Augustus 进行基因注释-准备200个基因以上。还得保证这些基因中要有足够多的外显子，这样子才能训练内含子 b. 这些基因的基因结构一定要足够的准确。不过，也不需要百分百的正确，甚至注释都不需要特别的完整，只要保证起始密码子和终止密码子的准确是准确的即可。 c. 需要保证这些基因没有冗余，也就是说不同序列如果有几乎相同的注释后氨基酸序列，那么仅仅取其中一个（AUGUSTUS教程的建议是：保证任意两个基因在氨基酸水平上低于70%的相似度），这一步既可以避免过度拟合现象，也能用于检验预测的准确性 d. 一条序列允许有多个基因，基因可以在正链也可以在负链，但是这些基因间不能有重叠，每个基因只要其中一个转录本，存放格式是GenBank
最编程
2023-12-31 10:19:36
...
1 ## 100 为测试集的基因数目，其余为训练集 2 randomSplit.pl genes.gb.filter 100
（8）初始化HMM参数设置（在相应～/minicode/config/species/relative name中形成参数,若之前已经存在该物种名字，则需要删除），并进行训练
1 new_species.pl --species=spinach 2 etraining --species=spinach genes.gb.filter.train
（9）用测试数据集检验预测效果，这里可以比较我们训练的结果，和近缘已训练物种的训练效果
1 augustus --species=spinach genes.gb.filter.test | tee firsttest.out 2 augustus --species=arabidopsis genes.gb.filter.test | tee firsttest_ara.out
在 firsttest.out 的尾部可以查看预测结果的统计，首先需要解释几个统计学概念
- TP(True Positive): 预测为真，事实为真
- FP(False Positive): 预测为真，事实为假
- FN(False Negative): 预测为假，事实为真
- TN(True Negative): 预测为假，事实为假
基于上述，引出下面两个概念。"sensitivity"等于TP/(TP+FP)（预测到的百分率）， 是预测为真且实际为真的占你所有认为是真的比例."specificity"等于TN/(TN+FN)（其中正确的百分率）, 是预测为假且实际为假的占你所有认为是假的比例。我们希望在预测中，尽可能地不要发生误判，也就是没有基因的地方不要找出基因，有基因的地方不要漏掉基因。
（10）很有可能的一种情况是，我们第一次的训练结果没有已有训练的效果好，所以我们需要进行循环训练找到最优参数；（运行会非常费时间，而且最终的效果一般只能提高准确度几个百分点，慎重使用）
1 optimize_augustus.pl --species=spinach genes.gb.filter.train
（11）再次进行训练，并检验，进行前后比较
1 etraining --species=spinach genes.gb.filter.train 2 augustus --species=spinach genes.gb.filter.test | tee secondtest.out
- 如果此时你的gene level的sensitivity还是低于20%说明Trainning set不够大，请添加数据；
- 如果你获得了满意的Trainning结果，请开始prediction吧
下面命令可用于从 firsttest.out 中提取氨基酸序列
sed -n '/^#/p' firsttest.out | sed -n '/start/,/\]/p' | sed 's/# start gene />/g;s/protein sequence \= \[//g;s/#//g;s/\]//g;s/^\s//g' >seq.fa
来源：https://www.cnblogs.com/zhanmaomao/p/12359964.html