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。

ロングリードのマッピングツール lordFAST

 

 ハイスループットシーケンシング(HTS)技術は、発足以来進化してきた(Margulies et al、2005)。特にPacific Biosciences(Eid et al、2009; Korlach et al、2010)およびOxford Nanopore(Cherf et al、2012; Manrao et al、2012; Eisenstein)などの一分子シーケンシング(SMS)、2012)は、この進化のブレークスルーである。次世代シークエンシング(NGS)技術は、遺伝的変異(1000 Genomes Project Consortium、2010、2012)の検出における能力を証明しているが、疾患 (O'Roak et al、2011)、デノボゲノムアセンブリの構築(Gnerre et al、2011)、NGSデータに基づく計算的解析は、長さに対して短いリード長のためにまだ完全ではない(Hormozdiari et al、2009; Alkan et al、2011)。 SMS技術によって生成されたリードの長さの増加は、ゲノミクスにおける多くの未解決の問題に対する解決策を提供する。残念ながら、SMS技術はより高いエラー率(15%対1%)をもたらし、さまざまなタイプのエラー(置換ではなく挿入と欠失)により、標準のゲノム解析パイプラインでの使用を困難にしている。これにより、さまざまなアプリケーションに対して非常に長くエラーのあるリードを処理できるSMSテクノロジに特化した新しいアルゴリズムおよびパイプラインの開発が促進された。これらのアプリケーションには、de novoアセンブリ(Koren et al、2013; Chin et al、2013a; Berlin et al、2015; Loman et al、2015)、ハイブリッドデノボアセンブリ(Koren et al、2012; Goodwin et 2015)、Scaffoldsのギャップfilling(英語等、2012)、ゲノムFinisihing(Bashir et al、2012; Chin et al、2013b ; Brown et al、2014)、GCリッチおよび複雑な領域の再構成(Shin et al、2013; Huddleston et al、2014; ScottおよびEly、2014)、SV検出(Doi et al 、2014; Ummat and Bashir、2014; Huddleston et al、2017; Fan et al、2017; Chaisson et al、2015)、ハプロタイプフェージング(Pendleton et al、2015; Chaisson et al、2017)、およびメチル化部位を見出す(Simpson et al、2017; Rand et al、2017)。 ほとんどの下流分析パイプラインの最初のステップは、リファレンスゲノムへのリードのマッピングである。低エラー率のイルミナのショートリードでは、通常、リファレンスゲノム上のそのマッピング座と正確に一致する「長い」部分文字列を見つけることが可能である。ショートリードをマッピングするための既存のツールはすべて、この基本的な観察に基づいている。それらは、(i)BW Transform / FM Index(Burrows and Wheeler、1994; Ferragina and Manzini、2000)に基づく方法(Li and Durbin、2009; Langmead and Salzberg、2012; Li et al 、2009)、または(ii)部分文字列ハッシング(Alkan et al、2009; Xin et al、2013; Hach et al、2010,2014; Weese et al、2012; David et al、2011; Lin et FMインデックスとハッシング(Siragusa et al、2013; Marco-Sola et al、2012)を組み合わせたハイブリッド手法などがある。残念なことに、PacBio(Travers et al、2010; Thompson and Milos、2011)では最大エラー率が20%、オックスフォードNanopore(Goodwin et al、2015)では最大エラー率が40%になり(論文執筆時点)、SMS技術には有効ではない。さらに、リードのマッピング遺伝子座が正確に見出されても、シーケンシングエラーを実際のゲノムの変異と区別することは非常に困難である。 ロングリードをリファレンスゲノムにマッピングするには、いくつかの方法がある。 BLASR(Chaisson and Tesler、2012)は、PacBioリード用に特別に設計された最初のツールである。prefix arrayインデックスを使用して、ロングリードとリファレンスゲノム間の十分に長い正確な一致をすべて見つける。その後、マッチをクラスタにグループ化し、ランク付けする。候補ゲノム位置に対応する最上位のスコアリングされたクラスターはsparse dynamic programming(SDP)に続いてバンドアラインメントを行うために使用される。 BWA-MEM(Li、2013)は、もともと、ショートリードおよびアセンブリされたコンティグをリファレンスゲノムにアライメントさせるために設計された別のマッパーである。これは、(-x pacbioオプションまたは-x ont2dオプションを使用して)アライメントパラメータを調整することによって、長いSMSリードをマップするように拡張されている。 BWA-MEMは、可能な初期マッチとして各クエリ位置をカバーする最も長い完全一致を見つけ、これらのマッチを連鎖させ、連鎖の長さによって初期マッチをランク付けし、最終的に特定のスコアカットオフに基づいて最初のマッチを延長し、完全なアライメントを得ることができる。別のツールrHAT(Liu et al、2016)(紹介)は、ハッシュテーブルベースのマッパーで、ヒューリスティックを使用して各リードのマッピングのおおよその位置を推定する。これは、近似k-mer計数スキームを介して、リファレンスゲノム上のロングリードの中間の1000bpセグメントについて潜在的マッピング領域を見出すことによって行われる。次いで、潜在的マッピング領域ごとに、SDPベースの発見的手法を用いてショートシードおよびこれらのシードを見つけるためのルックアップテーブルが構築される。最終的な位置合わせは、選択されたチェインから形成される。第4のツールであるGraphMap(Sovic et al、2016)は、ギャップありの離散シードを使用し、これらのシードをクラスタリングすることによっておおよその位置合わせを実行する。その後、ターゲットの短いk-mersから構築された「アライメントグラフ」で正確なpathを見つけ、アライメントアンカーを構築し、最終的なアライメントを生成するためにチェーンを精緻化する。別のツール、LAMSA(Liu et al、2017)(紹介)は、ロングリードをいくつかの「断片」に分割し、GEMマッパー(Marco-Sola et al、2012)を用いてリファレンスゲノム上のそれらのおおよその一致をすべて見つける。最近、NGMLR(Sedlazeck et al、2018)(紹介)とMinimap2(Li、2018)(紹介)の2つの新しいマッパーが公開された。(以下略)

