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。

メタゲノムのリアルタイム分類ツール LiveKraken

 

 ゲノムシーケンシングデータのリアルタイム解析は、シーケンサがまだ稼動している間にデータを分析できるため、過去数年にわたって特に注目を集めている。しかし、Minionシーケンサーをベースにしたライブ解析アプローチの可能性は、これらのデバイススループット・レートとシーケンスクオリティが低いため、依然として限られている。 著者らは、HiLive(Lindner et al 2017)を用いて、イルミナのシーケンサーからのハイスループットシーケンシングデータのリアルタイム解析のための最初の方法を提案し、新しい分野のアプリケーションを可能にした。メタゲノム研究の場合、Kraken(Wood and Salzberg 2014)のような分類ツールも、 time-relevantなアプリケーションで使用されている。しかし、これはウエットおよびドライのラボの逐次的なパラダイムに影響され、実行の全体時間の下限はシーケンシングマシンの実行時間でセットされる。

 これらの制限に取り組むために、著者らはKrakenのコアアルゴリズムに基づくリアルタイムtaxonomy分類ツールであるLiveKrakenを提示する。シーケンサーが終了するずっと前に、確立されたツールの結果と同等の結果が得られ、シーケンシングの実行が終了したら直ちにKrakenの結果と同じ結果が保証されることを示す。 LiveKrakenはHiSeqとMiSeqシステム上でテストされており、Krakenと同じくらい堅牢で使いやすい。アプリケーションフィールドは、サンプル組成の制御、汚染の同定、またはリアルタイムでのアウトブレイクの検出にまで及ぶ可能性がある。

 もともと、Krakenは線形のワークフローを持っている(Wood and Salzberg 2014)。シーケンシングされたリードは、FASTAまたはFASTQファイルから読み取られ、続いて事前計算されたデータベースを用いて分類される。シーケンスリードは互いに独立しているため、並列に処理することができる。各リードで見つかったlowest common ancestor (LCA)分類結果は、Krakenの表形式のレポートファイルに書き込まれる。
 このワークフローを生きた分類学分類に適合させるため、HiLive(Lindner et al、2017)のアプローチと同様に、イルミナのバイナリBCLフォーマットからシーケンシングデータを読み取ることができる新しいシーケンスリーダーモジュールを実装した。 LiveKrakenを使用すると、オリジナルのKrakenと同じデータベース構造を使用して、メタゲノムのサンプル構成を継続的に分析し、改良することができる。
イルミナシーケンサは、すべてのリードをサイクルと呼ばれる並行処理で処理し、サイクルごとにすべてのリードに1ベースを追加する。各サイクルで、Basecall(BCL)ファイルはIlluminaのBaseCallsディレクトリに作成され、FASTAまたはFASTQファイルの代わりにLiveKrakenの入力として宣言される。新しいデータは、サイズ指定kの最初のk-merから始まるj個のシーケンシングサイクルのユーザー指定の間隔でBCLシーケンシングリーダーモジュールによって収集される。収集されたデータは分類器に送られ、分類器は新しいシーケンス情報で記憶された部分分類を精緻化する。Krakenの一時的なデータ構造は、LCAリスト、あいまいなヌクレオチドのリスト、およびデータベース中のk-mer発生の数など、各リードについて保存される。これは、各シーケンスリードについて見出されるLCAの数に比例して、メモリ消費の全体的な増加をもたらす。さらに、繰り返し精緻化のために非常に重要なことは、各リードが分類された位置を保持する変数が格納されることである。各精緻化ステップの後、Krakenと同じ表形式の出力が生成される。これにより、早期分類が可能になると同時に、最後のシーケンシングサイクルからデータを読み取った後の分類出力が、Krakenが生産するものと全く同じであることが保証される(論文 図1a参照)。
LiveKrakenは、付属のスクリプトinstall_kraken.shを使ってKrakenと同様にインストールできる。 Gcc v4.9.2およびv 7.2.0およびブーストv 1.5.8でテストされている。さらに、Condaパッケージが利用可能である(Grüninget al、2017)。 LiveKrakenはKrakenと同じコマンドラインインターフェイスを使用している。

 

