2022/03/15 論文引用
生物学の分野では、生物学的な特徴や関係性を調べるための多くの調査の基礎となっているのが、複数の配列のアラインメント（MSA）である。これらのアラインメントは、多くのバイオインフォマティクス解析の中心となっている。しかし、MSAの配列は不完全であったり、非常に乖離していたりすることが多く、そのためにアライメントが不十分な領域や、アライメントに大きなギャップが生じてしまうことがある。これは計算を遅くし、生物学的に関連性がなくても結論に影響を与える可能性がある。そのため、これらの領域を除去してアライメントをきれいにすることで、解析を大幅に改善することができる。
ここでは、複数の可視化オプションを備えた、包括的でユーザーフレンドリーなMSAトリミングツールを提供する。高度にカスタマイズ可能なコマンドラインツールは、様々なオプションを提供することでユーザーに介入力を与えることを目的としており、処理前と処理後のアライメントをグラフィカルに表示して、何が除去されたかの明確な概要をユーザーに提供する。このツールの主な機能には、挿入によるカバレッジの低い領域の除去、ギャップの除去、アライメントの悪い末端領域のクロップ、発散しすぎた配列や短すぎる配列の除去などがある。各機能のしきい値はユーザーが指定することができ、パラメータは個々のMSAに合わせて調整することができる。CIAlignは既存のアラインメントトリミングツールを補完するものであり、特定のアラインメント問題や一般的なアラインメント問題を解決し、ユーザーに透明性を提供することに重点を置いている。
CIAlignは効果的にMSAからアライメントの悪い領域や配列を除去し、新しい可視化オプションを提供する。このツールは、さらなる解析や処理のためのアラインメントの品質を向上させるために使用することができる。このツールは、MSAの一部を自動的にクリーンアップしたい人や、大規模なMSAを可視化するための新しいアクセス可能な方法を必要としている人を対象としている。
CIAlignより、ユーザーは以下のことが可能になる。（Githubより）
MSAからノイズ源を除去する
- 大部分の配列に存在しない挿入を削除する
- 閾値以下の塩基数またはアミノ酸数の配列を削除する
- トリミングの際にアライメントの悪い配列が終了する
- 隙間だけを含む列を削除する
- 乖離が閾値パーセンテージ以上の配列を除去する
コンセンサス配列の生成
アライメントの可視化
- アライメント前後の画像ファイルを生成する
- シーケンスロゴを描く
- アライメントの各位置でのカバレッジを可視化する
アライメント統計の分析
- 各シーケンスペア間の同一性のパーセンテージを示す類似性マトリックスを生成する
アライメントを解除する
UをTに置き換える
2023/04/20
If you work with multiple sequence alignments & are at #microbio23 pop upstairs to my poster 755 about CIAlign, a tool to clean, visualise & interpret MSAs, developed with @schnamori. DNA virus section but can be used for any MSA! https://t.co/R9F0wvC34z https://t.co/jiRxshoTuo pic.twitter.com/ulQwfbfaCU
— Katy Brown (@thekatybrown1) April 19, 2023
2022/03/15
CIAlign, by @schnamori, @FirthLab and me, has been published in PeerJ https://t.co/jiRxshoTuo ! My first senior author paper! CIAlign allows you to remove sources of noise from an MSA and produce publication-ready visualisations @PeerJLife @CamPathology 🧵1/5
— Katy Brown (@thekatybrown1) March 15, 2022
インストール
condaでpython3.7の仮想環境を作ってテストした（macos10.14使用）。
依存
python >= 3.6
matplotlib >= 2.1.1
numpy >= 1.16.3
scipy >= 1.3.0
conda create -n CIAlign -y python=3.7
conda activate CIAlign
pip3 install cialign
> CIAlign --help
$ CIAlign --help
usage: CIAlign [--infile INFILE] [--inifile INIFILE]
[--outfile_stem OUTFILE_STEM] [--all] [--silent] [--crop_ends]
[--crop_ends_mingap_perc CROP_ENDS_MINGAP_PERC]
[--crop_ends_redefine_perc CROP_ENDS_REDEFINE_PERC]
[--remove_divergent]
[--remove_divergent_minperc REMOVE_DIVERGENT_MINPERC]
[--remove_insertions] [--insertion_min_size INSERTION_MIN_SIZE]
[--insertion_max_size INSERTION_MAX_SIZE]
[--insertion_min_flank INSERTION_MIN_FLANK] [--remove_short]
[--remove_min_length REMOVE_MIN_LENGTH] [--keep_gaponly]
[--make_consensus] [--consensus_type CONSENSUS_TYPE]
[--consensus_keep_gaps] [--consensus_name CONSENSUS_NAME]
[--plot_input] [--plot_output] [--plot_markup]
