2020 2/1 タイトル追加、文章追加、誤字修正
2020 2/2 誤字修正
2020 3/9 コマンド修正
ナノポアシーケンスは、主要な第3世代シーケンステクノロジーの1つである。 Nanoporeデータの処理と分析を容易にするために、多くの計算ツールが開発された。以前、DeepSimulator1.0（DS1.0）を開発した。DeepSimulatorは、生の電気信号とリードの両方を生成するNanoporeシーケンスの最初のシミュレータである。ただし、DS1.0は高品質のリードを生成できるが、一部のシーケンスでは、シミュレートされた生の信号と実際の信号との相違が大きくなる場合がある。さらに、Nanoporeシーケンシング技術は、DS1.0がリリースされてから大きく進化した。したがって、これらの変更に対応するためにDS1.0を更新する必要がある。
ここではDeepSimulator1.5（DS1.5）を提案する。これらの3つのモジュールはすべて、DS1.0から大幅に更新されている。シーケンスジェネレーターについては、最新の実際のリードの機能を反映するようにサンプルリード長の分布を更新した。 DeepSimulatorのコアであるシグナルジェネレーターの観点から、もう1つのポアモデル、コンテキスト非依存ポアモデルを追加した。これは、以前のコンテキスト依存モデルよりもはるかに高速である。さらに、生成された信号を実際の信号により類似させるために、ポアモデル信号を後処理するローパスフィルターを追加した。 basecallerに関しては、GPUとCPUの両方をサポートできる最新の公式basecaller、Guppyのサポートを追加した。さらに、マルチプロセッシング制御、メモリ、およびストレージ管理に関連する複数の最適化が実装されており、DS1.5はDS1.0よりもはるかに使いやすく、軽量なシミュレータになっている。メインプログラムとデータはhttps://github.com/lykaust15/DeepSimulatorから入手できる。
https://github.com/lykaust15/DeepSimulator/wiki/Parameters-of-DS1.5
インストール
ubuntu16.04のMiniconda2.4.0.5環境でテストした（docker使用、ホストos macos10.14）。Anaconda2が使える古いubuntuマシン(12.04)でも試した。
依存
Anaconda2 (https://www.anaconda.com/distribution/) or Minoconda2 (https://conda.io/miniconda.html).
本体 Github
git clone https://github.com/lykaust15/DeepSimulator.git
cd ./DeepSimulator/
./install.sh
> ./deep_simulator.sh
$ ./deep_simulator.sh
DeepSimulator v1.5 [Sep-26-2019]
A Deep Learning based Nanopore simulator which can simulate the process of Nanopore sequencing.
USAGE: ./deep_simulator.sh <-i input_genome> [-o out_root] [-D multi_fasta] [-c CPU_num] [-S random_seed] [-B basecaller]
[-n read_num] [-K coverage] [-l read_len_mean] [-C cirular_genome] [-m sample_mode]
[-M simulator] [-e event_std] [-u tune_sampling] [-O out_align] [-G sig_out]
[-f filter_freq] [-s signal_std] [-P perfect] [-H home]
Options:
***** required arguments *****
-i input_genome : input genome in FASTA format.
***** optional arguments (main) *****
-o out_root : Default output would the current directory. [default = './${input_name}_DeepSimu']
-c CPU_num : Number of processors. [default = 8]
-S random_seed : Random seed for controling the simulation process. [default = 0]
0 for a random seed. Use other number for a fixed seed for reproducibility.
-B basecaller : Choose from the following basecaller for the basecalling process. [default = 1]
1: guppy_gpu, 2: guppy_cpu, 3: albacore.
***** optional arguments (read-level) *****
-n read_num : The number of reads need to be simulated. [default = 100]
Set -1 to simulate the whole input sequence without cut (not suitable for genome-level).
-D multi_fasta : Whether the input fasta contains multi discontinuous sequences. [default = 1, separate different sequences]
Set 0 to concatenate different sequences.
-K coverage : This parameter is converted to number of read in the program. [default = 0]
If both K and n are given, we use the larger one.
-l read_len_mean : This parameter is used to control the read length mean. [default=8000]
-C cirular_genome : 0 for linear genome and 1 for circular genome. [default = 0]
-m sample_mode : Choose from the following distribution for the read length. [default = 3]
1: beta_distribution, 2: alpha_distribution, 3: mixed_gamma_dis.
***** optional arguments (event-signal) *****
-M simulator : Choose context-dependent(0) or context-independent(1) simulator to generate event. [default = 1]
-e event_std : Set the standard deviation (std) of the random noise of the event. [default = 1.0]
-u tune_sampling : Tuning sampling rate to around eight for each event. [default = 1 to tune]
Here eight is determined by 4000/450, where 4KHz is the signal sampling frequency,
and 450 is the bases per second to pass the nanopore.
-O out_align : Output ground-truth warping path between simulated signal and event. [default = 0 NOT to output]
-G out_signal : Output simulated signal in txt format. [default = 0 NOT to output]
***** optional arguments (signal-signal) *****
-f filter_freq : Set the frequency for the low-pass filter. [default = 950]
[hint]: a higher frequency value would result in better base-calling accuracy.
-s signal_std : Set the standard deviation (std) of the random noise of the signal. [default = 1.0]
[hint]: tune event_std, filter_freq and signal_std to simulate different sequencing qualities.
-P perfect : 0 for normal mode (with length repeat and random noise). [default = 0]
1 for perfect pore model (without 'event length repeat' and 'signal random noise').
2 for generating almost perfect reads without any randomness in signals (equal to -e 0 -f 0 -s 0).
***** home directory *****
-H home : Home directory of DeepSimulator. [default = 'current directory']
Dockerhubにdcokerイメージも出ています。
#HP (link)
docker pull shkao/deepsimulator:1.5
docker run --rm -itv $PWD:/data shkao/deepsimulator:1.5
> /opt/DeepSimulator/deep_simulator.sh
実行方法
テストゲノムを鋳型に10000リード発生させる。CPU版のguppyでbasecallする。
deep_simulator.sh -i example/artificial_human_chr22.fasta -n 10000 -B 2
- -B basecaller : Choose from the following basecaller for the basecalling process. [default = 1] 1: guppy_gpu, 2: guppy_cpu, 3: albacore.
- -n read_num : The number of reads need to be simulated. [default = 100]
Set -1 to simulate the whole input sequence without cut (not suitable for genome-level).
テスト（presetモデル）
v1.0でシミュレート
v1.5
縦軸の単位が揃っていないので注意してください（*1）。
追記
実行する時はディスクの空き容量に注意してください。生のfast5 を出すため 、ゲノム全体を一定数カバーするリードを発生させるとかなりの容量になります。10万リード発生させた時は、fast5ディレクトリだけで80GBほどのファイルサイズになりました。
引用
DeepSimulator1.5: a more powerful, quicker and lighter simulator for Nanopore sequencing
Yu Li, Sheng Wang, Chongwei Bi, Zhaowen Qiu, Mo Li, Xin Gao
Bioinformatics, Published: 08 January 2020
v1.0
*1
v1.0と同じ条件で同じリード数だけシミューレートすると、（ラン後のfast5のディレクトリサイズは1.5倍以上になっていたのも関わらず）v1.5はv1.0の1/10くらいの時間で終わった。
