转换GenBank文件为tbl格式，为提交注释做准备

• GenBank格式常常出现在细胞器基因组的注释软件的结果中，但上传细胞器注释到公共数据库（eg NCBI）需要tbl格式文件。
• 这篇文章介绍了几种把GenBank格式文件转换成tbl格式的方法。包括在线工具GB2sequin（此工具还包含验证和运行tbl2asn功能，可用于准备上传NCBI的注释文件），以及两个python2写的转换脚本。

1.1. GenBank格式

GenBank是美国国立卫生研究院维护的基因序列数据库，数据库中用gb格式文件（后缀.gb）记录基因注释信息。

GenBank文件格式标准参考：https://www.ncbi.nlm.nih.gov/Sitemap/samplerecord.html

1.2. tbl格式(for Sequin)

用于提交基因注释到GenBank的一种tab分隔的五栏的特征表（feature table）文件格式（后缀.tbl）。

tbl文件格式标准参考：https://www.ncbi.nlm.nih.gov/genbank/feature_table/

2. GB2sequin在线工具【推荐】

2.1. 简介

GB2sequin是用于转换GenBank格式文件为NCBI提交格式Sequin（包括tbl文件和sqn文件）的在线工具，包含验证GenBank注释的功能和运行tbl2asn的功能。

https://chlorobox.mpimp-golm.mpg.de/GenBank2Sequin.html

2.2. 优势

1. 通过网页在线转换，方便快捷。
2. 自动对注释进行验证，并生成错误报告，可根据错误报告修正注释。
3. 支持在输入中加入作者信息的template等文件。
4. 自动运行tbl2asn，生成sqn文件，方便提交tbl文件到NCBI。
5. 自动生成标准的GenBank格式文件，去除冗余。

2.3. 使用步骤

1. 上传GenBank格式文件，要在文件末包含注释的序列，否则运行结果空白。
2. 【可选】上传Author Submission Template，Source Modifier Table，Gene Product Specification Table。
3. 选择分子类别”Molecule Type”，一般默认genomic DNA即可。
4. 选择是否是完整(complete)，环状(circular)的基因。
5. 选择编码方式”Genetic Code”，植物样品选标准Standard。
6. 选择基因位置Location，包括叶绿体chloroplast，线粒体mitochondrion等。
7. 点击Start Conversion，等待几分钟即可得到结果，点击每项结果然后下载（大多是文本文件）。
8. 根据验证结果文件的错误ERROR和警告WARNING逐一修改原始GenBank文件。
9. 再次运行，重复以上操作，直至无错误和警告，即可使用sqn文件上传至NCBI。

验证结果的含义（tbl2asn运行的部分）可以参考之前写的基因组提交的博客：https://yanzhongsino.github.io/2022/03/22/omics_genome.submit/

2.4. 结果

结果文件包括：

1. FASTA：从GenBank提取的fasta文件。
2. Annotation Table：tbl文件。
3. tbl2asn log：tbl2asn运行的log文件。
4. Sequin：sqn文件，用于提交给NCBI。
5. GenBank：标准化的GenBank文件。
6. Validation：验证结果文件，包括细节。
7. Validation Summary：验证结果的概括。

3. genbank2tbl的脚本

• 只要GB2sequin可以用，就强烈推荐GB2sequin，毕竟自带验证功能和自动运行tbl2asn。
• 如果GB2sequin不可用（比如要用的时候服务器宕机了之类的原因，我才不会告诉你我就是这么走运才探索了一下脚本），可用脚本进行GenBank到tbl的格式转换。
• 由于都是陈年老脚本，以下脚本都是用python2写的，并且调用了biopython（提前安装biopython）。

脚本gbf2tbl.pl【NCBI 官方出品】

• 脚本gbf2tbl.pl是NCBI官方提供的perl脚本。
• 我暂时还没用过，先记在这。

1. 下载
   wget ftp://ftp.ncbi.nlm.nih.gov//toolbox/ncbi_tools/converters/scripts/gbf2tbl.pl

3.1. 脚本genbank_to_tbl.py【推荐】

3.1.1. 简介

genbank_to_tbl.py脚本用于转换genbank格式的gene，CDS，exon，intron，tRNA，rRNA，pseudo genes等注释为tbl格式。

