的CentOS服务器上当时不懂依赖版本这回事直接conda一梭子装完就跑结果运行测试数据时AUGUSTUS一直报perl模块找不到。第二次换了新服务器老老实实按官方文档把几类依赖拆开检查半小时就装好并跑通了测试。这篇就是把我这两次踩坑经历完整写出来给准备装这个软件的朋友省点时间。适合谁看准备做基因组从头注释、手里有基因组组装结果和RNA-seq数据、或者老板让你把某个物种的基因结构预测跑通的同学。不需要你是编程高手但你至少得会基本的Linux命令行知道conda是什么能忍受终端里刷屏的日志输出。2. 安装前的环境准备这一步做不好后面全是坑2.1 先说清楚BRAKER2的依赖逻辑BRAKER2不是一个孤立的软件包它更像一个编排流程背后要调用一大堆外部工具。我列一下核心依赖你心里先有个数GeneMark-ET / GeneMark-ES基因预测核心程序BRAKER2用它做初始训练和预测AUGUSTUS另一个核心预测器最后生成注释模型BAMTOOLS处理RNA-seq比对后的BAM文件SAMTOOLS同样是处理比对的必备工具InterProScan可选功能注释用BRAKER2本身不强制Python 2.7或3.x取决于版本、Perl模块、gcc编译环境这里有个特别容易踩的坑——GeneMark的许可证问题。GeneMark-ES/ET是商用软件但官方提供了免费许可非营利学术机构可以申请个人使用但需要把申请信息一般是邮箱和机构发过去收到key文件才能跑。很多第一次装的人不知道这回事装完BRAKER2兴冲冲跑起来结果GeneMark那一步直接报license错误。2.2 先装Miniconda比Anaconda更轻更省事如果你是从零开始配环境我的建议很直接先装Miniconda不要图省事装Anaconda。Anaconda自带几百个包绝大部分你用不上还容易和系统已有的Python环境互相干架。Miniconda只有conda本体和Python要什么自己装什么清爽得多。下载安装很简单去清华镜像站拉到对应Linux版本的安装脚本wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh安装过程中一路按回车最后一步问你是否初始化conda选yes。装完后重新登录终端conda就生效了。注意如果服务器是内网机器没法直接上外网下载你就得在能联网的机器上下好安装包再传上去。另外国内的机器建议把conda源换成清华源或中科大源不然默认的官方源慢得让人抓狂。配置清华源的方法很简单conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge conda config --set show_channel_urls yes2.3 用conda创建独立环境避免污染base环境这个是我第二次安装时学到的教训。第一次我图省事直接conda install -c bioconda braker2装到了base环境里结果系统自带的python、perl和conda的互相干扰后来排查了一天才搞清楚。正确做法是给BRAKER2单独开一个环境conda create -n braker2 -c bioconda -c conda-forge braker2这样BRAKER2及其依赖全部装进braker2这个名字的环境里和base环境完全隔离以后出问题直接把环境删了重来都行不影响其他工具。用的时候先激活环境conda activate braker2需要说明的是conda的虚拟环境不是虚拟机它本质上是管理PATH环境变量和软链接。激活braker2环境后终端里能调用的命令就是这个环境里的那套不会再碰base环境的工具。这也是为什么conda能在生物信息学领域这么流行——不同工具的依赖版本经常冲突隔离是最好的出路。3. 正式安装我建议的两种方式与详细步骤3.1 方式一conda一行命令安装推荐省时省力先把conda源切到bioconda和conda-forge然后执行conda create -n braker2 -c conda-forge -c bioconda braker22.1.6如果你想装最新版把等号后面的版本号去掉就行conda create -n braker2 -c conda-forge -c bioconda braker2为什么建议版本号写死因为BRAKER2几个版本的依赖差异比较大2.1.5、2.1.6、2.1.7之间AUGUSTUS的调用方式没有本质变化但GeneMark的处理逻辑有细微差别你照着某个教程操作时版本不一致会出现奇怪的报错。