Spalnは、哺乳類サイズの真核生物ゲノム配列にタンパク質のクエリ配列をスプライスアライメントし、自己完結的にゲノムマッピングを行うための最も初期の実用的なツールである。しかし、その計算速度は、急速に増加するゲノムおよび転写産物配列データの解析には不十分である。
Spalnの動的計画計算は、(i)多重中間一方向Hirschberg法の導入、(ii)SIMDベースのベクトル化、の2つの方法で高速化された。新バージョンのSpaln3は、最新のSpalnバージョン2より約7倍高速で、遺伝子予測精度は常にMiniprotより高い。
インストール
ubuntu22.04でビルドした。
git clone https://github.com/ogotoh/spaln.git
cd spaln/src/
./configure
make -j8
make install
> ./spaln
No input seq file !
*** SPALN_AVX2 version 3.0.6 <240902> ***
Usage:
spaln -W[Genome.bkn] -KD [W_Options] Genome.mfa (to write block inf.)
spaln -W[Genome.bkp] -KP [W_Options] Genome.mfa (to write block inf.)
spaln -W[AAdb.bka] -KA [W_Options] AAdb.faa (to write aa db inf.)
spaln -W [Genome.mfa|AAdb.faa] (alternative to makdbs.)
spaln [R_options] genomic_segment cDNA.fa (to align)
spaln [R_options] genomic_segment protein.fa (to align)
spaln [R_options] -dGenome cDNA.fa (to map & align)
spaln [R_options] -dGenome protein.fa (to map & align)
spaln [R_options] -aAAdb genomic_segment.fa (to search aa database & align)
spaln [R_options] -aAAdb protein.fa (to search aa database)
in the following, # = integer or real number; $ = string; default in ()
W_Options:
-XC# number of bit patterns < 6 (1)
-XG# Maximum expected gene size (inferred from genome|db size)
-Xk# Word size (inferred from genome|db size)
-Xb# Block size (inferred from genome|db size)
-Xa# Abundance factor (10)
-Xr# Minimum ORF length with -KP (30))
-g gzipped output
-t# Mutli-thread operation with # threads
R_Options (representatives):
-A[0-3] 0: scalar, 1..3: simd; 1: rigorous, 2: intermediate, 3: fast
-H# Minimum score for report (35)
-L or -LS or -L# semi-global or local alignment (-L)
-M#[,#2] Number of outputs per query (1) (4 if # is omitted)
#2 (4) specifies the max number of candidate loci
This option is effective only for map-and-align modes
-O#[,#2,..] (GvsA|C) 0:Gff3_gene; 1:alignment; 2:Gff3_match; 3:Bed; 4:exon-inf;
5:intron-inf; 6:cDNA; 7:translated; 8:block-only;
10:SAM; 12:binary; 15:query+GS (4)
-O#[,#2,..] (AvsA) 0:statistics; 1:alignment; 2:Sugar; 3:Psl; 4:XYL;
5:srat+XYL; 8:Cigar; 9:Vulgar; 10:SAM; (4)
-Q# 0:DP; 1-3:HSP-Search; 4-7; Block-Search (3)
-R$ Read block information file *.bkn, *.bkp or *.bka
-S# Orientation. 0:annotation; 1:forward; 2:reverse; 3:both (3)
-T$ Subdirectory where species-specific parameters reside
-a$ Specify AAdb. Must run `makeidx.pl -ia' breforehand
-A$ Same as -a but db sequences are stored in memory
-d$ Specify genome. Must run `makeidx.pl -i[n|p]' breforehand
-D$ Same as -d but db sequences are stored in memory
-g gzipped output in combination with -O12
-l# Number of characters per line in alignment (60)
-o$ File/directory/prefix where results are written (stdout)
-pa# Remove 3' poly A >= # (0: don't remove)
-pF Output full Fasta entry name
-pj Suppress splice junction information with -O[6|7]
-pn Retain existing output file
-po Overwrite existing output file
-pw Report results even if the score is below the threshold
-pT Exclude termination codon from CDS
-r$ Report information about block data file
-u# Gap-extension penalty (3)
-v# Gap-open penalty (8)
-w# Band width for DP matrix scan (100)
-t[#] Mutli-thread operation with # threads
-ya# Stringency of splice site. 0->3:strong->weak
-yl3 Ddouble affine gap penalty
-ym# Nucleotide match score (2)
-yn# Nucleotide mismatch score (-6)
-yo# Penalty for a premature termination codon (100)
-yx# Penalty for a frame shift error (100)
-yy# Weight for splice site signal (8)
-yz# Weight for coding potential (2)
-yB# Weight for branch point signal (0)
-yI$ Intron length distribution
-yL# Minimum expected length of intron (30)
-yM# Maximum length of intron (unset)
-yS[#] Use species-specific parameter set (0.0/0.5)
-yX0 Don't use parameter set for cross-species comparison
-yZ# Weight for intron potential (0)
-XG# Reset maximum expected gene size, suffix k or M is effective
Examples:
spaln -W -KP -t4 dictdisc_g.gf
spaln -W -KA -Xk5 Swiss.faa
spaln -O1 -LS 'chr1.fa 10001 40000' cdna.nfa
spaln -Q7 -O0,1,7 -t10 -TTetrapod -XG2M -ommu/ -dmus_musc_g hspcdna.nfa
spaln -Q7 -O5 -t10 -Tdictdics -ddictdisc_g'dictdisc.faa (101 200)' > ddi.intron
spaln -Q7 -O0 -t10 -Tdictdics -aSwiss 'chr1.nfa 200001 210000' > Chr1_200-210K.gff
spaln -Q4 -O0 -t10 -M10 -aSwiss dictdisc.faa > dictdisc.alignment_score
実行方法
配列ファイルは（multi）fasta形式である必要がある。ゲノムへのマッピングを行う場合はゲノム配列をフォーマットしてから使用する。アミノ酸配列データベース検索では、フォーマットはオプション扱いとなっている。
（makeidx.plコマンドを使用するには、染色体配列を1つのファイルに連結し、拡張子は'.mfa' または '.gf'、タンパク質データベース配列の拡張子は'.faa'とする）
タンパク質のゲノム配列へのマッピング
spaln -Q0 -t8 assembly.gf protein.faa
- -t Mutli-thread operation with # threads
作成中
引用
Spaln3: improvement in speed and accuracy of genome mapping and spliced alignment of protein query sequences
Osamu Gotoh
Bioinformatics, Volume 40, Issue 8, August 2024
Direct mapping and alignment of protein sequences onto genomic sequence
Osamu Gotoh
Bioinformatics. 2008 Nov 1;24(21):2438-44.
関連