[--plot_dpi PLOT_DPI] [--plot_format PLOT_FORMAT]
[--plot_width PLOT_WIDTH] [--plot_height PLOT_HEIGHT]
[--make_sequence_logo]
[--sequence_logo_type SEQUENCE_LOGO_TYPE]
[--sequence_logo_dpi SEQUENCE_LOGO_DPI]
[--sequence_logo_font SEQUENCE_LOGO_FONT]
[--sequence_logo_nt_per_row SEQUENCE_LOGO_NT_PER_ROW]
[--sequence_logo_filetype SEQUENCE_LOGO_FILETYPE]
[--list_fonts_only] [--plot_coverage_input]
[--plot_coverage_output]
[--plot_coverage_dpi PLOT_COVERAGE_DPI]
[--plot_coverage_height PLOT_COVERAGE_HEIGHT]
[--plot_coverage_width PLOT_COVERAGE_WIDTH]
[--plot_coverage_colour PLOT_COVERAGE_COLOUR]
[--plot_coverage_filetype PLOT_COVERAGE_FILETYPE]
[--make_similarity_matrix_input]
[--make_similarity_matrix_output]
[--make_simmatrix_dp MAKE_SIMMATRIX_DP]
[--make_simmatrix_minoverlap MAKE_SIMMATRIX_MINOVERLAP]
[--make_simmatrix_keepgaps MAKE_SIMMATRIX_KEEPGAPS]
[--unalign_input] [--unalign_output] [--replace_input]
[--replace_output] [-h] [-v]
Clean and interpret a multiple sequence alignment Args that start with '--'
(eg. --infile) can also be set in a config file (specified via --inifile).
Config file syntax allows: key=value, flag=true, stuff=[a,b,c] (for details,
see syntax at https://goo.gl/R74nmi). If an arg is specified in more than one
place, then commandline values override config file values which override
defaults.
Required Arguments:
--infile INFILE Path to input alignment file in FASTA format
Optional Arguments:
--inifile INIFILE Path to config file. Default: None
--outfile_stem OUTFILE_STEM
Prefix for output files, including the path to the
output directory. Default: CIAlign
--all Use all available functions with default parameters.
--silent Do not print progress to the screen. Default: False
--crop_ends Crop the ends of sequences if they are poorly aligned.
Default: False
--crop_ends_mingap_perc CROP_ENDS_MINGAP_PERC
Minimum proportion of the sequence length (excluding
gaps) that is the threshold for change in gap numbers.
Default: 0.05
--crop_ends_redefine_perc CROP_ENDS_REDEFINE_PERC
Proportion of the sequence length (excluding gaps)
that is being checked for change in gap numbers to
redefine start/end. Default: 0.1
--remove_divergent Remove sequences with <= N proportion of positions at
which the most common base / amino acid in the
alignment is present. Default: False
--remove_divergent_minperc REMOVE_DIVERGENT_MINPERC
Minimum proportion of positions which should be
identical to the most common base / amino acid in
order to be preserved. Default: 0.75
--remove_insertions Remove insertions found in <= 50 percent of sequences
from the alignment. Default: False
--insertion_min_size INSERTION_MIN_SIZE
Only remove insertions >= this number of residues.
Default: 3
--insertion_max_size INSERTION_MAX_SIZE
Only remove insertions <= this number of residues.