锁死版本至少你搜到的报错信息和你是同一时代的。等等这里还要注意一个事。conda自动安装的BRAKER2不一定自带GeneMark的key因为GeneMark的许可证归属问题bioconda不能随便分发商业软件的key文件。所以装完后你还需要单独去GeneMark官网申请免费使用许可。具体步骤如下打开GeneMark官网找到GeneMark-ES/ET/EP的下载页面填申请表一般需要你提供姓名、邮箱、单位、用途选非商业/学术提交后邮箱会收到一个下载链接和许可证key文件后缀是.key把key文件放到BRAKER2能找到的位置key文件放哪里不同安装方式路径不一样。conda装的话先看看GeneMark装在哪which gmes_petap.pl通常路径是/path/to/bioconda/envs/braker2/bin/下面的某个目录把key文件复制到GeneMark的安装根目录一般和gmes_petap.pl同级或者它的上级目录或者按官方文档设置环境变量GeneMark_home。3.2 方式二源码安装适合需要修改源码或conda装不上的情况有些朋友可能遇到conda源不通、或者想改BRAKER2内部逻辑的情况那就得走源码安装。这个过程会稍微折腾一点我拆成几步讲清楚。先装依赖用conda把AUGUSTUS、GeneMark-ET等装好conda create -n braker2 python3.7 conda activate braker2 conda install -c bioconda augustus3.3.3 conda install -c bioconda samtools bamtools然后从GitHub拉BRAKER2的源码git clone https://github.com/Gaius-Augustus/BRAKER.git cd BRAKER注意老版本源码编译前需要把/scripts目录里的所有.pl文件都加上执行权限并手动安装perl依赖模块chmod x scripts/*.pl cpan install Hash::Merge Logger::Simple Parallel::ForkManager YAML::Tiny这几个perl模块是BRAKER2能跑起来的关键缺一个它就会在中途以各种奇怪的姿势报错。第一次装我没装Logger::Simple结果脚本一运行就提示找不到模块我还以为是软件包本身的问题。装完后把BRAKER2的路径加进环境变量echo export PATH$PATH:/path/to/BRAKER/scripts ~/.bashrc source ~/.bashrc源码安装虽然步骤多但好处是你对整套流程的掌控感很强以后BRAKER2某个版本更新了你只需要git pull拉一下最新代码重新配一下perl模块就行不用重新走一遍conda的依赖解决。3.3 两种方式怎么选这么说吧如果你只是正常跑注释流程直接conda安装是最省心的依赖关系conda全帮你管好了出了问题社区里也容易搜到答案。如果你有二次开发需求或者你所在的集群管理员不允许装conda环境源码安装虽然繁琐但它不依赖conda的自带Python环境更适合在生产集群上长期维护。从时间成本来讲conda安装大约15分钟能搞定源码安装快的话半小时慢的话光perl模块就可以折腾一小时。但对于一个你可能会用两年三年的工具这半小时的投资是值得的——你会更清楚它内部怎么组织的排查问题时思路更清晰。4. 安装后的配置、测试与首次运行4.1 校验核心组件是否齐活装完别急着跑数据先手工验证几个关键命令能不能正常调用which braker.pl which augustus which gmes_petap.pl which samtools which bamtools如果哪个命令提示not found就去检查对应软件装没装好。特别是gmes_petap.pl它是GeneMark的入口脚本BRAKER2内部靠它调用GeneMark-ET。很多时候conda会把GeneMark装进独立的子目录但没把它的bin目录加进PATH这时你就得手动找到它并export PATH。