這篇文章將為大家詳細(xì)講解有關(guān)如何解析對比基因組工具h(yuǎn)isat2，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個(gè)參考，希望大家閱讀完這篇文章后對相關(guān)知識有一定的了解。

成都創(chuàng)新互聯(lián)堅(jiān)持“要么做到，要么別承諾”的工作理念，服務(wù)領(lǐng)域包括：網(wǎng)站設(shè)計(jì)、成都網(wǎng)站制作、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣等服務(wù)，滿足客戶于互聯(lián)網(wǎng)時(shí)代的無錫網(wǎng)站設(shè)計(jì)、移動媒體設(shè)計(jì)的需求，幫助企業(yè)找到有效的互聯(lián)網(wǎng)解決方案。努力成為您成熟可靠的網(wǎng)絡(luò)建設(shè)合作伙伴！

由于測序儀機(jī)器讀長的限制，在構(gòu)建文庫的過程中首先需要將DNA片段化，測序得到的序列只是基因組上的部分序列。為了確定測序reads在基因組上的位置，需要將reads比對回參考基因組上，這個(gè)步驟叫做mapping。

在進(jìn)行mapping時(shí)，需要考慮以下幾個(gè)因素

1. 硬件資源的消耗

通常來說，基因組越大，占用的內(nèi)存越大。對于大型基因組，比如人類基因組而言，優(yōu)化內(nèi)存消耗是很關(guān)鍵的一點(diǎn)。

2. 運(yùn)行速度

隨著測序價(jià)格的下降和數(shù)據(jù)深入挖掘的需求，測序量越來越大，海量測序reads的比對，要求速度上必須夠快。

3. 準(zhǔn)確性

SNP/indel, 測序錯誤率等因素都使得測序的reads和基因組上的原始序列會存在幾個(gè)bp的誤差，所以mapping的算法必須支持堿基的錯配，或者是gap的存在。同時(shí)由于測序的短序列可能和基因組多個(gè)位置存在同源，一條reads會比對到基因組上多個(gè)位置。雙端測序技術(shù)在一定程度上能夠校正多個(gè)位置，因?yàn)殡p端reads 來自同一個(gè)DNA片段，二者在基因組上的位置不會相距太遠(yuǎn)，但是僅靠這一點(diǎn)并不能解決所有的同源比對，這就要求比對算法對多個(gè)位置進(jìn)行判斷和打分，給出比對結(jié)果的可靠性。

4. RNA

對于轉(zhuǎn)錄組數(shù)據(jù)， 真核生物可變剪切的存在，導(dǎo)致cdnA片段在基因組上的位置并不是連續(xù)的，中間可能存在內(nèi)含子。在比對轉(zhuǎn)錄組數(shù)據(jù)時(shí)，就需要考慮跳過剪切位點(diǎn)。

目前mapping的工具有很多，比如bwa, hisat, star等。hisat 是其中速度最快的，是tophat軟件的升級版本。采用了改進(jìn)的FM index 算法，對于人類基因組，只需要4.3GB左右的內(nèi)存。同時(shí)支持DNA和RNA數(shù)據(jù)的比對，軟件官網(wǎng)如下

http://ccb.jhu.edu/software/hisat2/index.shtml

目前最新版為為hisat2. 安裝過程如下

wget ftp://ftp.ccb.jhu.edu/pub/infphilo/hisat2/downloads/hisat2-2.1.0-Linux_x86_64.zip
unzip hisat2-2.1.0-Linux_x86_64.zip

下載解壓縮即可。

在進(jìn)行比對前，首先需要對參考基因組建立索引, 基本用法如下

hisat2-build -p 20   hg19.fa hg19

對于轉(zhuǎn)錄組數(shù)據(jù)，在構(gòu)建索引時(shí)，可以通過gtf文件，得到剪切位點(diǎn)和exon的信息，用法如下

hisat2_extract_splice_sites.py hg19.gtf > hg19.ss
hisat2_extract_exons.py hg19.gtf > hg19.exon
hisat2-build -p 20  --ss hg19.ss --exon hg19.exon  hg19.fa hg19

hisat2 支持多種格式的輸入文件，常見格式有以下兩種

1. fasta

2. fastq

-f參數(shù)表示輸入問下格式為fasta, -q參數(shù)表示輸入文件格式為fastq。輸入文件可以是經(jīng)過gzip壓縮之后的文件，默認(rèn)輸入文件是fastq格式。

對于單端數(shù)據(jù)，采用-U指定輸入文件；對于雙端數(shù)據(jù)，采用-1和-2分別指定R1端和R2端的輸入文件。

reads比對到基因組上的一個(gè)位置，我們稱之為一個(gè)alignment。 軟件會對所有的alignments 進(jìn)行打分和判斷，能夠符合過濾條件的alignment 稱之為valid  alignment， 只有valid alignments , 才會輸出。

和blast類似，每個(gè)alignment也有對應(yīng)的打分機(jī)制。hisat 從以下幾個(gè)方面對alignment 進(jìn)行打分

1. 錯配堿基罰分

錯配堿基的罰分通過--mp參數(shù)指定，其值為逗號分隔的兩個(gè)數(shù)字，第一個(gè)數(shù)字為最大的罰分，第二個(gè)數(shù)字為最小的罰分

2. reads上的gap罰分

gap的罰分通過分成兩個(gè)部分，第一次出現(xiàn)gap的罰分和gap延伸的罰分，reads上的gap罰分通過--rdg參數(shù)指定，其值為逗號分隔的兩個(gè)數(shù)字，第一個(gè)數(shù)字為gap第一個(gè)位置的罰分，第二個(gè)數(shù)字為gap延伸的罰分。

3. reference上的gap罰分

reference上的gap罰分通過--rdg參數(shù)指定，其值為逗號分隔的兩個(gè)數(shù)字，第一個(gè)數(shù)字為gap第一個(gè)位置的罰分，第二個(gè)數(shù)字為gap延伸的罰分。

經(jīng)過一系列的罰分機(jī)制，每個(gè)alignment會有一個(gè)對應(yīng)的得分，然后會根據(jù)一個(gè)閾值，來判斷這個(gè)得分是否滿足valid  alignment的要求。

hisat通過--score--min參數(shù)指定該閾值，指定方式是一個(gè)和reads程度相關(guān)的函數(shù)，默認(rèn)值為L,0,-0.2, 對應(yīng)函數(shù)為

f(x) = 0 - 0.2 * x

根據(jù)reads長度，可以計(jì)算出得分的閾值，大于該閾值的alignment 被認(rèn)為是valid alignment , 才可能被輸出。L代表線性函數(shù)，此外，也支持其他類型的函數(shù)，比如常量，自然對數(shù)等，更多選擇請參考官方文檔。

一條reads可能會擁有多個(gè)valid  alignments, 在輸出時(shí)，并不會輸出所有的alignments, 而是只輸出-k參數(shù)指定的N個(gè)alignments，-k參數(shù)的默認(rèn)值為5。
輸出結(jié)果以SAM格式保存，默認(rèn)輸出到屏幕上，可以通過-S參數(shù)指定輸出文件。

通常情況下，默認(rèn)參數(shù)就能夠滿足我們的需求了。單端數(shù)據(jù)比對的用法如下

hisat -x hg19 -p 20 -U reads.fq -S align.sam

雙端數(shù)據(jù)用法如下

hisat -x hg19 -p 20 -1 R1.fq -2 R2.fq -S align.sam

關(guān)于如何解析對比基因組工具h(yuǎn)isat2就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。