トランスクリプトームのアセンブリには、short-read RNA sequencingとlong-read RNA sequencingのそれぞれに長所と短所がある。ショートリードは精度が高い反面、複数のエクソンにまたがることができない。Long-read技術は、完全な長さの転写産物を捉えることができるが、エラー率が高く、スプライスサイトを誤認することが多く、スループットが低いため、定量化が困難である。ここでは、ハイブリッドリードアセンブリを実行するStringTieの新リリースを紹介する。ロングリードとショートリードの両方の強みを活用することで、StringTieによるハイブリッドリードアセンブリは、ロングリードのみ、またはショートリードのみのアセンブリよりも精度が高く、いくつかのデータセットでは、ロングリードデータのみのアセンブリよりも大幅に高い精度を得ながら、正しくアセンブリされた転写産物の数を2倍以上に増やすことができる。ここでは、シロイヌナズナ、ムスキュラス、ヒトのシミュレーションデータおよび実データを用いて、精度の向上を実証した。また、ハイブリッド・リード・アセンブリは、アセンブリ前にロングリードを修正するよりも精度が高く、かつ大幅に高速であることを示す。StringTieは、オープンソースソフトウェアとして、https://github.com/gpertea/stringtie から自由に入手できる。
HP
https://ccb.jhu.edu/software/stringtie/index.shtml
インストール
git clone https://github.com/gpertea/stringtie
cd stringtie
make release
> ./stringtie
stringtie <in.bam ..> [-G <guide_gff>] [-l <prefix>] [-o <out.gtf>] [-p <cpus>]
[-v] [-a <min_anchor_len>] [-m <min_len>] [-j <min_anchor_cov>] [-f <min_iso>]
[-c <min_bundle_cov>] [-g <bdist>] [-u] [-L] [-e] [--viral] [-E <err_margin>]
[--ptf <f_tab>] [-x <seqid,..>] [-A <gene_abund.out>] [-h] {-B|-b <dir_path>}
[--mix] [--conservative] [--rf] [--fr]
Assemble RNA-Seq alignments into potential transcripts.
Options:
--version : print just the version at stdout and exit
--conservative : conservative transcript assembly, same as -t -c 1.5 -f 0.05
--mix : both short and long read data alignments are provided
(long read alignments must be the 2nd BAM/CRAM input file)
--rf : assume stranded library fr-firststrand
--fr : assume stranded library fr-secondstrand
-G reference annotation to use for guiding the assembly process (GTF/GFF)
--ptf : load point-features from a given 4 column feature file <f_tab>
-o output path/file name for the assembled transcripts GTF (default: stdout)
-l name prefix for output transcripts (default: STRG)
-f minimum isoform fraction (default: 0.01)
-L long reads processing; also enforces -s 1.5 -g 0 (default:false)
-R if long reads are provided, just clean and collapse the reads but
do not assemble
-m minimum assembled transcript length (default: 200)
-a minimum anchor length for junctions (default: 10)
-j minimum junction coverage (default: 1)
-t disable trimming of predicted transcripts based on coverage
(default: coverage trimming is enabled)
-c minimum reads per bp coverage to consider for multi-exon transcript
(default: 1)
-s minimum reads per bp coverage to consider for single-exon transcript
(default: 4.75)
-v verbose (log bundle processing details)
-g maximum gap allowed between read mappings (default: 50)
-M fraction of bundle allowed to be covered by multi-hit reads (default:1)
-p number of threads (CPUs) to use (default: 1)
-A gene abundance estimation output file
-E define window around possibly erroneous splice sites from long reads to
look out for correct splice sites (default: 25)
-B enable output of Ballgown table files which will be created in the
same directory as the output GTF (requires -G, -o recommended)
-b enable output of Ballgown table files but these files will be
created under the directory path given as <dir_path>
-e only estimate the abundance of given reference transcripts (requires -G)
--viral : only relevant for long reads from viral data where splice sites
do not follow consensus (default:false)
-x do not assemble any transcripts on the given reference sequence(s)
-u no multi-mapping correction (default: correction enabled)
-h print this usage message and exit
--ref/--cram-ref reference genome FASTA file for CRAM input
Transcript merge usage mode:
stringtie --merge [Options] { gtf_list | strg1.gtf ...}
With this option StringTie will assemble transcripts from multiple
input files generating a unified non-redundant set of isoforms. In this mode
the following options are availabl
-G <guide_gff> reference annotation to include in the merging (GTF/GFF3)
-o <out_gtf> output file name for the merged transcripts GTF
(default: stdout)
-m <min_len> minimum input transcript length to include in the merge
(default: 50)
-c <min_cov> minimum input transcript coverage to include in the merge
(default: 0)
-F <min_fpkm> minimum input transcript FPKM to include in the merge
(default: 1.0)
-T <min_tpm> minimum input transcript TPM to include in the merge
(default: 1.0)
-f <min_iso> minimum isoform fraction (default: 0.01)
-g <gap_len> gap between transcripts to merge together (default: 250)
-i keep merged transcripts with retained introns; by default
these are not kept unless there is strong evidence for them
-l <label> name prefix for output transcripts (default: MSTRG)
Error: no input file provided!
実行方法
ショートリードRNAseqとロングリードRNAseqのbamファイルを指定する。
stringtie --mix -o mix_reads.out.gtf mix_short.bam mix_long.bam
bamファイルは座標ソートされている必要があります。Githubで確認して下さい。
引用
Improved Transcriptome Assembly Using a Hybrid of Long and Short Reads with StringTie
Alaina Shumate, Brandon Wong, Geo Pertea, Mihaela Pertea
bioRxiv, Posted December 10, 2021
関連
