参考基因组没有,经费也没那么多,怎么办?

尽管目前已经有大量物种基因组释放出来,但还是存在许多物种是没有参考基因组。使用基于酶切的二代测序技术,如RAD-seq,GBS,构建遗传图谱是研究无参考物种比较常用的方法。Stacks就是目前比较通用的分析流程,能用来构建遗传图谱,处理群体遗传学,构建进化发育树。

这篇教程主要介绍如何使用Stacks分析基于酶切的二代测序结果,比如说等RAD-seq,分析步骤为环境准备,原始数据质量评估, 多标记数据分离,序列比对(无参则需要进行contig de novo 组装),RAD位点组装和基因分型,以及后续的标记过滤和格式转换。

适用范围:

  • 酶切文库类型:ddRAD, GBS, ezRAD, quad-dRAD和Rapture。 但是stacks更适用于RAD-seq,GBS推荐TASSEL。如下是“Genome-wide genetic marker discovery and genotyping using next-generation sequencing”对几种常见的建库方法的总结

几种文库的不同

  • 测序类型: 双酶切文库双端测序数据或单端数据
  • 测序平台: illumina, IonTorren

局限性:

  • 不能用于普通的随机文库测序
  • 不能适用单酶切文库的双端测序数据(stacks 2.0可以)
  • 无法用于混池测序,也不适合与多倍体,因为stacks在组装时假定物种为二倍体
  • 对于深度不够,且错误率比较高的数据,它也没辙,所以建议深度在20x以上

分析者要求:掌握基本的Unix命令行,会基本集群操作,熟悉R语言编程。

硬件要求:电脑的内存在64G以上,8~16核CPU起步,准备1T以上的硬盘。

整体分析流程见下图:

前期准备

准备分为两个部分:软件安装和数据下载。

数据准备: 数据来自于2012年发表的"The population structure and recent colonization history of Oregon threespine stickleback determined using restriction-site associated DNA-sequencing"中的三刺鱼( Gasterosteus aculeatus )数据集,一共有78个样本,来自于美国俄勒冈海岸的4个群体,两个是海水鱼(Cushman Slough’ (CS)和 ‘South Jetty’ (SJ)),两个是淡水鱼(‘Winchester Creek’ (WC) 和 ‘Pony Creek Reservoir’ (PCR))。

mkdir -p stacks-exercisecd stacks-exercisewget -q http://catchenlab.life.illinois.edu/data/rochette2017_gac_or.tar.gz &tar xf http://catchenlab.life.illinois.edu/data/rochette2017_gac_or.tar.gz

这个数据大约在9G左右,因此需要很长一段时间,这段时间可以安装软件。

软件安装:需要安装BWA, SAMtools, stacks,R/ADEgenet. 好消息是这些软件都可以通过bioconda进行安装,除了R/ADEgenet推荐直接用R的 install.packages("adegenet")

# 适用conda安装软件conda install -c bioconda bwaconda install -c bioconda samtoolsconda install -c bioconda stacks=1.47

bioconda怎么用,

利用conda布署生物信息分析环境

七夕刚过,bioconda中国镜像来临

估计此时数据依旧没有下载完,我们先创建后续需要用到的文件目录

mkdir -p stacks-exercise/{00-raw-data,01-clean-data,02-read-alignment,reference/genome,03-stacks-analysis/{de-novo,ref-based},test/{de-novo,ref-based},info}# 目录结构stacks-exercise/|-- 00-raw-data # 原始数据|-- 01-clean-data # 处理后数据|-- 02-read-alignment # 比对后数据|-- 03-stacks-analysis # 实际运行| |-- de-novo| |-- ref-based|-- info # barcode信息|-- reference # 参考基因组| |-- genome|-- rochette2017_gac_or.tar.gz|-- test # 测试数据集 |-- de-novo |-- ref-based

输入文件预处理(可选)

这一步并非必须,取决公司提供给你什么样的数据。对于多个样本测序,公司可能返还的是含有barcode信息原始lane数据,那么就需要从原始数据中将各个样本的数据区分开。