インストール

centos6でテストした。

 

本体 GitLab

https://gitlab.com/rki_bioinformatics/LiveKraken

git clone https://gitlab.com/rki_bioinformatics/LiveKraken.git
cd LiveKraken/
./install_kraken.sh $target_directory

混同がないよう、krakenと同じコマンドはlivekrakenという名前にリネームされてビルドされる。

./livekraken -h

$ ./livekraken -h

Usage: livekraken [options] <filename(s)>

 

Options:

  --db NAME               Name for Kraken DB

                          (default: none)

  --threads NUM           Number of threads (default: 1)

  --fasta-input           Input is FASTA format

  --fastq-input           Input is FASTQ format

  --bcl-input             Input is BCL format

  --bcl-length NUM        Number of sequencing cycles

  --bcl-start NUM         First analysis cycle (>31)

  --bcl-spacing NUM       Spacing between classification

  --bcl-lanes NUM NUM ..  The lanes to analyse (e.g. 1 3 4)

                          Default: Analyse all lanes found.

  --bcl-tiles NUM NUM ..  The tiles to analyse (e.g. 1101 2115 2304)

                          Default: 96 tiles (2 sides -> 3 swaths -> 16 tiles).

  --bcl-max-tile NUM      Maximum tile to analyse, in XYZZ tile format.

                          Default: Up to tile 2316 (for 96 tiles.)

                          If this option is used, --bcl-tiles is ignored.

  --gzip-compressed       Input is gzip compressed

  --bzip2-compressed      Input is bzip2 compressed

  --quick                 Quick operation (use first hit or hits)

  --min-hits NUM          In quick op., number of hits req'd for classification

                          NOTE: this is ignored if --quick is not specified

  --unclassified-out FILENAME

                          Print unclassified sequences to filename

  --classified-out FILENAME

                          Print classified sequences to filename

  --output FILENAME       Print output to filename (default: stdout); "-" will

                          suppress normal output

  --only-classified-output

                          Print no Kraken output for unclassified sequences

  --preload               Loads DB into memory before classification

  --paired                The two filenames provided are paired-end reads

  --check-names           Ensure each pair of reads have names that agree

                          with each other; ignored if --paired is not specified

  --help                  Print this message

  --version               Print version information

 

If none of the *-input or *-compressed flags are specified, and the 

file is a regular file, automatic format detection is attempted.

./livekraken-build -h

$ ./livekraken-build -h

Usage: livekraken-build [task option] [options]

 

Task options (exactly one must be selected):

  --download-taxonomy        Download NCBI taxonomic information

  --download-library TYPE    Download partial library

                             (TYPE = one of "bacteria", "plasmids", 

                             "viruses", "human")

  --add-to-library FILE      Add FILE to library

  --build                    Create DB from library

                             (requires taxonomy d/l'ed and at least one file

                             in library)

  --rebuild                  Create DB from library like --build, but remove

                             existing non-library/taxonomy files before build

  --clean                    Remove unneeded files from a built database

  --shrink NEW_CT            Shrink an existing DB to have only NEW_CT k-mers

  --standard                 Download and create default database

  --upgrade                  Upgrade an existing older database to use scrambled

                             minimizer ordering (see README for details)

  --help                     Print this message

  --version                  Print version information

 

Options:

  --db NAME                  Kraken DB/library name (mandatory except for

                             --help/--version)

  --threads #                Number of threads (def: 1)

  --new-db NAME              New Kraken DB name (shrink task only; mandatory

                             for shrink task)

  --kmer-len NUM             K-mer length in bp (build/shrink tasks only;

                             def: 31)

  --minimizer-len NUM        Minimizer length in bp (build/shrink tasks only;

                             def: 15)

  --jellyfish-hash-size STR  Pass a specific hash size argument to jellyfish

                             when building database (build task only)

  --max-db-size SIZE         Shrink the DB before full build, making sure

                             database and index together use <= SIZE gigabytes

                             (build task only)

  --shrink-block-offset NUM  When shrinking, select the k-mer that is NUM

                             positions from the end of a block of k-mers

                             (default: 1)

  --work-on-disk             Perform most operations on disk rather than in

                             RAM (will slow down build in most cases)

