macでインフォマティクス

macでインフォマティクス

NGS関連のインフォマティクス情報についてまとめています。

String graphとde Bruin graphを使ったアセンブルを行う StriDe

 De Brujinのgraphを使うde novo assemblyの手法は、OLCのgraphを使った手法が苦手とするエラーが多い領域のアセンブルに強く、大量のリードの処理効率も優れている。しかしながら、リードをk-merサイズに分解するため、k-mer以上の繰り返し配列がある領域のアセンブルを行うことはできない。一方OLCはリード全長が使えるため、繰り返し配列のアセンブルではDe BrujinのgraphよりOLCのgraphの方が有利となる。それでもSPAdesなどがN50などでOLCの手法より高いパフォーマンスを示すことが多いのは、ペアリードの情報を使ったpaired de Brujin graphを使うことで、k-merサイズ以上の繰り返し配列のアセンブルも行うためである(ラフに言えばペアードエンドの長さのロングリード情報を使っている)。

 

 STriDeはこのOLCに似たStringのgraphとDe Brujinのgraphのメリットを合わせることで、エラーに強く、繰り返し配列のアセンブルにも高いパフォーマンスを示す方法論。バクテリアゲノムのアセンブルコンペティション(GAGE-B)のデータセットを使ったツール間のパフォーマンス比較では、 12のゲノムの大半でStriDeがSPAdesやほかのツールを上回るN50を出している(ただしk-merのサイズは31と短い)。StriDeはFM-indexを使うことでメモリ管理にも優れ、GAGE-Bのデータでは2GBのメモリしか使わなかったとされる。計算時間も短い部類である。

 

 

 

インストール

cent OSに導入した。

本体 Github

 

git clone https://github.com/ythuang0522/StriDe.git
cd StriDe/
./autogen.sh
./configure
make
cd StriDe/
./stride #動作確認

> ./stride

$ ./stride

Program: StriDe

Version: 0.0.1

Contact: Yao-Ting Huang [ythuang@cs.ccu.edu.tw]

Usage: stride <command> [options]

 

All-in-one Commands:

      all   Perform error correction, long-read generation, overlap computation, and assembly in one run

 

Step-by-step Commands:

      preprocess  filter and quality-trim reads

      index       build FM-index for a set of reads

      correct     correct sequencing errors in reads 

      fmwalk      merge paired reads into long reads via FM-index walk

      filter      remove redundant reads from a data set

      overlap     compute overlaps between reads

      assemble    generate contigs from an assembly graph

 

Other Commands:

      merge merge multiple BWT/FM-index files into a single index

 

パスの通ったディレクトリに移動させる。  

 

段階別に進めるコマンドと、通しで行うallコマンドがある。

Step-by-stepのコマンド

  preprocess  filter and quality-trim reads
  index       build FM-index for a set of reads
  correct     correct sequencing errors in reads 
  fmwalk      merge paired reads into long reads via FM-index walk
  filter      remove redundant reads from a data set
  overlap     compute overlaps between reads
  assemble    generate contigs from an assembly graph

フローは上から下の順番になっており、エラー補正してからアセンブルが実行される。 

 allのヘルプ

$ stride all -h

all: invalid option -- 'h'

all: missing arguments

 

Usage: StriDe all [OPTION] ... READFILE (format controlled by -p) ...

Perform error correction, long-read generation, overlap, and assembly in one command.

 

Mandatory arguments:

      -r, --read-length=LEN            median read length (if there are multiple libraries, set to the max read length)

      -i, --insert-size=LEN            median insert size (if there are multiple libraries, set to the max insert size)

 

Optional arguments:

      -t, --thread=N                   number of threads (default: 16)

      -p, --pe-mode=INT                1 - paired reads are separated with the first read in READS1 and the second

                                           read in READS2 of the same library (default) 

                                       2 - paired reads are interleaved within a single file of the same library.

      -k, --kmer-size=N                length of kmer (default: 31)

      -c, --kmer-threshold=N           kmer frequency cutoff (default: 3)

      -m, --min-overlap=LEN            minimum reliable overlap length (default: read length * 0.8)

      --help                           display this help and exit

 

ラン

ペアードエンドのfastqのアセンブル

stride all pair1.fastq pair2.fastq -r 300 -i 600 -t 22
  • -t number of threads (default: 16)
  • -k length of kmer (default: 31)
  • -r median read length (if there are multiple libraries, set to the max read length)
  • -i median insert size (if there are multiple libraries, set to the max insert size)

phaseごとにcontigが出力される。

$ seqkit stats *contigs.fa

file               format  type  num_seqs    sum_len  min_len   avg_len  max_len

phase1-contigs.fa  FASTA   DNA        859  4,166,566      253   4,850.5  213,625

phase2-contigs.fa  FASTA   DNA        458  4,037,285      283     8,815  387,148

phase3-contigs.fa  FASTA   DNA         93  3,900,512      300    41,941  387,148

phase4-contigs.fa  FASTA   DNA         75  3,892,572      303    51,901  387,148

StriDe-contigs.fa  FASTA   DNA         73  3,892,600      303  53,323.3  387,148

 

 

 

複数のライブラリを指定することも可能です。Githubで確認してください。

https://github.com/ythuang0522/StriDe

 

 

 

引用

Integration of string and de Bruijn graphs for genome assembly.

Huang YT, Liao CF.

Bioinformatics. 2016 May 1;32(9):1301-7. doi: 10.1093/bioinformatics/btw011. Epub 2016 Jan 10.

 

ppt

http://bioinfo.ut.ee/web/wp-content/uploads/2011/05/Integration-of-string-and-de-Burijn-graphs-for-genome-assembly.pdf