3.1.2. 脚本

下载地址：https://gist.github.com/nickloman/2660685

# requires biopython
# run like:
#   genbank_to_tbl.py "my organism name" "my strain ID" "ncbi project id" < my_sequence.gbk
#   writes seq.fsa, seq.tbl as output

import sys
from copy import copy
from Bio import SeqIO

def find_gene_entry(features, locus_tag):
    for f in features:
        if f.type == 'gene':
            if f.qualifiers['locus_tag'][0] == locus_tag:
                return f
    print locus_tag
    raise ValueError

coding = ['CDS', 'tRNA', 'rRNA']

def go():
    seqid = 0
    fasta_fh = open("seq.fsa", "w")
    feature_fh = open("seq.tbl", "w")
    allowed_tags = ['locus_tag', 'gene', 'product', 'pseudo', 'protein_id', 'gene_desc', 'old_locus_tag']
    records = list(SeqIO.parse(sys.stdin, "genbank"))

for rec in records:
        for f in rec.features:
            if f.type in coding and 'gene' in f.qualifiers:
                print f.qualifiers['locus_tag'][0]

f2 = find_gene_entry(rec.features, f.qualifiers['locus_tag'][0])
                f2.qualifiers['gene'] = f.qualifiers['gene']

del f.qualifiers['gene']

for rec in records:
        seqid += 1

if len(rec) <= 200:
            print >>sys.stderr, "skipping small contig %s" % (rec.id,)
            continue

#        rec.id = rec.name = "%s%08d" % (sys.argv[4], seqid,)

circular = rec.annotations.get('molecule', 'linear')
        rec.description = "[organism=%s] [strain=%s] [topology=%s] [molecule=DNA] [tech=wgs] [gcode=11]" % (sys.argv[1], sys.argv[2], circular)
        SeqIO.write([rec], fasta_fh, "fasta")

print >>feature_fh, ">Feature %s" % (rec.name,)
        for f in rec.features:
            if f.strand == 1:
                print >>feature_fh, "%d\t%d\t%s" % (f.location.nofuzzy_start + 1, f.location.nofuzzy_end, f.type)
            else:
                print >>feature_fh, "%d\t%d\t%s" % (f.location.nofuzzy_end, f.location.nofuzzy_start + 1, f.type)

if f.type == 'CDS' and 'product' not in f.qualifiers:
                f.qualifiers['product'] = ['hypothetical protein']

if f.type == 'CDS':
                f.qualifiers['protein_id'] = ["gnl|ProjectID_%s|%s" % (sys.argv[3], f.qualifiers['locus_tag'][0])]

if f.type in coding:
                del f.qualifiers['locus_tag']

for key, vals in f.qualifiers.iteritems():
                my_allowed_tags = copy(allowed_tags)
                if 'pseudo' in f.qualifiers:
                    my_allowed_tags.append('note')

if key not in my_allowed_tags:
                    continue

for v in vals:
                    if len(v) or key == 'pseudo':
                        print >>feature_fh, "\t\t\t%s\t%s" % (key, v)


go()

3.1.3. 使用

1. 命令
   python2 genbank_to_tbl.py sample mc_01 ncbi_id < sample.gb

• sample：样品名称，organism name
• mc_01：品种编号，strain ID
• ncbi_id：NCBI项目ID
• < sample.gb：输入genbank格式文件

四个参数都是必需参数。

• seq.fsa：基因组序列
• seq.tbl：tbl格式文件

1. notes

• seq.tbl结果中包含genbank注释的gene，CDS，exon，intron，tRNA，rRNA，pseudo genes等结果。
• 需要在输入的genbank文件中包含locus_tag的值（可以用基因名称），否则报错。

3.2. Genbank2Sequin.py

3.2.1. 简介

Genbank2Sequin.py脚本用于批量转换genbank格式的gene和CDS注释为tbl格式。

3.2.2. 脚本

下载地址：https://github.com/Van-Doorslaer/Genbank2sequin/blob/master/Genbank2Sequin.py

from Bio import SeqIO
import re, glob, os

for f in glob.glob("*.gb"):
    ID = f.split(".")[0]
    for r in SeqIO.parse(f,"genbank"):
        #print r.features
        with open(ID+'.fsa', 'w') as fasta, open(ID+".tbl", 'w') as table:
            print >> fasta, ">%s [organism=Human papillomavirus %s]\n%s" %(ID, ID, r.seq)
            print >>table, ">Feature "+ID 
            for (index, feature) in enumerate(r.features):
                if feature.type ==  'CDS':
                    m=re.search('\[(\d*)\:(\d*)\]',str(feature.location))
                    if m:
                        #print feature.qualifiers
                        print >>table, "%s\t%s\tgene\n\t\t\tgene\t%s" %(int(m.groups()[0])+1, m.groups()[1],feature.qualifiers['note'][0])
                        print >>table, "%s\t%s\tCDS\n\t\t\tproduct\t%s\n\t\t\tgene\t%s\n\t\t\tcodon_start\t1" %(int(m.groups()[0])+1, m.groups()[1], feature.qualifiers['note'][0], feature.qualifiers['note'][0])

3.2.3. 使用

1. 命令
   python2 Genbank2Sequin.py

• 运行后会自动搜索当前文件夹下的所有.gb后缀文件，然后把gene和CDS的注释转换为.tbl文件。

• *.tbl：tbl格式文件。

1. notes

• *.tbl结果中只包含genbank注释的gene，CDS结果。
• 需要在输入的genbank文件中包含note的值（可以用基因名称），否则报错。
• 可批量操作多个gb文件。

4. reference