>./classify  #ベースコール解析用に追加されたコマンド

$ ./classify 

Missing mandatory option -d

Usage: classify [options] <fasta/fastq file(s)>

 

Options: (*mandatory)

  -a               output at all classification steps

* -d filename      Kraken DB filename

* -i filename      Kraken DB index filename

  -n filename      NCBI Taxonomy nodes file

  -o filename      Output file for Kraken output

  -t #             Number of threads

  -u #             Thread work unit size (in bp)

  -q               Quick operation

  -m #             Minimum hit count (ignored w/o -q)

  -C filename      Print classified sequences

  -U filename      Print unclassified sequences

  -l length        Length of reads (BCL mode)

  -s start         Initial cycle to start classification (>31)

  -k spacing       How many cycles to wait between classification attempts.

  -x tiles         Tiles to analyze (can be passed multiple times). Default: all tiles

  -y lanes         Lanes to analyze (can be passed multiple times). Default: all lanes

  -z max_tile      Maximum tile number to analyse (Default: 2316). Conflicts with -x.

  -f               Input is in FASTQ format

  -b               Input is in BCL format

  -c               Only include classified reads in output

  -M               Preload database files

  -h               Print this message

 

At least one FASTA or FASTQ file or a BaseCalls (BCL) folder must be specified.

Kraken output is to standard output by default.

./visualisation/livekraken_sankey_diagram.py -h

$ ./visualisation/livekraken_sankey_diagram.py -h

usage: livekraken_sankey_diagram.py [-h] -i INFILE [-c] [-s]

                                    [-r {species,genus,family,order}] [-t TOP]

                                    [-o OUTPUT] [-m NAMES] [-n NODES]

 

This tool creates sankey plots from LiveKraken output.

 

optional arguments:

  -h, --help            show this help message and exit

  -i INFILE, --infile INFILE

                        Used to list input files, can be used several times to

                        input an ordered list of files

  -c, --color           Used to switch from red-green to red-blue color scheme

  -s, --compress        Used to "compress" unclassified nodes by only keeping

                        a number of reads corresponding to the sum of flows

                        from/to nodes other than unclassified.

  -r {species,genus,family,order}, --rank {species,genus,family,order}

                        Used to set on which level to bin the classified reads

  -t TOP, --top TOP     Used to determine the top x nodes to display for every

                        cycle (plus one node serving as bin for everyting

                        else)

  -o OUTPUT, --output OUTPUT

                        Used to set the output directory path for the html and

                        json file

  -m NAMES, --names NAMES

                        Used to set the path to the names.dmp for taxonomic

                        resolution

  -n NODES, --nodes NODES

                        Used to set the path to the nodes.dmp for taxonomic

                        resolution

LiveKrakenはcondaでも導入できる(リンク)。mac osxも対応している。

 

 

ラン

--データベースの準備--

すでにkrakenを導入しておりデータベースがあるなら飛ばしてよい。

データベースがない場合、ダウンロードする必要がある。ここではdatabaseというディレクトリ名にダウンロードする。livekraken-buildの34-37行目がkraken-buildになっていたので、実行前にlivekraken-buildに書き換えた。実行する。

livekraken-build --standard --db database --threads 40

database/にRefseqの全データとtaxonomy情報がダウンロードされ、40スレッド使いビルドされる。環境によってはかなりの時間がかかる。

bacteria、viruses、plasmids、humanのいずれかだけデータベースを作るなら、以下のようになる。taxonomyファイルをダウンロードし、それから必要なデータをダウンロード&ビルドする。

#taxonomyデータ
livekraken-build --download-taxonomy --db database

#データ
livekraken-build --download-library bacteria --db database

#さらにユーザー指定のfastaを追加することもできる。数がある時は、公式のようにfindとxargsをつなぎ自動化する
livekraken-build --add-to-library chr1.fa --db database

#ビルド
livekraken-build --build --db database --threads 40

bacteriaはkraken同様、URLが変更されていてダウンロードできなかった。NCBI FTPサーバー(ftp://ftp.ncbi.nlm.nih.gov/genomes/)のarchive/old_refseq/Bacteria/all.fna.tar.gzに変更した。

