Dfam ha lanzado recientemente un recurso hermano, Dfam_consensus , cuyo objetivo declarado es reemplazar RepBase. Del anuncio:

Dfam_consensus proporciona un marco abierto para que la comunidad almacene tanto las alineaciones de semillas (múltiples alineaciones de instancias para una familia determinada) como el modelo de secuencia de consenso correspondiente.

Tanto RepeatMasker como RepeatModeler se han actualizado para admitir Dfam_consensus.

Aún no lo he probado, pero parece prometedor.

Para las bibliotecas TE fiables preexistentes, es un poco complicado, porque no todo el mundo deposita las bibliotecas TE específicas de la especie en una base de datos como RepBase. Y hasta donde yo sé, DFAM contiene solo recursos humanos, ¿o me equivoco?

En cuanto a la generación de novo de bibliotecas TE específicas para especies (lo que debería hacerse para cualquier especie no está ya presente en, por ejemplo, RepBase): No existe un "estándar de oro" sobre cómo abordar esto mejor. En principio, uno tiene que pensar en dos partes principales: detección de repetición y anotación

Para repetir detección Recomendaría usar una combinación de dos cosas (lo cual es necesario, porque las copias de TE pueden fallar en los ensamblajes ya que las regiones repetitivas tienden a ser difíciles de ensamblar y desechadas en el ensamblaje final).

I) Detección repetida de lecturas sin procesar (como por ejemplo, DNApipeTE o tedna o RepeatExplorer). Para mí, DNAPipeTE funcionó bastante bien, pero todo tiene pros y contras. II) Detección repetida de ensamblajes (como con, por ejemplo, REPET o como se mencionó antes, RepeatModeler)

Luego, la anotación de estas repeticiones también son complicadas, porque la mayoría de los métodos se basan en la homología entre los TE de novo y los TE de algunas especies relacionadas (probablemente lejanamente). Pero algunos programas también tienen en cuenta la estructura (como REPCLASS). REPET puede realizar tanto la detección como la anotación, pero es un fastidio empezar a ejecutar.

Recomendaría usar algunos programas para hacer una detección repetida de novo en su especie de interés tanto en las lecturas sin procesar como en el ensamblaje, agrupando estas bibliotecas juntas (con, por ejemplo, uclust y 95% de identidad) y luego ejecutar una anotación con homología e identificación estructural.

Probablemente los programas no le proporcionarán TE completos y completos, sino secuencias de consenso de varias copias de familias de TE. Si lo desea, puede buscar todas las copias de una familia, extraerlas de los límites contigs plus y alinearlas manualmente y curar los límites manualmente. Luego, extienda los límites si no llega a las regiones circundantes (no alineables) o puntos de referencia de TE como LTR o TIR o algo así. Pero esto lleva mucho tiempo si solo desea comparar la abundancia de TE entre especies, por ejemplo, yo no haría esto y prefiero comparar la abundancia usando cobertura de lectura (como en Bast et al. 2016). Depende de todas las preguntas que quieras hacer.

Puede usar RepeatScout, que ha definido bibliotecas repetidas para un número limitado de especies (incluidos humanos, ratones y ratas). Si su taxón no está representado, también puede hacer predicciones repetidas de novo con RepeatScout para construir su propia biblioteca para alimentar a RepeatMasker. La publicación RepeatScout incluye algunas comparaciones con RepBase. Otra herramienta relacionada es RepeatModeler, que envuelve RepeatScout con RECON y algunos otros programas, y comparte autores con el equipo de RepeatMasker.

En el lado positivo, RepeatScout / RepeatModeler son de código abierto y no utilizan la selección manual, ya que cumplen con sus criterios. En el aspecto negativo, no estoy seguro exactamente de cómo se mantienen RepeatModeler y las herramientas de componentes. Las páginas web y github de RepeatScout no se han actualizado durante varios años, aunque la página de RepeatModeler muestra que su última versión fue en 2017. De todos modos, sé que se ha utilizado alguna combinación de RepeatScout / RepeatModeler para anotar repeticiones de algunos bastante recientes genomas recién secuenciados, p. ej. para cíclidos, celacanto y pinzón de Darwin, por lo que creo que es justo decir que este tipo de enfoque se acepta en el campo, al menos para proyectos de genoma de vertebrados.

AFAIK Dfam y Repbase son actualmente las dos mejores fuentes de (una variedad de) secuencias TE.

En mis anotaciones del genoma he usado RepeatModeler + RepeatMasker y luego usé Repbase + tblastx y Dfam + nhmmer para clasificarlos.

El proceso de clasificación en mi pipeline PhyLTR ( https://github.com/mcsimenc/PhyLTR) se basa en Dfam y Repbase. El proceso que utilicé para la identificación de LTR es

1. ID putativo con LTRHarvest (basado en características de secuencia estructural)
2. Clasificación por homología con Repbase y Dfam
3. Eliminación de elementos sin homología con secuencias en Repbase o Dfam.

Esto da como resultado un conjunto de LTR-R que son de longitud completa y tienen evidencia de que son LTR-R.

+1 por estar en desacuerdo con RepBase.

Utilizo las anotaciones de los GTF de Hammell Lab que publicaron con TEtoolkit. Es similar a lo que describió que está usando, por lo que esta puede ser una respuesta redundante e inútil, pero por la investigación que he hecho, parecen ser completas y bien curadas (para Drosophila, al menos).

Sé que esta pregunta es un poco antigua, pero sigue siendo un problema para muchos investigadores que no pueden acceder a RepBase. Ahora parece que la versión más reciente de RepeatMasker depende de RepBase para la funcionalidad completa si se enmascara algo que no sea humano (actualmente, DFAM solo tiene modelos humanos). Recientemente descubrí un enfoque de repetición de enmascaramiento de novo llamado REpeat Detector (Red). Esta podría ser una solución para algunos que buscan enmascarar repeticiones en un ensamblaje del genoma para anotación. El documento está aquí. Luego también escribí un envoltorio sobre el rojo para que sea un poco más fácil aplicar una máscara suave a un genoma, que puede encontrar aquí.

Una de las limitaciones de Red es que las repeticiones no están clasificadas, por lo que solo se identifican. Tendría que usar algunas de las otras herramientas mencionadas anteriormente para intentar clasificarlas.