macでインフォマティクス

macでインフォマティクス

HTS (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。

ノイズの多いロングリードからリピートを探す Noise Cancelling Repeat Finder

間違って2回Noise Cancelling Repeat Finderのインストールについて投稿してしまいました。申し訳ありません。 

 

 タンデムDNAリピートはロングリード技術でシーケンスできるが、これらの技術の高いエラー率を考慮した計算ツールがないため、正確に解読できない。 ここでは、Pacific BiosciencesおよびOxford Nanoporeシーケンサーによって生成されたノイズの多いロングリードで、指定されたモチーフの推定タンデムリピートを明らかにするNoise-Cancelling Repeat Finder(NCRF)を紹介する。 シミュレーションデータでNCRFを検証して、さまざまな長さのモチーフを持つタンデムリピートを特定し、2つの代替ツールと比較して優れたパフォーマンスを示した。 NCRFは、実際のヒト全ゲノムシーケンスデータを使用して、熱ショックストレス応答に関与する(AATGG)nの繰り返しの長い配列を特定した。NCRFはCで実装され、いくつかのpythonスクリプトでサポートされ、biocondaおよびhttps://github.com/makovalab-psu/NoiseCancellingRepeatFinderで入手できる。

 

インストール

macos10.14のanaconda3.7環境にて、python2.7の仮想環境を作ってテストした。

ビルド依存

  • gcc or similar C compiler and linker
  • python (tested with version 2.7, not likely to work with python 3)

Github

https://github.com/makovalab-psu/NoiseCancellingRepeatFinder

#bioconda (link)
conda create -n ncrf -y python=2.7
conda activate ncrf
conda install -c bioconda -y ncrf

#from source
git clone --branch v1.01.00 https://github.com/makovalab-psu/NoiseCancellingRepeatFinder.git
cd NoiseCancellingRepeatFinder/
make
./make_symbolic_links.sh

NCRF -h

$ NCRF -h

NCRF-- Noise Cancelling Repeat Finder, to find tandem repeats in noisy reads

  (version 1.01.02 20190429)

usage: cat <fasta> | NCRF [options]

 

  <fasta>               fasta file containing sequences; read from stdin

  [<name>:]<motif>      dna repeat motif to search for

                        (there can be more than one motif)

  --minmratio=<ratio>   discard alignments with a low frequency of matches;

                        ratio can be between 0 and 1 (e.g. "0.85"), or can be

                        expressed as a percentage (e.g. "85%")

  --maxnoise=<ratio>    (same as --minmratio but with 1-ratio)

  --minlength=<bp>      discard alignments that don't have long enough repeat

                        (default is 500)

  --minscore=<score>    discard alignments that don't score high enough

                        (default is zero)

  --stats=events        show match/mismatch/insert/delete counts

  --positionalevents    show match/mismatch/insert/delete counts by motif

                        position (independent of --stats=events); this may be

                        useful for detecting error non-uniformity, to separate

                        perfect repeats from imperfect

  --help=scoring        show options relating to alignment scoring

  --help=allocation     show options relating to memory allocation

  --help=other          show other, less frequently used options

 

  The output is usually passed through a series of the ncrf_* post-processing

  scripts.

ncrf_cat.py

$ ncrf_cat.py

you have to give me at least one file

 

usage: ncrf_cat <file1> [<file2> ...] [--markend]

  <file1>    an output file from Noise Cancelling Repeat Finder

  <file2>    another output file from Noise Cancelling Repeat Finder

  --markend  assume end-of-file markers are absent in the input, and add an

             end-of-file marker to the output

             (by default we require inputs to have proper end-of-file markers)

 

Concatenate several output files from Noise Cancelling Repeat Finder.  This

is little more than copying the files and adding a blank line between the

files.

 

It can also be used to verify that the input files contain end-of-file markers

i.e. that they were not truncated when created.

> ncrf_summary.py -h

$ ncrf_summary.py -h

unrecognized option: -h

 

usage: ncrf_cat <output_from_NCRF> | ncrf_summary [options]

  --minmratio=<ratio>  discard alignments with a low frequency of matches;

                       ratio can be between 0 and 1 (e.g. "0.85"), or can be

                       expressed as a percentage (e.g. "85%")

  --maxnoise=<ratio>   (same as --minmratio but with 1-ratio)

 

Typical output:

  #line motif seq        start end  strand seqLen querybp mRatio m    mm  i  d

  1     GGAAT FAB41174_6 1568  3021 -      3352   1461    82.6%  1242 169 42 50

  11    GGAAT FAB41174_2 3908  5077 -      7347   1189    82.4%  1009 125 35 55

  21    GGAAT FAB41174_0 2312  3334 -      4223   1060    81.1%  881  115 26 64

   ...

ncrf_to_bed.py -h

$ ncrf_to_bed.py -h

unrecognized option: -h

 

usage: ncrf_cat <output_from_NCRF> | ncrf_to_bed [options]

  --minmratio=<ratio>  discard alignments with a low frequency of matches;

                       ratio can be between 0 and 1 (e.g. "0.85"), or can be

                       expressed as a percentage (e.g. "85%")

  --maxnoise=<ratio>   (same as --minmratio but with 1-ratio)

 

Typical output is shown below.  The 6th column ("score" in the bed spec) is

the match ratio times 1000 (e.g. 826 is 82.6%).

  FAB41174_065680 1568 3021 . - 826

  FAB41174_029197 3908 5077 . - 824

  FAB41174_005950 2312 3334 . - 811

 

テストラン

1、リピートを探索する。

cd /NoiseCancellingRepeatFinder/
cat example.fa | NCRF GGCAT > example.ncrf

cat example.ncrf

f:id:kazumaxneo:20200311091151p:plain


 2、サマリーレポート

ncrf_cat.py example.ncrf | ncrf_summary.py

$ ncrf_cat.py example.ncrf | ncrf_summary.py

#line motif seq start end strand seqLen querybp mRatio m mm i d

WARNING: input alignments did not contain an event stats line

         (NCRF --stats=events would create that line)

1 GGCAT NCRF_EXAMPLE 3495 4737 + 50000 1242 NA NA NA NA NA

 

引用
Noise-cancelling repeat finder: uncovering tandem repeats in error-prone long-read sequencing data

Harris RS, Cechova M, Makova KD

Bioinformatics. 2019 Nov 1;35(22):4809-4811