”bacteria”をダウンロードするには、43行目の

wget $FTP_SERVER/genomes/Bacteria/all.fna.tar.gz

 ↓

wget $FTP_SERVER/genomes/archive/old_refseq/Bacteria/all.fna.tar.gz 

に修正して実行する。 他のデータベースの配列を使うことも可能(kaijuの例)。wgetでダウンロードし、上に書いた"--add-to-library"フラグを立てて追加する。

データベースの内容はkrakenから変わっていない。

  1. database.kdb: Contains the k-mer to taxon mappings
  2. database.idx: Contains minimizer offset locations in database.kdb
  3. taxonomy/nodes.dmp: Taxonomy tree structure + ranks
  4. taxonomy/names.dmp: Taxonomy names 

 

--taxonomyラベリング--

 fastqを分析する。gz圧縮fastqを使う時は--gzip-compressedフラグを立てる。

livekraken --preload --threads 20 --fastq-input --paired --db database pair1.fq pair2.fq --output output
  • --preload    Loads DB into memory before classification
  • --fasta-input     Input is FASTA format
  • --fastq-input     Input is FASTQ format
  • --paired    The two filenames provided are paired-end reads
  • --gzip-compressed     Input is gzip compressed
  • --bzip2-compressed    Input is bzip2 compressed

学名に変換。superkingdom, kingdom, phylum, class, order, family, genus, species表記になる。

livekraken-translate --mpa-format --db database output > sequences.labels

集計レポートを作る。

livekraken-report --db database output > summary

以上の作業はKrakenから変更がない。

 

 

--realtime classification--

LiveKrakenではbasecallを直接分析、分類するclassifyコマンドが実装されている(解析の時系列は論文の図1参照 pubmed)。

サポートされているシーケンサー

  • Miseq
  • HiSeq 1500
  • HiSeq 2000/2500/3000/4000/X (untested)   

 

以下のコマンドはテストしてません。注意してください。

./classify -d database/ -i database/database.idx -n database/taxonomy/nodes.dmp -b basecall_dir/ -o classify_output
  • -b    used for BCL files, the input path should be the BaseCalls folder generated by Illumina sequencers instead of a file as in the case of FASTA/FASTQ input.
  • -l     final number of cycles so that the software knows when it can stop waiting for additional BCL files to be generated
  • -s    wait for this many cycles to accumulate before starting classification. Note that this should be greater than 31, which is the k-mer size used by Kraken
  • -k    the number of cycles to wait before another incremental classification occurs
  • -x    which tiles on the flowcell to analyze (default is all). Example: -x 1101 -x 1315 -x 2108
  • -y    which of the lanes (usually 8 lanes) to analyze (default is all). Example: -y 1 -y 6
  • -a    whether to output intermediate results at the incremental classification steps. This would make sense if you want to monitor the sequence composition during sequencing.
  • -f    if input is in FASTQ format

 

出力は付属ツールで画像にできる。

./visualisation/livekraken_sankey_diagram.py -i classify_output

 

リアルタイム解析を可能にするHiLive(pubmed)も紹介したかったのですが、 HiLiveは依存ライブラリSeqAnの大量コンパイルの後のhiliveのビルドでつまづき時間を浪費しそうだったので一旦諦めました。dockerコンテナはあるようですが(私の環境でちゃんとテストするには、シーケンスを行いbasecallをリアルタイムでLinuxサーバーに送りテストする必要があり、とっても手間がかかります。臨床分野の人なら24時間シーケンスしてるのかもしれませんが...)。

 

ジョンズ ホプキンス大学 Center for Computational Biology(CCB)メタゲノム分析ツールには、下記のツールがあります。いくつかは紹介しています。

http://ccb.jhu.edu/software.shtml

Kraken

Centrifuge

Pavian

Bracken (Bayesian Reestimation of Abundance with KrakEN)

KrakenHLL

 

引用

LiveKraken - Real-time metagenomic classification of Illumina data.

Tausch SH, Strauch B, Andrusch A, Loka TP, Lindner MS, Nitsche A, Renard BY.

Bioinformatics. 2018 Jun 1.