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。

Transcript-level Aware なロングリードのエラーコレクションを行う TALC

 

 ロングリードシーケンシング技術は、複雑なRNAトランスクリプト構造を決定するために非常に重要だが、エラーが発生しやすい。同じサンプルからシーケンスされたショートリードの精度と深さを利用してロングリードを補正する「ハイブリッド補正」アルゴリズムがゲノムデータ用に多数開発されている。これらのアルゴリズムは、より複雑なトランスクリプトームシーケンスデータの補正には適していない。
 著者らは、TALC (Transcript-level Aware Long Read Correction)と呼ばれる新しいリファレンスフリーのアルゴリズムを作成した。これは、RNA発現とアイソフォーム表現の変化を重み付きDe-Bruijnグラフでモデル化し、トランスクリプトーム研究のロングリードを補正するものである。TALCによるトランスクリプトレベルアウェアなロングリード補正は、下流RNA-seqアプリケーションの全スペクトルの精度を向上させ、ロングリード技術を用いたトランスクリプトーム解析に必要であることを示している。TALCはC ++で実装されており、https://github.com/lbroseus/TALCで入手できる。

 

インストール

ubuntu18.04でテストした。jellyfish2はcondaでjellyfish2の仮想環境を作って導入、実行した(bioconda jellyfish)。

ビルド依存

  • gcc version > 5.

GitLab

git clone https://gitlab.igh.cnrs.fr/lbroseus/TALC.git
cd TALC
git clone https://github.com/seqan/seqan.git
make -j

> ./talc

# ./talc -h

******************************************************

* TALC : Transcriptome-Aware Long Read Correction    *

*----------------------------------------------------*

*                                                    *

* Kmers are assumed directional                      *

******************************************************

[TALC]: Parsing arguments

TALC: Transcriptome-Aware Long Read Correction - Hybrid Long Read Correction using Short Read coverage

======================================================================================================

 

SYNOPSIS

 

DESCRIPTION

 

REQUIRED ARGUMENTS

    Input_fastQ/A_file_containing_Long_Reads STRING

 

OPTIONS

    -h, --help

          Display the help message.

    --version-check BOOL

          Turn this option off to disable version update notifications of the application. One of 1, ON, TRUE, T, YES,

          0, OFF, FALSE, F, and NO. Default: 1.

    --version

          Display version information.

    -o, --output STRING

          Prefix to be used for output files Default: out.

    -k, --kmerSize INTEGER

          length k of k-mers. In range [18..30].

    -qm, --query-mode STRING

          Mode that should be used to query kmers (advised: memory). One of memory and jellyfish2. Default: memory.

    -SR, --SRCounts STRING

          Short reads kmer counts in format .dump file (memory mode) or .jf file (jf2 mode), obtained from Jellyfish2

    -j, --junctions STRING

          k-mers flanking junctions and their counts.

    -jf2, --pathToJF2 STRING

          Specifies where the Jellyfish2 program should be found. Default: .

    -MIN_INNER_SCORE, --MIN_INNER_SCORE DOUBLE

          Minimum %ID score required for the best-correction-path-between-any-two-solid-regions to be kept. In range

          [0.3..0.9]. Default: 0.7.

    -MIN_BORDER_SCORE, --MIN_BORDER_SCORE DOUBLE

          Minimum %ID score required for the best-correction-path-on-left-or-right-borders to be kept. In range

          [0.5..0.9]. Default: 0.7.

    -MIN_COUNT, --MIN_COUNT INTEGER

          Minimal count for a k-mer to be kept in the SR-de Bruijn Graph. In range [2..inf]. Default: 2.

    -SR_ERROR_RATE, --SR_ERROR_RATE DOUBLE

          Prior estimate of the error rate in short reads. In range [0.01..0.1]. Default: 0.025.

    -WINDOW_SIZE, --WINDOW_SIZE INTEGER

          [ADVANCED] Size of the window. The larger, the more fresh air. In range [6..inf]. Default: 9.

    -MAX_NB_BRANCHES, --MAX_NB_BRANCHES INTEGER

          [ADVANCED] Maximal number of competing branches. In range [5..inf]. Default: 7.

    -ALPHA_FOR_PRED, --ALPHA_FOR_PRED DOUBLE

          [ADVANCED] Coefficient used to build count confidence interval: [count +/- ALPHA*sqrt(count)]. In range

          [0.67..inf]. Default: 2.57.

    -t, --num_threads INTEGER

          number of threads In range [1..inf]. Default: 1.

    -DEBUG_MODE, --DEBUG_MODE STRING

          Will activate output for debugging purposes

    -rev, --reverse

          If set, long reads will be reverse complemented before correction by short reads.

 

VERSION

    Last update: September 2019

    TALC: Transcriptome-Aware Long Read Correction version: 1.01

    SeqAn version: 2.4.0

 

 

実行方法

1、jellyfish2によるk-merカウント

raw fastqを指定する。

jellyfish count --mer 25 -s 100M -o out.jf -t 20 pair_R*
jellyfish dump -c out.jf > out.dump
  • -s     Initial hash size
  • -m    Length of mer

 

2、talcによるエラーコレクション

ロングリード(raw fastq/fasta)と1の出力のdumpファイルを指定する。

talc long-reads.fq --SRCounts out.dump -k 31 -o talc-out -t 30 > log
  • -o   Prefix to be used for output files Default: out
  • -k    length k of k-mers. In range [18..30] 

出力

f:id:kazumaxneo:20200802232938p:plain

talc-out.faがエラー修正されたリングリード。

 

TALCの重み付きde Bruijnグラフは方向性があるので、ショートリードとロングリードの配列は同じ方向でなければならない。ロングリードがショートリードと逆相補的な場合は”--reverse”を追加する。また既知スプライスジャンクション情報をエラー修正時に提供することもできる。手順はGitlabで確認してください。

引用

TALC: Transcript-level Aware Long Read Correction
Lucile Broseus, Aubin Thomas, Andrew J Oldfield, Dany Severac, Emeric Dubois, William Ritchie
Bioinformatics, Published: 16 July 2020