Default: 100
--insertion_min_flank INSERTION_MIN_FLANK
Minimum number of bases on either side of an insertion
to classify it as an insertion. Default: 5
--remove_short Remove sequences <= N bases / amino acids from the
alignment. Default: False
--remove_min_length REMOVE_MIN_LENGTH
Sequences are removed if they are shorter than this
minimum length, excluding gaps. Default: 50
--keep_gaponly Keep gap only columns in the alignment. Default: True
--make_consensus Make a consensus sequence based on the cleaned
alignment. Default: False
--consensus_type CONSENSUS_TYPE
Type of consensus sequence to make - can be majority,
to use the most common character at each position in
the consensus, even if this is a gap, or
majority_nongap, to use the most common non-gap
character at each position. Default: majority
--consensus_keep_gaps
If there are gaps in the consensus (if majority_nongap
is used as consensus_type), should these be included
in the consensus (True) or should this position in the
consensus be deleted (False). Default: False
--consensus_name CONSENSUS_NAME
Name to use for the consensus sequence in the output
fasta file. Default: consensus
--plot_input Plot a mini alignment - an image representing the
input alignment. Default: False
--plot_output Plot a mini alignment, an image representing the
output alignment. Default: False
--plot_markup Draws the input alignment but with the columns and
rows which have been removed by each function marked
up in corresponding colours. Default: False
--plot_dpi PLOT_DPI DPI for mini alignments. Default: 300
--plot_format PLOT_FORMAT
Image format for mini alignments - can be png, svg,
--plot_width PLOT_WIDTH
Mini alignment width in inches. Default: 5
--plot_height PLOT_HEIGHT
Mini alignment height in inches. Default: 3
--make_sequence_logo Draw a sequence logo. Default: False
--sequence_logo_type SEQUENCE_LOGO_TYPE
Type of sequence logo - bar/text/both. Default: bar
--sequence_logo_dpi SEQUENCE_LOGO_DPI
DPI for sequence logo image. Default: 300
--sequence_logo_font SEQUENCE_LOGO_FONT
Font for text sequence logo. Default: monospace
--sequence_logo_nt_per_row SEQUENCE_LOGO_NT_PER_ROW
Number of bases / amino acids to show per row in the
sequence logo, where the logo is too large to show on
a single line. Default: 50
--sequence_logo_filetype SEQUENCE_LOGO_FILETYPE
Image file type to use for the sequence logo - can be
png, svg, tiff or jpg. Default: png
--list_fonts_only Make a swatch showing available fonts. Default: False
--plot_coverage_input
Plot the coverage of the input MSA. Default: False
--plot_coverage_output
Plot the coverage of the output MSA. Default: False
--plot_coverage_dpi PLOT_COVERAGE_DPI
DPI for coverage plot. Default: 300
--plot_coverage_height PLOT_COVERAGE_HEIGHT
Height for coverage plot (inches). Default: 3
--plot_coverage_width PLOT_COVERAGE_WIDTH
Width for coverage plot (inches). Default: 5
--plot_coverage_colour PLOT_COVERAGE_COLOUR
Colour for coverage plot (hex code or name). Default:
#007bf5
--plot_coverage_filetype PLOT_COVERAGE_FILETYPE
File type for coverage plot (png, svg, tiff, jpg).
Default: png
--make_similarity_matrix_input
Make a similarity matrix for the input alignment.
Default: False
--make_similarity_matrix_output
Make a similarity matrix for the output alignment.
Default: False
--make_simmatrix_dp MAKE_SIMMATRIX_DP
Number of decimal places to display in the similarity
matrix output file. Default: 4
--make_simmatrix_minoverlap MAKE_SIMMATRIX_MINOVERLAP
Minimum overlap between two sequences to have non-zero
similarity in the similarity matrix. Default: 1
--make_simmatrix_keepgaps MAKE_SIMMATRIX_KEEPGAPS
Include positions with gaps in either or both
sequences in the similarity matrix calculation. Can be
0 - exclude positions which are gaps in either or both
sequences, 1 - exclude positions which are gaps in
both sequences, 2 - consider all positions regardless
of gaps. Default: 0
--unalign_input Generate a copy of the input alignment with no gaps.
Default: False
--unalign_output Generate a copy of the cleaned alignment with no gaps.
Default: False
--replace_input Replaces all Us by Ts in input alignment. Default:
False
--replace_output Replaces all Us by Ts in output alignment. Default:
False
-h, --help Show all available parameters with an explanation.
-v, --version Show the current version.
実行方法
デフォルト設定で実行するには入力配列のmulti-fastaと出力prefixを指定する。
CIAlign --infile seq.fasta --outfile_stem outpreifx
出力はクリーニングされたFASTAとlogファイル、除去された部位のテキストファイルになる。
logファイルSTEM_log.txt
全機能の実行は--allをつける。
CIAlign --infile seq.fasta --outfile_stem outpreifx --all
$ CIAlign --infile rRNA.aln --outfile_stem out --all
Removing divergent sequences
Removing gap only columns
Removing insertions
Removing gap only columns
Cropping ends
Removing gap only columns
Removing short sequences
Removing gap only columns
Building similarity matrix for input alignment
出力
coverage.png
outpreifx_markup_legend.png
outpreifx_markup.png
outpreifx_logo_bar.png
引用
CIAlign - A highly customisable command line tool to clean, interpret and visualise multiple sequence alignments
Charlotte Tumescheit, Andrew E. Firth, Katherine Brow
bioRxiv, Posted September 16, 2020
2022/03/15
CIAlign: A highly customisable command line tool to clean, interpret and visualise multiple sequence alignments
Charlotte Tumescheit, Andrew E. Firth, Katherine Brown
10.7717/peerj.12983
関連
