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。

PacBio CLR ゲノムアセンブリの研磨のためのNextflowワークフロー polishCLR

 

 ロングリードシーケンスにより、染色体レベルの高密度のコンティグが得られるようになり、ゲノムアセンブリは大きく変化した。しかし、Pacific Biosciences (PacBio) Continuous Long Reads (CLR) などの第3世代のロングリード技術によるアセンブリは、高いエラーレートを有している。このようなエラーは、ポリッシングと呼ばれるプロセスにより、ショートリードで修正することができる。最近、Vertebrate Genome Project (VGP) Assemblyコミュニティによって、非モデル生物のde novoゲノムアセンブリを研磨するためのベストプラクティスが説明されたが、従来の高性能計算機環境で容易に実装・実行できる、一般に入手可能で再現性のあるワークフローが必要とされている。ここでは、CLRデータから作成されたアセンブリを研磨するためのベストプラクティスを実装した再現可能なNextflowワークフロー、polishCLR (https://github.com/isugifNF/polishCLR)について説明する。PolishCLRは、ベストプラクティスを準最適なケースに拡張するいくつかの入力オプションから開始することができる。また、purge_dupsによる重複ハプロタイプの特定、データがある場合のscaffoldingのための切断(break)、ArrowおよびFreeBayesによる複数回の研磨と評価など、いくつかの重要なプロセスにおいて再入力ポイントが用意されている。PolishCLRは、既存のエラーを起こしやすいロングリードデータからアセンブリを完成させるツールとして、アセンブリコミュニティのためにコンテナ化され、一般に公開されている。

 

 

example data

https://data.nal.usda.gov/dataset/data-polishclr-example-input-genome-assemblies

SRA

ID 804956 - BioProject - NCBI

 

インストール

依存

Github

git clone https://github.com/isugifNF/polishCLR.git
cd polishCLR
mamba env create -f environment.yml -p ${PWD}/env/polishCLR_env

#activate
conda activate $PWD/env/polishCLR_env

> nextflow main.nf

N E X T F L O W  ~  version 21.10.0

Launching `main.nf` [high_babbage] - revision: 6a81970115

 

  ----------------------------------------------------

                                \\---------//       

  ___  ___        _   ___  ___    \\-----//        

   |  (___  |  | / _   |   |_       \-//         

  _|_  ___) |__| \_/  _|_  |        // \        

                                  //-----\\       

                                //---------\\       

  isugifNF/polishCLR  v1.0.0       

----------------------------------------------------

 

 

   Usage:

   The typical command for running the pipeline are as follows:

   nextflow run main.nf --primary_assembly "*fasta" --illumina_reads "*{1,2}.fastq.bz2" --pacbio_reads "*_subreads.bam" -resume

 

   Mandatory arguments:

   --illumina_reads               paired end illumina reads, to be used for Merqury QV scores, and freebayes polish primary assembly

   --pacbio_reads                 pacbio reads in bam format, to be used to arrow polish primary assembly

   --mitochondrial_assembly       mitocondrial assembly will be concatinated to the assemblies before polishing [default: false]

 

   Either FALCON (or FALCON Unzip) assembly:

   --primary_assembly             genome assembly fasta file to polish

   --alternate_assembly           if alternate/haplotig assembly file is provided, will be concatinated to the primary assembly before polishing [default: false]

   --falcon_unzip                 if primary assembly has already undergone falcon unzip [default: false]. If true, will Arrow polish once instead of twice.

   

   Or TrioCanu assembly

   --paternal_assembly            paternal genome assembly fasta file to polish

   --maternal_assembly            maternal genome assembly fasta file to polish

 

   Pick Step 1 (arrow, purgedups) or Step 2 (arrow, freebayes, freebayes)

   --step                         Run step 1 or step 2 (default: 1)

 

   Optional modifiers   

   --species                      if a string is given, rename the final assembly by species name [default:false]

   --k                            kmer to use in MerquryQV scoring [default:21]

   --same_specimen                if illumina and pacbio reads are from the same specimin [default: true].

   --meryldb                      path to a prebuilt meryl database, built from the illumina reads. If not provided, tehen build.

   

   Optional configuration arguments

   --parallel_app                 Link to parallel executable [default: 'parallel']

   --bzcat_app                    Link to bzcat executable [default: 'bzcat']

   --pigz_app                     Link to pigz executable [default: 'pigz']

   --meryl_app                    Link to meryl executable [default: 'meryl']

   --merqury_sh                   Link to merqury script [default: '$MERQURY/merqury.sh']

   --pbmm2_app                    Link to pbmm2 executable [default: 'pbmm2']

   --samtools_app                 Link to samtools executable [default: 'samtools']

   --gcpp_app                     Link to gcpp executable [default: 'gcpp']

   --bwamem2_app                  Link to bwamem2 executable [default: 'bwa-mem2']

   --freebayes_app                Link to freebayes executable [default: 'freebayes']

   --bcftools_app                 Link to bcftools executable [default: 'bcftools']

   --merfin_app                   Link to merfin executable [default: 'merfin']

 

   Optional arguments:

   --outdir                       Output directory to place final output [default: 'PolishCLR_Results']

   --clusterOptions               Cluster options for slurm or sge profiles [default slurm: '-N 1 -n 40 -t 04:00:00'; default sge: ' ']

   --threads                      Number of CPUs to use during each job [default: 40]

   --queueSize                    Maximum number of jobs to be queued [default: 50]

   --account                      Some HPCs require you supply an account name for tracking usage.  You can supply that here.

   --help                         This usage statement.

 

 

実行方法

polishCLRは3つのゲノムアセンブリステータスでの研磨;1)倍数体ゲノムアセンブリハプロタイプが解決されていないプライマリアセンブリ、2)ハプロタイプが解決されてプライマリアセンブリオルタナティブアセンブリの両方があるが研磨されていない時、3)2のデータがpacbio CLRリードで研磨もされている時、を想定している。

 

primary_assembly、alternate_assembly、mitochondrial_assemblyのアセンブリ配列(3つとも必須)と、イルミナ(fastq)とpacbioのリード(bam)を指定する。ここでは上のExampleアセンブリとシークエンシングデータを使う。

#download project
grabseqs sra -t 8 -m metadata.csv -o outdir PRJNA804956

nextflow run main.nf \
--primary_assembly cns_p_ctg.fasta \
--alternate_assembly cns_h_ctg.fasta \
--mitochondrial_assembly Hzea_mtDNA_contig.fasta \
--illumina_reads JDRP*{R1,R2}.fastq.bz2 \
--pacbio_reads m*.subreads.bam \
  --species "Hzea" \
  --k "21" \
  --falcon_unzip true \
  --step 1 \
  --busco_lineage "lepideoptera_odb10" \
  -resume \
  -profile ceres

理解できていないパラメータがあって上手くランできなかった。

引用

polishCLR: a Nextflow workflow for polishing PacBio CLR genome assemblies
Jennifer Chang,  Amanda R. Stahlke, Sivanandan Chudalayandi,  Benjamin D. Rosen,  Anna K. Childers, Andrew Severin

bioRxiv, Posted February 11, 2022

 

関連