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。

ロングリードやcontig情報を使いスキャッホールドのギャップを埋める GMcloser

 

NGSのリードやアセンブルしたコンティグを使い、スキャッホールドのギャップを埋めるツールがいくつか発表されているが、オーサーらは、これらのツールに起因するアセンブリのエラー率が、デノボアセンブルで起こるエラー率よりも20〜500倍高いことを指摘している。それをmotive forceとして、オーサーらは、アセンブルしたコンティグxまたはエラー修正されたPacBioのロングリードでこれらのギャップを正確に閉じるGMcloserを開発した。GMcloserはスキャッホールド、コンティグ、ペアエンドリードのアライメント統計から計算した尤度ベースの分類子を使用して、ギャップにコンティグやロングリードを正しく割り当て、正確かつ効率的なギャップクローズを行う。比較実験の結果から、GMcloserは他の利用可能なツールと同様の効率かつ3〜100倍精度が高いと主張されている。

 

 

テストデータ

https://sourceforge.net/projects/gmcloser/files/?source=navbar

 

インストール

依存

  • Perl 5.6 or later
  • MUMmer 3.23(MUMmer 3.22 is not allowed)
  • blast+ 2.2.18 or later
  • Bowtie 2 (tested on ver. 2.1.0)
  • YASS (yass) (tested on ver. 1.14)

YASSは下記リンクからバイナリをダウンロードできる。

YASS : genomic similarity search tool

名前はyassに修正して、パスの通ったディレクトリに移動しておく。他のツールも、bowtie2nucmerblastn、で$PATHに定義されている必要がある。

 

本体とマニュアルが配布されている。

SourceForge

  

https://sourceforge.net/projects/gmcloser/?source=typ_redirect

解凍して、パスを通す。

> gmcloser -h

$ gmcloser -h

Usage:

      GMcloser ver. 1.5

  

      Options:

       --target_scaf or -t <STR>       input target scaffold fasta file (e.g., scaf.fa) [mandatory]

       --query_seq or -q <STR>         input query contig (or long-read) fasta file (e.g., contig.fa) (if long reads are used, -lr option must be specified) [mandatory]

       --prefix_out or -p <STR>        prefix name of output files [mandatory]

   

       --read_file or -r <STR>         space-separated list of fastq or fasta files (or gzip compressed files) of paired-end reads (e.g., -r read_pe1.fq read_pe2.fq)

       --read_len or -l <INT>          read length of paired-end reads specified with the -r, -st, -sq, or -sd option (mean read length if read lengths are variable) [mandatory]

       --insert or -i <INT>            average insert size of paired-end reads [>read_len <20001, default: 400]

       --sd_insert or -d <INT>         standard deviation of insert size of paired-end reads [default: 40]

       --read_format or -f <STR>       fastq or fasta [default: fastq]

       --sam_talign or -st <STR>       space-separated list of sam alignment file(s) for target scaffolds, created in a single-end read alignment mode for paired-end reads (e.g., -sa tPE1.sam tPE2.sam, for paired-end read files PE1.fq and PE2.fq)

       --sam_qalign or -sq <STR>       space-separated list of sam alignment file(s) for query contigs, created in a single-end read alignment mode for paired-end reads (e.g., -sa qPE1.sam qPE2.sam, for paired-end read files PE1.fq and PE2.fq)

       --sam_dir or -sd <STR>          path of directory (i.e., bowtie_align) containing sam alignment files generated from a previous job with GMcloser (this can be used in place of -st and -sq option)

       --align_file or -a <STR>        Nucmer alignment file for query against target [optional]

 

       --connect_subcon or -c          connect between gap-encompassing subcontig pairs with their original (not merged with query contigs) termini [default: false]

       --extend or -et                 extend scaffold temini with aligned query sequences [default: false] (When using long read query, this option is disabled in the current version)

       --blast or -b                   conduct alignment between target and query contigs with BLASTn [default: false] (Nucmer alignment by default)

   

       --min_match_len or -mm <INT>    minimum overlap length to be filtered for Nucmer alignments.

