次世代シーケンシングの開発により、数百万のシーケンスを妥当な時間で処理するための効率的なツールが必要になる。Sumaclustは、LECAによって開発されたプログラムで、高速かつ正確な方法でシーケンスをクラスター化することを目的としている。 このツールは、DNAメタバーコーディングによって生成されるデータ、つまり短いマーカーに適応するように開発された。Sumaclustは、UCLUSTおよびCD-HITと同じクラスタリングアルゴリズムを使用してシーケンスをクラスタリングする。 このアルゴリズムは、主に「真の」シーケンスから派生した、増幅およびシーケンスプロトコル中に作成された「誤った」シーケンスを検出するのに役立つ。
現在、Sumaclustは、Unixライクなマシンにダウンロードしてインストールできるプログラムとして利用できる。
SUMATRA and SUMACLUST: fast and exact comparison and clustering of sequences
http://gensoft.pasteur.fr/docs/suma_package/v1.0.00/sumatra_sumaclust_user_manual.pdf
インストール
#bioconda (link)
conda install -c bioconda -y sumaclust
#from GitLab
tar –zxvf sumaclust_v[x.x.xx].tar.gz
cd sumaclust_v[x.x.xx]
make -C sumalibs install
make install
GitLabからダウンロードできるtarボールの中に、マニュアル"sumaclust_user_manual.pdf"が入っている。
> sumaclust -h
$ sumaclust -h
------------------------------------------------------------
SUMACLUST Version 1.0.31
------------------------------------------------------------
Synopsis : star clustering of sequences.
Usage: sumaclust [options] <dataset>
------------------------------------------------------------
Options:
-h : [H]elp - print <this> help
-l : Reference sequence length is the shortest.
-L : Reference sequence length is the largest.
-a : Reference sequence length is the alignment length (default).
-n : Score is normalized by reference sequence length (default).
-r : Raw score, not normalized.
-d : Score is expressed in distance (default : score is expressed in similarity).
-t ##.## : Score threshold for clustering. If the score is normalized and expressed in similarity (default),
it is an identity, e.g. 0.95 for an identity of 95%. If the score is normalized
and expressed in distance, it is (1.0 - identity), e.g. 0.05 for an identity of 95%.
If the score is not normalized and expressed in similarity, it is the length of the
Longest Common Subsequence. If the score is not normalized and expressed in distance,
it is (reference length - LCS length).
Only sequences with a similarity above ##.## with the center sequence of a cluster
are assigned to that cluster. Default: 0.97.
-e : Exact option : A sequence is assigned to the cluster with the center sequence presenting the
highest similarity score > threshold, as opposed to the default 'fast' option where a sequence is
assigned to the first cluster found with a center sequence presenting a score > threshold.
-R ## : Maximum ratio between the counts of two sequences so that the less abundant one can be considered
as a variant of the more abundant one. Default: 1.0.
-p ## : Multithreading with ## threads using openMP.
-s #### : Sorting by ####. Must be 'None' for no sorting, or a key in the fasta header of each sequence,
except for the count that can be computed (default : sorting by count).
-o : Sorting is in ascending order (default : descending).
-g : n's are replaced with a's (default: sequences with n's are discarded).
-B ### : Output of the OTU table in BIOM format is activated, and written to file ###.
-O ### : Output of the OTU map (observation map) is activated, and written to file ###.
-F ### : Output in FASTA format is written to file ### instead of standard output.
-f : Output in FASTA format is deactivated.
------------------------------------------------------------
Argument : the nucleotide dataset to cluster (or nothing
if the standard input should be used).
------------------------------------------------------------
http://metabarcoding.org/sumaclust
------------------------------------------------------------
実行方法
sumaclust -t 0.97 my_dataset.fasta > clusters_of_seqs_with_similarity_>_97%.fasta
参考
Open-Source Sequence Clustering Methods Improve the State Of the Art
https://msystems.asm.org/content/1/1/e00003-15
関連