先将解压得到的三个lane的原始数据移动到我们的文件夹中,

cd stacks-exercisemv rochette2017_gac_or/top/raw/{lane1,lane2,lane3} 00-raw-data

接着准备两个制表符(Tab)分隔的文件,用于将barcode和样本对应,以及样本和群体一一对应。这里不需要自己写了,只需要将作者存放info里的tsv文件复制过来即可,格式如下

mv rochette2017_gac_or/top/info/*.tsv info/# barcode和样本的对应关系head -n3 info/barcodes.lane1.tsvCTCGCC sj_1819.35GACTCT sj_1819.31GAGAGA sj_1819.32# 样本和群体的对应关系head -n3 info/popmap.tsvcs_1335.01 cscs_1335.02 cscs_1335.03 cs

关barcode和样本的tsv中,样本的命名里不要包含空格,只能用字母,数字,".",“-”和"_", 而且有意义,最好包含原来群体名的缩写和样本编号。

可视化评估测序数据

思考并记录下按照你的实验处理,你得到的read大概会是什么结构,从理论上讲,从左往右应该分别是:barcode,限制性酶切位点和后续的测序碱基。比如说案例应该现有6个碱基的barcode,SbfI限制性位点CCTGCAGG和其余的DNA序列,总计101bp

<6-nt barcode>TGCAGG<unique 89-nt sequence>

然后我们就可以用Linux自带的文本处理命令检查一下,比如说grep/zgrep,zcat+head, less/zless.

检查一下read结构

如果序列已经去掉了barcode,那么开头的就会是酶切位点。

第一步:数据预处理

这一步会用到 process_radtags, 它扶负责对原始的数据进行处理,包括样本分离,质量控制,检查酶切位点完整性等。

# 在项目根目录下raw_dir=00-raw-data/lane1barcodes_file=info/barcodes.lane1.tsvprocess_radtags -p $raw_dir -b $barcode_file \ -o 01-clean-data/ -e sbfI --inline_null \ -c -q -r &> 01-clean-data/process_radtags.lane1.oe &

解释下参数,虽然大部分已经很明了: -p为原始数据存放文件夹, -b为barcode和样本对应关系的文件, -o为输出文件夹, -e为建库所用的限制性内切酶, --inline_null表示barcode的位置在单端的read中, -c表示数据清洗时去除表示为N的碱基, -q表示数据清理时要去除低质量碱基 -r表示要抢救下barcode和RAD-tag。

这一步需要留意自己的单端测序,还是双端测序,barcode是在read中,还是在FASTQ的header中,是否还需要去接头序列,是否是双酶切建库等。 另外这一步比较耗时,尽量脱机运行或者提交到计算节点中,不然突然断网导致运行终止就更浪费时间了。 将运行结果记录到日志文件中,方便后期检查报错。

运行结束后,在 01-clean-data下会有除了process_radtags.lane1.oe外,还会有process_radtags.lane1.log,前者记录每条lane的数据保留情况,后者记录每个样本的数据保留情况。可以将后者复制到Excel表格中,用柱状图等方法直观了解

样本剩余read柱状图

从图中可以发现,"sj_1483.05"和"sj_1819.31"几乎没有read留下来,这能是建库上导致的问题,我们需要将其fastq文件直接删掉,从“info/popmap.tsv”中删掉或者用“#”注释掉它对应行(推荐后者)。

在数据预处理这一步,stacks还提供process_shortreads,clone_filter, kmer_filter用于处理cDNA文库和随机切割的DNA文库,如果是RAD-seq不需要用到。

如果是双端测序,stacks1.47只能通过cat合并两个数据,而不能有效的利用双端测序提供的fragment信息。stacks似乎可以,我之后尝试。

第二步:获取样本变异数据

这一步之后,分析流程就要根据是否有参考基因组分别进行分析。无参考基因组需要先有一步的 de novo 组装,产生能用于比对的contig。有参考基因组则需要考虑基因组的质量,如果质量太差,则需要进一步以无参分析作为补充。

参考基因组主要用于区分出假阳性的SNP,将snp与附近其他共线性的snp比较来找出离异值,这些离异值大多是因为建库过程所引入的误差,如PCR的链偏好性扩增。

无论是何者,我们一开始都只能用其中的部分数据进行参数测试,根据不同的参数结果作为反馈,进行调优,这一步根据你的运气和经验,还有你的算力,时间不定。毕竟超算一天,普算一年。

有参考基因组

三刺鱼是可从ensemblgenomic上搜索到到参考基因组信息

  • http://asia.ensembl.org/Gasterosteus_aculeatus/Info/Index

但是质量非常一般,仅仅是contig程度,只能说是凑合使用了。

建立索引数据库

stacks不直接参与比对,而是处理不同比对软件得到的BAM文件,因此你可以根据自己的喜好选择比较工具。目前,基因组比对工具都是首选BWA-mem,所以这里建立bwa的索引

