2022/12/29 コマンド追記
2023/01/02 追記
Blat [論文より ref.1 link]は、DNA、RNAおよびタンパク質配列をリファレンスゲノムにマッピングするように設計された配列アラインメントツールである。これは一般に、リファレンスゲノム内の配列の検索、closely relatedな種のゲノムからの相同配列の発見、mRNA配列からのエキソン - イントロンジャンクションの同定、および遺伝子構造の決定、ならびにゲノムおよびトランスクリプトーム配列の構築およびアノテーションを助けるために用いられる[ref.2]。 BWA [ref.3]やBowtie [ref.4]のような多くの高速シーケンスアライナーは、ハイスループットシーケンシングによって生成されたショートシーケンスリードをマッピングするために開発されたが、ロングリードやギャップが豊富なシーケンスや不連続からのスプライスシーケンスのマッピングはできない。対照的に、blatは高感度と高精度を両立しており、そのようなアプリケーションに理想的なツールである[ref.6、7]。
しかし、ハイスループットシークエンシングプロジェクトによって生成されるシークエンスの量が増えるにつれて、blatは大規模解析や定期的に更新されるアノテーションに必要な速度要件を満たすことができなくっている。例えば、脊椎動物の全トランスクリプトーム配列をリファレンスゲノムにマッピングするために使用される場合、blatを終了するまでに数日かかるだろう。これは、blatアルゴリズムがシングルスレッドであるため、最新のマルチコアプロセッサを最大限に活用できないためである。 GNU parallel [ref.8]ツールを使用して、1台以上のコンピューターを使用してblatの複数のインスタンスを並列に実行することはできる。しかしながら、各blatのプロセスは、全リファレンスゲノムのコピーをロードし、そしてゲノムのインデックスを構築してメモリに格納することになり、これは、複数のブラットプロセスが同時に実行される場合、従来のコンピュータの利用可能な物理メモリを超える可能性がある。
これらの制限を克服するために、pblat（parallel blat）を提示する。これは、マルチスレッドおよびクラスタコンピューティングのサポートを実装することによって、blatのアライメントを高速化するように機能する。pblatでは、すべてのスレッドがリファレンスゲノム全体とインデックスの同じメモリコピーを共有する。そのため、pblatはblatとほぼ同じ量のメモリを使用する。実行時間は使用されるスレッドの数とともに減少し、pblatの出力結果はblatのそれと同じになる。 pblatのクラスタバージョン（pblat-cluster）はMPI（Message Passing Interface）をサポートするコンピュータクラスタ上で動作する。これにより、blatの実行時間を数日から数分に短縮することができる。
Fig.1Performance evaluation of pblat. 論文より転載。
インストール
mac os10.14でビルドし、動作確認した。
pblat can run on Linux and Mac OS.
本体 Github
git clone https://github.com/icebert/pblat.git
cd pblat/
make
#conda
mamba install -c bioconda pblat -y
> ./pblat
$ ./pblat
pblat - BLAT with parallel supports v. 35 fast sequence search command line tool
usage:
pblat database query [-ooc=11.ooc] output.psl
where:
database and query are each a .fa file
-ooc=11.ooc tells the program to load over-occurring 11-mers from
and external file. This will increase the speed
by a factor of 40 in many cases, but is not required
output.psl is where to put the output.
options:
-t=type Database type. Type is one of:
dna - DNA sequence
prot - protein sequence
dnax - DNA sequence translated in six frames to protein
The default is dna
-q=type Query type. Type is one of:
dna - DNA sequence
prot - protein sequence
dnax - DNA sequence translated in six frames to protein
rnax - DNA sequence translated in three frames to protein
The default is dna
-prot Synonymous with -t=prot -q=prot
-ooc=N.ooc Use overused tile file N.ooc. N should correspond to
the tileSize
-threads=N number of threads to run
-tileSize=N sets the size of match that triggers an alignment.
Usually between 8 and 12
Default is 11 for DNA and 5 for protein.
-stepSize=N spacing between tiles. Default is tileSize.
-oneOff=N If set to 1 this allows one mismatch in tile and still
triggers an alignments. Default is 0.
-minMatch=N sets the number of tile matches. Usually set from 2 to 4
Default is 2 for nucleotide, 1 for protein.
-minScore=N sets minimum score. This is the matches minus the
mismatches minus some sort of gap penalty. Default is 30
-minIdentity=N Sets minimum sequence identity (in percent). Default is
90 for nucleotide searches, 25 for protein or translated
protein searches.