 本稿では、PacBioのContinuous Long Read(CLR)のために特別に設計された、新しいlong-readマッパーlordFASTを紹介する。 lordFASTは、複数の短い完全一致を使用することにより、CLRリードで観察される高いシーケンシングエラー率に耐えることができる、非常に効率的で敏感なアライナーである。 lordFASTは、PacBioデータセットでより多くのリードをマップするだけでなく、BLASRやBWA-MEMなどの利用可能な選択肢よりも正確にマップする。 lordFastは、エラーモデルが幾分類似しているため、Oxford Nanopore Technologyによって生成されたリードをアライメントすることも可能である。著者らの実験結果は、Minimap2が上記のマッパーの中で最速のツールであることを示している。 lordFASTは速度が2番目で、シミュレートされたデータに対して最高の感度と精度を実現していた。これは特に、テストしたすべてのマッパーの中で最も正しくマップされた塩基数が高かったためである。

 

lordFASTに関するツイート


インストール

macos10.13のanaconda2-4.3.0環境でテストした。

依存

  • GCC ≥ 4.4.7
  • zlib

本体 Github

ダウンロードしてビルドするかブリド済みバイナリをダウンロードする。

git clone https://github.com/vpc-ccg/lordfast.git
cd
lordfast/
make

#Anaconda環境ならcondaで導入
conda install -c bioconda lordfast

./lordfast  -h

$ ./lordfast  -h

lordFAST(1)                     lordfast Manual                    lordFAST(1)

 

 

 

NAME

       lordfast

 

 

DESCRIPTION

       lordFAST  is  a  sensitive  tool for mapping long reads with high error

       rates. lordFAST is specially designed for aligning  reads  from  PacBio

       sequencing  technology  but  provides  the  user  the ability to change

       alignment parameters depending on the reads and application.

 

 

INSTALLATION

       To install lordFAST, please download the source code from

       https://github.com/vpc-ccg/lordfast

       or alternatively clone the repository by running the following command:

       $ git clone https://github.com/vpc-ccg/lordfast.git

 

       Now  the  code  can  be  compiled easily by running "make" command line

       which builds the binary file "lordfast".

       $ cd lordfast

       $ make

 

 

SYNOPSIS

       lordfast --index FILE [OPTIONS]

       lordfast --search FILE --seq FILE [OPTIONS]

 

 

OPTIONS

   Indexing options

       -I, --index STR

              Path to the reference genome file in FASTA format which is  sup-

              posed to be indexed. [required]

 

   Mapping options

       -S, --search STR

              Path to the reference genome file in FASTA format. [required]

 

       -s, --seq STR

              Path  to  the file containing read sequences in FASTA/FASTQ for-

              mat. [required]

 

       -o, --out STR

              Write output to STR file rather than standard output. [stdout]

 

       -t, --threads INT

              Use INT number of CPU cores. Pass 0 to  use  all  the  available

              cores. [1]

 

   Advanced options

       -k, --minAnchorLen INT

              Minimum required length of anchors to be considered. [14]

 

       -n, --numMap INT

              Perform alignment for at most INT candidates. [10]

 

       -l, --minReadLen INT

              Do  not  try to map any read shorter than INT bp and report them

              as unmapped. [1000]

 

       -c, --anchorCount INT

              Consider INT anchoring positions on the long read. [1000]

 

       -m, --maxRefHit INT

              Ignore anchoring positions with more than  INT  reference  hits.

              [1000]

 

       -a, --chainAlg INT

              Chaining algorithm to use. Options are "dp-n2" and "clasp". [dp-

              n2]

 

       --noSamHeader

              Do not print sam header in the output.

 

   Other options

       -h, --help

              Print this help file.

 

       -v, --version

              Print the version of software.

 

 

EXAMPLES

       Indexing the reference genome:

       $ ./lordfast --index gen.fa

 

       Mapping to the reference genome:

       $ ./lordfast --search gen.fa --seq reads.fastq > map.sam

       $ ./lordfast --search gen.fa --seq reads.fastq --threads 4 > map.sam

 

 

BUGS

       Please report the bugs through lordfast's issues page at

       https://github.com/vpc-ccg/lordfast/issues

 

 

CONTACT

       Ehsan Haghshenas (ehaghshe@sfu.ca)

 

 

COPYRIGHT AND LICENSE

       This software is released under  GNU General Public License (v3.0)

       Copyright (c) 2018 Simon Fraser University, All rights reserved.

 

 

 

lordFAST                  Last Updated: June 26, 2018              lordFAST(1)

 

 

実行方法

index 

lordfast --index input.fa
  • --index   Path to the reference genome file in FASTA format which is 

 

 mapping

lordfast --search input.fa -s reads.fq -t 8 > map.sam
  • --search    Path to the reference genome file in FASTA format
  • -t     Use INT number of CPU cores. Pass 0 to  use  all  the  available
  • -s    Path  to  the file containing read sequences in FASTA/FASTQ

 

 引用

lordFAST: sensitive and Fast Alignment Search Tool for LOng noisy Read sequencing Data

Ehsan Haghshenas, S Cenk Sahinalp, Faraz Hach

Bioinformatics (2018) DOI: 10.1093/bioinformatics/bty544