# 位于项目根目录下cd reference/genomewget -q ftp://ftp.ensembl.org/pub/release-91/fasta/gasterosteus_aculeatus/dna/Gasterosteus_aculeatus.BROADS1.dna.toplevel.fa.gzgzip -d Gasterosteus_aculeatus.BROADS1.dna.toplevel.fa.gzcd ..mkdir -p index/bwa/genome_fa=genome/Gasterosteus_aculeatus.BROADS1.dna.toplevel.fabwa index -p index/bwa/gac $genome_fa &> index/bwa/bwa_index.oe# 结果如下|-- genome| |-- Gasterosteus_aculeatus.BROADS1.dna.toplevel.fa|-- index |-- bwa |-- bwa_index.oe |-- gac.amb |-- gac.ann |-- gac.bwt |-- gac.pac |-- gac.sa

小样本参数调优

这一步是为了调整比对工具处理序列相似性的参数,保证有绝大多数的read都能回帖到参考基因组上,因此参数不能太严格,能容忍遗传变异和测序误差,也不能太宽松,要区分旁系同源位点。对于BWA-MEM而言,几个和打分相关的参数值得注意:

  • -B: 不匹配的惩罚, 影响错配数,默认是4
  • -O: 缺失和插入的gap打开的惩罚,影响InDel的数目,默认是[6,6]
  • -E: gap延伸的惩罚,长度k的gap惩罚为'{-O} + {-E}*k', 默认是[1,1]
  • -L: soft clip的惩罚,也就是read两端直接切掉碱基来保证匹配,默认是[5,5]

对于参考基因组质量比较高,且研究物种和参考基因组比较近,那么参数调整没有太大必要性。如果质量不要,或者所研究物种和参考基因组有点距离,那么就需要注意不同参数对结果的影响,必要时使用IGV人工检查。

让我们先以默认参数开始,处理其中一个样本

# 位于项目根目录下# 在测试文件下按照参数创建文件夹mkdir -p stacks-test/ref-based/{alignment-bwa,stacks-bwa}## bwa-mem比对sample=cs_1335.01fq_file=01-clean-data/$sample.fq.gzbam_file=test/ref-based/alignment-bwa/${sample}_default.bambwa_index=reference/index/bwa/gacbwa mem -M $bwa_index $fq_file | samtools view -b > $bam_file &

这里的 bwa mem使用了 -M参数,通常的解释这个参数是为了和后续的Picard标记重复和GATK找变异兼容。

进一步的解释,不用 -M,split read会被标记为SUPPLEMENTARY, 使用该选项则是标记为SECONDARY(次要),即不是PRIMARY(主要),既然不是主要比对,所以就被一些工具忽略掉。如果是SUPPLEMENTARY就有可能在标记重复时被考虑进去。其中split read是嵌合比对的一部分,具体概念见SAM格式解释。

对于比对结果,可以用 samtools statssamtools flagstat查看一下质量

samtools flagstat test/ref-based/alignment-bwa-default/cs_1335.01_default.bam#1310139 + 0 in total (QC-passed reads + QC-failed reads)#7972 + 0 secondary#0 + 0 supplementary#0 + 0 duplicates#1271894 + 0 mapped (97.08% : N/A)

97.08%的比对率应该是很不错了,不过可以尝试降低下错配和gap的惩罚,看看效果

# 位于项目根目录下sample=cs_1335.01fq_file=01-clean-data/$sample.fq.gzbam_file=test/ref-based/alignment-bwa/${sample}_B3_O55.bambwa_index=reference/index/bwa/gacbwa mem -M -B 3 -O 5,5 $bwa_index $fq_file | samtools view -b > $bam_file &samtools flagstat test/ref-based/alignment-bwa-default/cs_1335.01_default.bam#1309830 + 0 in total (QC-passed reads + QC-failed reads)#7663 + 0 secondary#0 + 0 supplementary#0 + 0 duplicates#1272297 + 0 mapped (97.13% : N/A)