-maxGap=N sets the size of maximum gap between tiles in a clump. Usually
set from 0 to 3. Default is 2. Only relevent for minMatch > 1.
-noHead suppress .psl header (so it's just a tab-separated file)
-makeOoc=N.ooc Make overused tile file. Target needs to be complete genome.
-repMatch=N sets the number of repetitions of a tile allowed before
it is marked as overused. Typically this is 256 for tileSize
12, 1024 for tile size 11, 4096 for tile size 10.
Default is 1024. Typically only comes into play with makeOoc.
Also affected by stepSize. When stepSize is halved repMatch is
doubled to compensate.
-mask=type Mask out repeats. Alignments won't be started in masked region
but may extend through it in nucleotide searches. Masked areas
are ignored entirely in protein or translated searches. Types are
lower - mask out lower cased sequence
upper - mask out upper cased sequence
out - mask according to database.out RepeatMasker .out file
file.out - mask database according to RepeatMasker file.out
-qMask=type Mask out repeats in query sequence. Similar to -mask above but
for query rather than target sequence.
-repeats=type Type is same as mask types above. Repeat bases will not be
masked in any way, but matches in repeat areas will be reported
separately from matches in other areas in the psl output.
-minRepDivergence=NN - minimum percent divergence of repeats to allow
them to be unmasked. Default is 15. Only relevant for
masking using RepeatMasker .out files.
-dots=N Output dot every N sequences to show program's progress
-trimT Trim leading poly-T
-noTrimA Don't trim trailing poly-A
-trimHardA Remove poly-A tail from qSize as well as alignments in
psl output
-fastMap Run for fast DNA/DNA remapping - not allowing introns,
requiring high %ID. Query sizes must not exceed 5000.
-out=type Controls output file format. Type is one of:
psl - Default. Tab separated format, no sequence
pslx - Tab separated format with sequence
axt - blastz-associated axt format
maf - multiz-associated maf format
sim4 - similar to sim4 format
wublast - similar to wublast format
blast - similar to NCBI blast format
blast8- NCBI blast tabular format
blast9 - NCBI blast tabular format with comments
-fine For high quality mRNAs look harder for small initial and
terminal exons. Not recommended for ESTs
-maxIntron=N Sets maximum intron size. Default is 750000
-extendThroughN - Allows extension of alignment through large blocks of N's
実行方法
リファレンスFASTAと入力のFASTAファイル database.fasta、query.fassta、outputの順番に指定する（fastqには対応していない）。
pblat -threads=12 database.fa query.fasta output.psl
- -threads=<N> number of threads to run
> head output
タンパク質配列をクエリとし、blatでターゲットとなるゲノムを検索する（参考）。
（データベースがゲノムで、そこにクエリのproteinをアラインする）
blat -t=dnax -q=prot genome.fasta protein.faa output.psl
- -maxIntron=N Sets maximum intron size. Default is 750000
-
-minScore=N sets minimum score. This is the matches minus the mismatches minus some sort of gap penalty. Default is 30
-
-minIdentity=N Sets minimum sequence identity (in percent). Default is 90 for nucleotide searches, 25 for protein or translated protein searches.
- -noTrimA Don't trim trailing poly-A
- -extendThroughN Allows extension of alignment through large blocks of N's
-
-out=type Controls output file format. Type is one of:
psl - Default. Tab separated format, no sequence
pslx - Tab separated format with sequence
axt - blastz-associated axt format
maf - multiz-associated maf format
sim4 - similar to sim4 format
wublast - similar to wublast format
blast - similar to NCBI blast format
blast8- NCBI blast tabular format
blast9 - NCBI blast tabular format with comments
追記
blast8形式で出力。minimum score90、minimum identity 60%、スレッド数20、NNN部分でアラインメントを止めない、最大イントロン長10000。
pblat -maxIntron=10000 -out=blast8 -noTrimA -extendThroughN -minScore=90 -minIdentity=60 -threads=20 -t=dnax -q=prot genome.fasta closely_related_species_proteome.faa blatout.blast8
BLATで近似アラインメントを行なってから、イントロン/エクソン境界をより正確に検出するGenewiseなどを使ってアラインメントをリファインすることがある。
samに変換するには以下を参考にしてください。
Question: Conversion Of Blat Output To Sam/Bam
https://www.biostars.org/p/4957/
アノテーションに使う場合、こちらが参考になると思います。
Using BLAT to Find Sequence Similarity in Closely Related Genomes
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4101998/（PMC）
引用
pblat: a multithread blat algorithm speeding up aligning sequences to genomes
Meng Wan, Lei Kong
BMC Bioinformatics 2019 20:28