另外AUGUSTUS还需要配置物种文件路径。BRAKER2会在运行时用AUGUSTUS训练新的物种参数所以它需要知道AUGUSTUS的config目录在哪。设置方式export AUGUSTUS_CONFIG_PATH/path/to/augustus/config如果你是通过conda安装的AUGUSTUS路径一般是$CONDA_PREFIX/config。这一步不设后面跑测试数据时通常会报错说找不到物种配置文件。4.2 跑通自带的测试数据BRAKER2官方源码里带了测试数据在/examples目录下。如果你用conda安装可以先用conda环境里自带的数据也可以直接从GitHub拉测试数据git clone https://github.com/Gaius-Augustus/BRAKER.git cd BRAKER/examples官方测试数据包含一个小型基因组文件和对应的RNA-seq比对文件足够验证安装是否成功。运行命令参考官方文档braker.pl --genomegenome.fa --bamRNAseq.bam --softmasking --cores8这里对参数做个说明--genome输入基因组序列文件FASTA格式--bamRNA-seq reads比对到基因组后得到的BAM文件--softmasking把重复序列区域用软屏蔽的方式标注BRAKER2预测基因时会优先在有信号的地方找--cores并行线程数按你的服务器CPU核数来定跑通之后会生成braker.gff3文件这就是最终的基因结构注释结果。你可以用less打开看看内容里面每一行是一个外显子/CDS/基因的坐标和属性信息。注意如果你没有RNA-seq数据只想用蛋白同源证据做预测可以用--prot_seqproteins.fa参数指定蛋白序列文件BRAKER2会以GeneMark-ESProtein模式运行。不过这种模式对物种亲缘关系要求较高异种远缘蛋白可能引入噪声一定要选好参考蛋白库。4.3 常见报错GeneMark许可证错误及排查跑测试数据时最常遇到的就是GeneMark报许可证问题报错内容一般长这样Error: GeneMark-ES/ET license not found. Please register at http://exon.gatech.edu/GeneMark/license_download.cgi这时候你要确认两件事第一key文件有没有下载并放到正确位置。GeneMark的key文件一般是gm_key_64.gz或者一个.key文件需要解压后放到GeneMark的家目录。对conda安装来说这个目录通常是$CONDA_PREFIX/share/gm_es/之类的路径。第二环境变量GeneMark_home有没有配置。BRAKER2找GeneMark时会先看这个环境变量再找默认路径。手动设置一下能解决很多路径识别问题export GeneMark_home/path/to/gm_es然后重新跑测试。如果还有问题检查key文件权限确保当前用户可读chmod 644 /path/to/gm_es/gm_key_644.4 首次运行时的资源评估与策略BRAKER2对计算资源的消耗属于中等偏高。一个小基因组50Mb测试数据用8个核半小时内能跑完。真核生物基因组动辄几百Mb甚至上Gb内存占用会明显上升建议内存至少16G起步越多越好。我实测过一个大麦基因组约4.8Gb重复序列很多用BRAKER2跑一次32核、128G内存的服务器跑了大概14小时。中间AUGUSTUS训练阶段特别吃CPUGeneMark阶段则主要吃内存和磁盘IO。如果你的服务器内存不够可以在命令里加--max_gap1000之类的参数降低内存开销或者把重复区域先屏蔽掉再做预测。磁盘空间也要考虑。BRAKER2运行过程中会产生大量中间文件包括序列切分、BAM索引、临时目录等一系列输出。一个小基因组测试数据可能消耗5~10G空间大基因组跑到一半磁盘满了的情况我见过不止一次。建议运行的目录预留至少输入数据5~10倍的空间。5. 常见问题排查与避坑经验5.1 版本冲突问题今天你conda update了吗生物信息学圈的版本冲突有多离谱装过的人都知道。BRAKER2依赖AUGUSTUS、GeneMark、bamtools等一堆软件而AUGUSTUS又依赖一堆Perl模块和第三方库。