你的位置:首页 > 操作系统

[操作系统]扩增子分析解读3格式转换 去冗余 聚类

本节课程,需要完成扩增子分析解读1质控 实验设计 双端序列合并和2提取barcode 质控及样品拆分 切除扩增引物

先看一下扩增子分析的整体流程,从下向上逐层分析

分析前准备
# 进入工作目录cd example_PE250
上一节回顾:我们提取barcode,质控及样品拆分,切除扩增引物,经历了两节课6步数据处理才拿到我们扩增的高质量目的片段(貌似基因组/RNA-Seq测序结果直接就是这个阶段了,可以直接mapping) 接下来我们将这些序列去冗余、聚类为OTU、再去除嵌合体,这样就可以获得高质量的OTU(类似于参考基因组/转录组),用于定量分析每个OTU的丰度。这一阶段我们使用著名的扩增子分析流程Usearch。 Usearch简介# 下载程序并重命名:下载链接来自邮件,请用户自行复制邮件中地址替换下面代码中的网址;或者在windows里面下载并重命名为usearch10wget -O "usearch10" 添加可执行权限chmod +x usearch10# 运行程序测试,成功可显示程序版本、系统信息和用户授权信息./usearch107. 格式转换做生信为什么要学Python/Perl/Shell这些语言,主要原因是各软件间要求的具体格式不同,需要进行格式转换,才能继续运行。因此想成为高手,不会语言基本寸步难行。 我们现在将QIIME拆分的结果类型,要转换成Usearch要求的格式。常见的解决思路是读Usearch帮助看它的格式要求,写个Python/Perl脚本转换格式。我这里使用了Shell脚本一行解决,优点是快,但缺点很多(人不容易看懂、不同Linux系统shell版本不同可能失效) 我们要转换的序列文件其实一直是fasta格式,只是序列名称行格式不同
# 目前格式>KO1_0 HISEQ:419:H55JGBCXY:1:1101:1931:2086 1:N:0:CACGAT orig_bc=TAGCTT new_bc=TAGCTT bc_diffs=0   # Usearch要求的格式>KO1_0;barcodelabel=KO1;
# 格式转换sed 's/ .*/;/g;s/>.*/&&/g;s/;>/;barcodelabel=/g;s/_[0-9]*;$/;/g' temp/PE250_P5.fa > temp/seqs_usearch.fa
上面这条命令有点复杂。sed是linux的一条命令,又是一种语言,擅长文本替换。替换的思路分四步:首先s/ ./;/g将原文件空格后面的内容(全是无用信息)替换为分号;其次s/>./&&/g是将序列名重复一次;再次s/;>/;barcodelabel=/g将重复后的;>替换为;barcodelabel=;最后s/_[0-9]*;$/;/g替换序列编号为分号。这只是我的思路,分析数据如解答数学题,可以有多种解法,你够聪明还会想出更好的解法。新人一定感觉这命令每句都不像人话,我告诉你Perl和Shell就是这样—难读但高效。改用易读的Python语言,肯定没有Shell简洁。 8. 去冗余为什么要去冗余?因为原始序列几百万条,聚类计算的时间极其恐怖。而已知扩增子测序结果中序列重复度高,并且大量出现1次或几次的序列统计学和功能上意义不大。因此将几百万条序列去冗余,并过滤低丰度序列,一般只剩几万条,极大的减少了下游分析的工作量,并可使结果更容易理解。usearch10的去冗余命令叫-fastx_uniques,紧跟着输入文件;-fastaout 接输出文件;-minuniquesize 参数设置保留的最小丰度reads数,建议最小设置为2,去掉所有的单次出现序列(singletons),数据量大建议设置总数据量的百万分之一并取整数部分-sizeout 在序列名称中添加序列出现的频率
# 序列去冗余./usearch10 -fastx_uniques temp/seqs_usearch.fa -fastaout temp/seqs_unique.fa -minuniquesize 2 -sizeout
计算过程中出现如下信息:
00:06 607Mb   100.0% Reading temp/seqs_usearch.fa00:06 574Mb  CPU has 96 cores, defaulting to 10 threads00:08 915Mb   100.0% DF00:09 935Mb  1268345 seqs, 686530 uniques, 624363 singletons (90.9%)00:09 935Mb  Min size 1, median 1, max 18774, avg 1.8562167 uniques written, 182874 clusters size < 2 discarded (26.6%)
主要内容为读取输入文件;检查到系统有96个CPU,默认使用了10个线程;总共有1268345条序列,其中非重复的序列有686530个,非重复且只出现一次的有624363个(90.9%的非冗余序列是singletons,多吗?);最小值、中位数、最大值、平均值;输出结果有62167个结果,丢弃掉的数据占26.6%。 本条命令的详细使用,请阅读官方文档 >9. 聚类OTU 为什么要聚类OTU?是因为Unique的序列仍然远多于物种数量,并且扩增的物种可能存在rDNA的多拷贝且存在变异而得到来自同一物种的多条序列扩增结果。目前人为定义序列相似度通常97%以上为OTU,大约是物种分类学种的水平,实际上1个OTU可能包括多个物种,而一个物种也可能扩增出多个OTU。 下面我们用usearch10将非冗余的序列聚类-cluster_otus接输入文件;-otus后面为输出的otu文件的fasta格式;-uparseout输出聚类的具体细节-relabel Otu为重命名序列以Otu起始
# 聚类OTU./usearch10 -cluster_otus temp/seqs_unique.fa -otus temp/otus.fa -uparseout temp/uparse.txt -relabel Otu
程序运行过程会显示运行时间、进度,发现的OTU,以及嵌合体数据;结果如下:
04:11 84Mb    100.0% 5489 OTUs, 9209 chimeras
程序一共运行了3分39秒,聚类发现5486个OTUs,同时发现了9187个嵌合体并已被丢弃。Usearch聚类算法之所以能发表在Nature Method上,就是因为其算法UParse在非常强的嵌合体检测能力,对人工重组数据评估,更接近真实结果。下一节我们将详细讲嵌合体产生的原因,以及去除的原理。 本条命令的详细使用,请阅读官方文档 ># 查看OTU数量grep '>' -c temp/otus.fa