ハプロタイプを考慮したロングリードのエラー訂正を行う HALE

ロングリードデータのエラー訂正は、ゲノムアセンブリワークフローにおける重要な初期ステップである。倍数性が1を超える生物の場合、リード訂正時にハプロタイプ固有の変異を保持することが重要である。この課題は、複数のハプロタイプを意識した訂正手法の開発を促進してきた。しかし、既存の手法は、アドホックなヒューリスティックまたはディープラーニングアプローチのいずれかに基づいている。本論文では、この問題に対する厳密な定式化を提案する。当アプローチは、リファレンスベースのハプロタイプフェーシングで用いられる最小エラー訂正フレームワークを基盤としている。リファレンスゲノムを使用しないデノボコンテキストにおけるリードのエラー訂正の形式化がNP困難であることを証明する。大規模データセットへの適用を可能にするため、実践的なヒューリスティックを導入している。ヒトと植物のゲノムからのPacBio HiFiシーケンスデータセットを用いた実験では、本アプローチが最先端手法と同等の精度を達成することが示された。ソフトウェアはhttps://github.com/at-cg/HALEで無料で利用できる。

インストール

ymlレシピ通りの環境を作って導入した｡

依存

Linux OS (tested on RHEL 8 and Ubuntu 22.04)
rustup (Install using rustup, the recommended way to get Rust)
Python 3.1 or above (and conda) for data preprocessing

Make sure the following system packages are installed (Linux):

build-essential, autoconf, libtool, pkg-config

Github

git clone https://github.com/at-cg/HALE.git
cd HALE && RUSTFLAGS="-Ctarget-cpu=native" cargo build -q --release
# Create conda env
mamba env create --file scripts/hale-env.yml
conda activate hale

> ./target/release/hale -h

HALE is a haplotype-aware long read error correction tool which works best on HiFi reads and can be used to improve ONT Simplex (both long and ultralong reads)

Usage: hale <COMMAND>

Commands:

correct Subcommand used for error-correcting reads

help Print this message or the help of the given subcommand(s)

Options:

-h, --help Print help

-V, --version Print version

> ./target/release/hale correct -h

Subcommand used for error-correcting reads

Usage: hale correct [OPTIONS] <READS> <OUTPUT>

Arguments:

<READS> Path to the fastq reads (can be gzipped)

<OUTPUT> Path to the corrected reads

Options:

--read-alns <READ_ALNS> Path to the folder containing *.oec.zst alignments

--write-alns <WRITE_ALNS> Path to the folder where *.oec.zst alignments will be saved

-w <WINDOW_SIZE> Size of the window used for target chunking (default 4096) [default: 4096]

-b <BATCH_SIZE> Batch size per core [default: 64]

-t <N_THREADS> number of threads [default: 128]

-c <CLUSTER> Path to a cluster of reads. [default: ]

-m <MODULE> m can be consensus, pih or hale [default: hale]

-h, --help Print help

> bash scripts/create_batched_alignments.sh

$ bash scripts/create_batched_alignments.sh

Please place batch.py in the same directory as this script.

This script requires 4 arguments:

1. The path to the preprocessed reads.

2. The path to the read ids of these reads e.g. from seqkit seq -n -i.

3. The number of threads to be used.

4. The directory to output the batches of alignments.

テストラン

1､HG002のchr19の限定的な領域10-12Mを読んだHiFiデータのダウンロードとリードIDの抽出｡

mkdir -p test_run && cd test_run/
wget -O HG002.chr19_10M_12M.fastq.gz https://zenodo.org/records/14048797/files/HG002.chr19_10M_12M.fastq.gz?download=1

#リードIDを取得
seqkit seq -ni HG002.chr19_10M_12M.fastq.gz > HG002.chr19_10M_12M.read_ids

2､all-vs-allオーバーラップの計算｡付属スクリプトを使用する｡

../scripts/create_batched_alignments.sh HG002.chr19_10M_12M.fastq.gz HG002.chr19_10M_12M.read_ids 8 batch_alignments

出力例

batch_alignments/

3､hale correctのラン｡fastqはgzip圧縮されていても認識する｡

../target/release/hale correct --read-alns batch_alignments -t 12 HG002.chr19_10M_12M.fastq.gz HG002.chr19_10M_12M_corrected.fa

9900Xの12スレッド指定で5-10分かかった(windows11 WSL)｡

出力例

(ハイライトされているのが出力)

引用

Haplotype-aware long-read error correction
Parvesh Barak, Daniel Gibney, Chirag Jain

bioRxiv, Posted June 26, 2025.

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。

ハプロタイプを考慮したロングリードのエラー訂正を行う HALE