也就提高了0.05%,所以就用默认参数好了。通过IGV可视化,可以了解简化基因组的read分布是比较稀疏,10k中可能就只有2个。

IGV截图

得到的BAM文件使用 pstack中找snp,

# 位于项目根目录下sample=cs_1335.01sample_index=1bam_file=test/ref-based/alignment-bwa/${sample}_B3_O55.bamlog_file=test/ref-based/stacks-bwa/$sample.pstacks.oepstacks -t bam -f $bam_file -i $sample_index -o test/ref-based/stacks-bwa/ &> $log_file

这里的参数也很简单, -t用来确定输入文件的格式, -f是输入文件, -i对样本编序, -o指定输出文件夹。除了以上几个参数外,还可用 -p指定线程数, -m来制定最低的覆盖度,默认是3.还可以用 --model_type [type]制定模型。

最后得到 $sample.tags.tsv.gz, $sample.models.tsv.gz, $sample.snps.tsv.gz, 和 $sample.alleles.tsv.gz共4个文件,以及一个日志文件。参数评估的主要看日志文件里的几个指标:

  • 实际使用的alignment数
  • 因soft-clipping剔除的alignment数,过高的话要对比对参数进行调整
  • 每个位点的平均覆盖度,过低会影响snp的准确性。

这里仅仅用了一个样本做测试,实际上要用10个以上样本做测试,看平均表现,

全数据集处理在使用小样本调试完参数,这部分参数就可以应用所有的样本。除了比对和使用pstacks外,还需要用到 cstacks根据位置信息进一步合并成包含所有位点信息的目录文件,之后用 sstackscstacks创建的目录文件搜索每个样本的位点信息。代码为

cstacks -p 10 --aligned -P 03-stacks-analysis/ref-based -M info/popmap.tsv# 以其中一个样本为例sample=cs_1335.01log_file=$sample.sstacks.oesstacks --aligned -c 03-stacks-analysis/ref-based/batch_1 -s 03-stacks-analysis/ref-based/$sample -o 03-stacks-analysis/ref-based/ &> 03-stacks-analysis/ref-based/$log_file

你可以写一个shell脚本处理,不过我现在偏好用snakemake写流程,代码见最后。

无参考基因组

基于参考基因组的分析不能体现出RAD-seq的优势,RAD-seq的优势体现在没有参考基因组时他能够提供大量可靠的分子标记,从而构建出遗传图谱,既可以用于基因定位,也可以辅助组装。

和全基因组随机文库不同,RAD-seq是用限制性内切酶对基因组的特定位置进行切割。这样的优点在于降低了 de novo 组装的压力,原本是根据overlap(重叠)来延伸150bp左右短读序列,形成较大的contig,而现在只是将相似性的序列堆叠(stack)起来。这样会产生两种分子标记:1)由于变异导致的酶切位点出现有或无的差异;2)同一个酶切位点150bp附近存在snp。

参数调优

这一步使用的核心工具是 ustackscstacks,前者根据序列相似性找出变异,后者将变异汇总,同样需要使用小样本调整三个参数 -M, -n, -mustacksM 控制两个不同样本等位基因(allele)之间的错配数,m 控制最少需要几个相同的碱基来形成一个堆叠(stack).最后一个比较复杂的参数是能否允许gap(--gap)。而 cstacksnustacksM等价。

因此,我们可以尝试在保证 m=3的前提,让 M=n从1到9递增,直到找到能让80%的样本都有多态性RAD位点,简称r80. Stacks提供了 denovo_map.pl来完成这部分工作,下面开始代码部分。

首先是从 info/popmap.tsv中挑选10多个样本用于参数调试

cat popmap_sample.tsvcs_1335.01 cscs_1335.02 cscs_1335.19 cspcr_1193.00 pcrpcr_1193.01 pcrpcr_1193.02 pcrpcr_1213.02 pcrsj_1483.01 sjsj_1483.02 sjsj_1483.03 sjwc_1218.04 wcwc_1218.05 wcwc_1218.06 wcwc_1219.01 wc

然后为每个参数都准备一个文件夹

mkdir -p test/de-novo/stacks_M{1..9}

然后先 测试 第一个样本

# 项目根目录M=1popmap=info/popmap_sample.tsvreads_dir=01-clean-dataout_dir=test/de-novo/stacks_M${M}log_file=$out_dir/denovo_map.oethreads=8denovo_map.pl -T ${threads} --samples ${reads_dir} -O ${popmap} -o ${out_dir} -M $M -n $M -m 3 -b 1 -S &> ${log_file} &