                                       Contig-alignments that satisfy both the values specified with -mm and -mi are selected, irrespective of any mapping rates of PE-reads. [>49, default: 300]

       --min_identity or -mi <INT>     minimum overlap identity (%) to be filtered for Nucmer alignments. Alignments are selected by combination with -mm option. [95~100, default: 99]

       --min_len_local or -ml <INT>    minimum overlap length for merging between neighbor subcontigs with YASS aligner [>14, default: 20]

       --min_subcon or -ms <INT>       minimum length of subcontigs, to be used for gapclosing [default: 100]

       --min_gap_size or -g <INT>      minimum length of gap, when spliting the target scaffold sequences into subcontigs  [>0, default: 1]

       --max_indel or -is <INT>        maximum length of indel, observed in alignments between target subcontigs and query contigs. The alignments separated by the indel will be merged. [default: 70]

       --max_qsc or -qsc <INT>         maximum alignment coverage (%) of query singletones for target subcontigs (query with >= INT is excluded from query singletone output) [default: 60]

       --base_qual or -bq <STR>        base call quality format of fastq read file; illumina (phred64) or sanger (phred33) [default: auto]

       --nuc_len or -nl <INT>          nucmer exact match length, a value specified with '-l' option of the Nucmer aligner [default: auto, increased from 30 to 50 depending on the total contig length]

       --ad_score or -as <FLOAT>       score to add to (subtract from) the standard threshold score for selection of correct contig-subcontig alignments (e.g., 1 or -1) [default: 0]

       --hetero or -ht                 heterozygosity factor (specify this if your sequenced genome is heterozygous (>0.2% difference of the haploid size)) [default: false]

       --thread or -n <INT>            number of threads (for machines with multiple processors), enabling all the alignment processes in parallel [default: 5]

       --thread_connect or -nc <INT>   number of threads (for machines with multiple processors), enabling the subcontig-connection process in parallel [default: number specified with --thread]

       --help or -h                    output help message

   

       [Options for long read query]

       --long_read or -LR              query sequence file is a fasta file of long reads (PacBio reads must be error-corrected) [default: false] (alignment is peformed with blast)

       --lr_cov or -lc <INT>           fold coverage of long reads for target scaffolds [default: auto ; automatically calculated by dividing a total length of query by a total length of target]

       --min_qalign or -mq <INT>       minimum number of queries that are aligned to either 5'- or 3'-terminus of a target subcontig [default: 1]

       --iterate or -it <INT>          number of iteration [default: 3]

       --alignq or -aq <STR>           BLASTn alignment file for query against query [optional]

 

> gmvalue -h

$ gmvalue -h

Usage:

      GMvalue ver. 1.3

  

      Usage: gmvalue [contig|subcon|scaf] [options]

      (see the details of options for each command by e.g., gmval contig -h)

       contig     find misassemblies in contigs and/or output an error-free contig set where misassembled contigs are corrected

       subcon     find misassemblies in (sub)contigs that were split at gaps in scaffolds and/or output an error-free subcontig set

       scaf       find misassemblies (mislinks between contigs and misassemblies within contigs) in scaffilds and/or output an error-free scaffold set

 

 

ラン

上記リンクからテストデータをダウンロードし、テストランを行う。Rhodobacter sphaeroidesのデータとなる。NGSのリード、NNNありのscaffolds、アセンブルしたコンティグ、エラー補正したロングリードが収納されている。

gmcloser -t Sample_data/scaffolds.fasta -q Sample_data/contigs.fasta -r Sample_data/pe300-40x_1.fastq Sample_data/pe300-40x_2.fastq -l 100 -i 300 -d 40 -c -n 4 -p sample

scaffoldsやcontigについては、PDFマニュアルの22ページに記載されている。ランが終わると、ギャップがクローズされたスキャッホールドが出力される。

 

リファレンスゲノムと比較して、結果を評価する。

gmvalue subcon -r Sample_data/Rhodobacter.genome.fasta -q sample.gapclosed.fa 

終わるとout.misassemble.list.txtとout.stat.txtが出力される。

 

> cat out.stat.txt 

Number of contigs: 1545

Total number of misassembled contigs = 1 (0%)

Total number of truely assembled contigs = 1544 (99.9%)

Total number of misassembled events = 1

Number of unmapped contigs = 0 (0%)

 

Misassembly events on the same chromosome (break point distance > 100 bp, < 1000 bp): 0

Misassembly events (Relocation) on the same chromosome (break point distance >= 1000 bp): 0

Misassembly events (Translocation): 0

Misassembly events (Inversion): 0

Misassembly events (alignment coverage < 99%): 1

Medium indels (> 5 bp and <= 100 bp): 6

 

Total contig length: 4351438

Contig N50: 5546

Corrected contig N50: 5546

 

Total scaffold length: 4728132

Gap length: 376694 (7.9%)

> cat out.stat.txt 

$ cat /Users/user/Downloads/GMcloser-1.6.1/out.misassemble.list.txt 

scaffold18/20 1 5891 5993 CP000143 local-misassembly

 

ロングリードを使ったやり方はPDFマニュアルで確認してください。

 

引用

GMcloser: closing gaps in assemblies accurately with a likelihood-based selection of contig or long-read alignments.

Kosugi S1, Hirakawa H1, Tabata S1.

Bioinformatics. 2015 Dec 1;31(23):3733-41.