共计 3064 个字符,预计需要花费 8 分钟才能阅读完成。
(全文约 1520 字)
【举荐】用 Smudgeplot 评估物种倍性后,用组合 jellyfish+GenomeScope1.0 做二倍体物种的基因组考察,用组合 KMC+GenomeScope2.0 做多倍体物种的基因组考察。
1. k-mer 进行基因组考察的软件
k-mer 进行基因组考察分为 k-mer 频数统计 和基因组特色评估 两步。
- jellyfish 能够实现第一步 k -mer 频数统计。
- jellyfish 的后果 sample.histo 能够用在 GenomeScope 上,实现第二步基因组特色评估。
2. jellyfish 简介
jellyfish 是 Center for Bioinformatics and Computational Biology 在 2011 年研发的一款对 DNA 的 k -mers 计数的软件,用 Hash 表贮存数据,能多线程运行。
3. jellyfish 装置
- conda 装置
conda install -c bioconda jellyfish
#装置的是 v2.2.10- github 装置
- 在 github:jellyfish 上通过源码装置。
4. jellyfish 运行
个别先用 jellyfish count
进行 k -mer 计数,而后用 jellyfish histo
对后果进行统计,取得 k -mer 的频数散布直方表 sample.histo。
4.1. count —— k-mer 计数
- 命令
jellyfish count -m 17 -s 10G -t 12 -C -o sample.jf <(zcat sample_1.fq.gz) <(zcat sample_2.fq.gz)
- 参数
-
sample_1.clean.fq sample_2.clean.fq
应用的 PE reads,不反对压缩格局 *.fq.gz 输出文件,如果不解压缩,也能够用
<(zcat sample_1.fq.gz) <(zcat sample_2.fq.gz)
代替sample_1.fq sample_2.fq
; 或者应用这种模式zcat *fq.gz | jellyfish count /dev/fd/0
,其中/dev/fd/0
是过程输出标记,代表管道前后果传递。 -
-m 17
k-mer 长度设置为 17bp。如果基因组大小为 G(单位是 bp),k-mer 长度举荐设置成 log(200*G)/log(4)。500Mbp 的基因组对应约为 17,1Gbp 的 19,10Gbp 的 21。
-
-s 1000M
存储用的 hash 表大小为 1000M,这个参数辨认单位 M(Mbp)和 G(Gbp)。若该值不够大,则会生成多个 hash 文件,以数字辨别文件名。最好设置的值大于总的独特的(distinct)k-mer 数,这样生成的文件只有一个。如果基因组大小为 G,每个 reads 有一个谬误,总共有 n 条 reads,则该值能够设置为[(G + n)/0.8]。
-
-t 12
线程 12
-
-C
对 DNA 正负链都进行统计,示意思考 DNA 正义与反义链,遇到反义 kmer 时,计入正义 kmer 频数中。如果是双端测序 reads,须要这个参数。
-
-o sample.jf
后果文件名为 sample.jf,会生成 k -mer 计数文件 sample.jf,是 hash 的二进制文件。
-
c 7
k-mer 的计数后果所占的最大比特数,默认反对的最大数字是 2^7=128。该值最大,耗费内存越大。
-
-out-counter-len=4
输入的二进制 hash 文件中的计数后果所占的字节数,一个字节是 8 比特,则默认反对的最大数字是 2^32=4.3G。
- 不举荐用 -Q,会将低质量的碱基替换成 N。
-
-L
不输入低于此值的 k -mer
-
-U
不输入高于此值的 k -mer
- 输入
-
sample.jf
hash 格局贮存的 k -mer 频数文件
4.2. histo —— 统计 k -mer 频率
- 命令
jellyfish histo -t 12 sample.jf > sample.histo
统计 k -mer 计数 (sample.jf) 失去 k -mer 频数散布直方表(sample.histo)。
- 参数
-
-t 12
线程 12。
-
-l 1
x 的最小值,默认是 1。后果会将小于此值的所有的 k -mer 的数目作为 (x‐1) 的值总结到一行。
-
-h 10000
x 的最大值,默认是 10000。后果会将大于此值的所有的 k -mer 的数目作为 (x+1) 的值总结到一行。
-
-i 1
x 轴取值距离,每隔该数值取值,默认为 1。
- 后果
- k-mer 频数散布直方表 (sample.histo) 蕴含空格分隔的两列数据。
- 第一列代表 k 值呈现的次数 x(x=1,2,3…),第二列是呈现了 x 次的 kmer 的品种的数量 y。
- sample.histo 的两列即是 kmer 散布频率直方图的 x 和 y 轴的值。
4.3. merge 合并【按需抉择】
如果 jellyfish count 模块输入后果的二进制 hash 文件有多个,须要将多个 hash 文件合并,合并到 merge.jf。
jellyfish merge sample_hash1.jf sample_hash2.jf sample_hash3.jf -o merge.jf
4.4. stats 统计【可选】
jellyfish stats sample.jf -o counts_stats.txt
能够用 stats 模块来统计出 k -mer 总数(Total),特异的 k -mer 数目(Distinct),只呈现过一次的 k -mer 数量(Unique),频数最高的 k -mer 数量(Max_count)等信息。
5. 基因组特色评估
取得 k -mer 频数散布表 sample.histo 后,举荐用 GenomeScope1.0 或者 GenomeScope2.0 或者 GenomeScope 的 R 脚本来做基因组特色评估和画图。也可间接用 R 绘制 sample.histo 的频率散布直方图 / 频率散布曲线。
5.1. GenomeScope 网页版
5.1.1. GenomeScope1.0 网页版 —— 实用于二倍体物种
- 在 GenomeScope1.0 网页版上传前一步取得的 k -mer 频数散布表 sample.histo 文件。
- 设置参数 k -mer length 为第一步抉择的 k -mer 长度值,这里是 17;参数 Read length 为序列读长,个别为 150;最初一个参数 Max kmer coverage 倡议批改成更大的 10000,以统计更多的 k -mers。
- 结果显示预估的基因组大小,杂合度,反复率等信息。
5.1.2. GenomeScope2.0 网页版 —— 实用于多倍体物种
GenomeScope2.0 网页版也是相似的步骤。
5.2. R 绘制
R 绘制 k -mer 频数散布曲线初步查看基因组特色。
取得 kmer_plot.png 为频数散布曲线,可依据曲线峰值对基因组大小进行计算和预估。
#R 脚本示例
kmer <- read.table('sample.histo')
kmer <- subset(kmer, V1 >=5 & V1 <=500) #对频数范畴 5 -500 的数据进行绘制
Frequency <- kmer$V1
Number <- kmer$V2
png('kmer_plot.png')
plot(Frequency, Number, type = 'l', col = 'blue')
dev.off()
6. references
- jellyfish paper:https://academic.oup.com/bioi…
- jellyfish github:https://github.com/gmarcais/J…
- jellyfish 参数举荐:https://www.bilibili.com/read…
- chenlianfu blog: jellyfish 参数举荐:http://www.chenlianfu.com/?p=806