如果你不是用独立环境而是直接在base环境里操作某次conda update --all可能就把AUGUSTUS从3.3.3升到3.4.0然后BRAKER2突然就跑不了了。解决办法老生常谈但真管用所有工具用独立conda环境环境名带上版本号比如braker2_v2.1.6、augustus_v3.3.3出问题时你能定位到具体是哪次改动引起的。另外如果某个环境你能跑通就千万别乱动它别手痒去update这是我在生产服务器上踩出来的血泪教训。5.2 内存不足与线程控制的实战经验BRAKER2的默认行为是在每个阶段尽可能使用你给它的核数但GeneMark和AUGUSTUS阶段对内存的需求差异很大。如果你在跑的过程中发现killed字样大概率是内存不够被操作系统kill掉了。这种时候可以这样处理降低--cores参数从8降到4减少并行进程占用的总内存给--max_intron和--min_gene设置一个合理值让BRAKER2不必处理超长内含子减少内存消耗如果服务器内存确实不够先跑一遍masking再去注释把基因组里的重复序列区域去掉输入数据变小内存占用自然下降5.3 输入数据格式常见的坑BRAKER2对FASTA格式要求比较严格序列头不能有空格和特殊字符。很多从NCBI下载的基因组序列头长这样chr1 Homo sapiens chromosome 1这种头BRAKER2基本会报错或者解析错。最安全的做法是清洗一下IDsed s/ .*// genome.fa genome.clean.faBAM文件也要求是排序并建立索引的。如果你的BAM文件比较杂乱建议先拿samtools处理一遍samtools sort - 8 input.bam -o sorted.bam samtools index sorted.bam然后用sorted.bam作为BRAKER2的输入能省去很多莫名的报错。5.4 查询日志定位问题你的第一现场BRAKER2运行日志非常详细主日志文件叫braker.log跑崩了先看这个文件尾部几百行大多数情况下错误原因已经写明白了。还有一个目录/tmp/braker-*或者运行目录下的.tmp文件夹记录了子步骤的脚本和输出定位深层问题时要进去翻。很多新手一报错就跑去问人其实日志已经把答案写得很清楚了。养成先看日志、再搜索报错关键词、最后提问的习惯你会在独立解决问题的过程中成长更快。5.5 常见问题速查表问题现象可能原因解决方案braker.pl: command not found未激活conda环境或PATH未配置conda activate braker2或添加scripts目录到PATHGeneMark license not found未申请key或key路径错误申请免费许可设置GeneMark_home环境变量AUGUSTUS config path错误AUGUSTUS_CONFIG_PATH未设置export AUGUSTUS_CONFIG_PATH$CONDA_PREFIX/configPerl模块找不到缺少Hash::Merge等模块用cpan安装缺失模块运行中途killed内存不足降核数、清理输入、增加swap或内存BAM文件解析失败BAM未排序或未建索引samtools sortindex处理后再用FASTA头含空格序列ID不规范用sed等工具清洗序列头预测结果基因过少过滤参数太严格检查--min_gene等参数设置6. 关于BRAKER2后续使用的一点体会装好BRAKER2只是第一步真正重要的还是怎么用好注释结果。装了几次软件之后我最大的感受是安装这件事本身往往花不了太多时间真正耗时的是理解这些软件之间的逻辑关系以及学会怎么从报错日志里快速定位问题。BRAKER2是一个典型的组装线式工具它把GeneMark和AUGUSTUS串起来每一步都有独立的输入输出。理解了这条流水线的运行方式以后遇到任何报错都不慌——你很清楚它在哪个环节出了问题就知道去哪里翻日志、查参数。我最后一次成功安装并跑通测试数据时特意把每一步记录下来写成笔记包括conda环境名、依赖版本号、key文件路径、测试数据的运行命令。这样过三个月再来跑新物种直接翻笔记就能复现不用再去翻官方文档重新拼一遍命令。建议大家也养成这个习惯每个生物信息学项目至少要有环境说明和复现步骤不然半年后你自己都记不清当初是怎么搞定的。如果你装的过程遇到问题欢迎在评论区把报错信息发出来我可以帮你一起看看是哪一步出了问题。