代码运行需要一段比较长的时间,这个时候可以学习一下参数: -T 表示线程数, --samples表示样本数据所在文件夹,-O提供需要分析的样本名, -o是输出文件夹,之后就是-M, -n, -m这三个需要调整的参数, -b表示批处理的标识符, -S关闭SQL数据库输出。同时还有遗传图谱和群体分析相关参数,-p表示为亲本,-r表示为后代,-s表明群体各个样本。

为了确保下一步能顺利进行,还需要对oe结尾的日志文件的信息进行检查,确保没有出错

grep -iE "(err|e:|warn|w:|fail|abort)" test/de-novo/stacks_M1/denovo_map.oe

以及以log结尾的日志中每个样本的平均覆盖度,低于10x的覆盖度无法保证snp的信息的准确性

之后对每个参数得到的原始数据,要用 populations过滤出80%以上都有的snp位点,即r80位点

# 项目根目录for M in `seq 1 9`dopopmap=info/popmap_sample.tsvstacks_dir=test/de-novo/stacks_M${M}out_dir=$stacks_dir/populations_r80mkdir -p ${out_dir}log_file=$out_dir/populations.oepopulations -P $stacks_dir -O $out_dir -r 0.80 &> $log_file &done

确定参数

经过漫长的等待后,所有参数的结果都已经保存到特定文件下,最后就需要从之确定合适的参数,有两个指标:

  • 多态性位点总数和r80位点数
  • 短读堆叠区的snp平均数

尽管这些信息都已经保存在了相应的文本 test/de-novo/stacks_M[1-9]/populations_r80/batch_1.populations.log中,但是通过文字信息无法直观的了解总体情况,因此更好的方法是用R处理输出绘图结果。

第一步:提取每个参数输出文件中的log文件中SNPs-per-locus distribution(每个位点座位SNP分布图)信息.新建一个shell脚本,命名为,log_extractor.sh, 添加如下内容

#!/bin/bash# Extract the SNPs-per-locus distributions (they are reported in the log of populations).# ----------echo "Tallying the numbers..."full_table=n_snps_per_locus.tsvheader='#par_set\tM\tn\tm\tn_snps\tn_loci'for M in 1 2 3 4 5 6 7 8 9 ;do n=$M m=3 # Extract the numbers for this parameter combination. log_file=test/de-novo/stacks_M${M}/populations_r80/batch_1.populations.log sed -n '/^#n_snps\tn_loci/,/^[^0-9]/ p' $log_file | grep -E '^[0-9]' > $log_file.snps_per_loc # Cat the content of this file, prefixing each line with information on this # parameter combination. line_prefix="M$M-n$n-m$m\t$M\t$n\t$m\t" cat $log_file.snps_per_loc | sed -r "s/^/$line_prefix/"done | sed "1i $header" > $full_table

运行后得到 n_snps_per_locus.tsv用于后续作图。会用到两个R脚本 plot_n_loci.Rplot_n_snps_per_locus.R,代码见最后,结果图如下

r80位点数量

SNP分布

从上图可以发现M=4以后,折线就趋于稳定,并且每个座位上的SNP分布趋于稳定,因此选择M=4作为全样本数据集的运行参数。

全数据集 de novo 分析

和之前基于参考基因组分析的代码类型,只不过将序列比对这一块换成了 ustacks。尽管前面用来确定参数的脚本 denovo_map.pl也能用来批量处理,但它不适合用于大群体分析。 ustacks得到的结果仅能选择40~200个 覆盖度高遗传多样性上有代表性的样本。 使用所有样本会带来计算上的压力,低频的等位基因位点也并非研究重点,并且会提高假阳性。综上,选择覆盖度比较高的40个样本就行了。

第三步:过滤并导出数据

这一步的过滤在stacks1.47是分为两个部分。第一部分是对于从头分析和基于参考基因组都使用 rxstacks过滤掉低质量变异,然后重新用 cstackssstacks处理。第二部分是使用 population从群体角度进行过滤。 在stacks2.0时代, rxstacks功能不见了(我推测是作者认为作用不大),既然他们都不要了,那我也就只用 population过滤和导出数据了。

这一步主要淘汰那些生物学上不太合理,统计学上不显著的位点,一共有四个主要参数负责控制,前两个是生物学控制,根据研究主题而定

  • (-r):该位点在单个群体的所有个体中的最低比例
  • (-p): 该位点至少需要在几个群体中存在
  • (--min_maf): 过滤过低频率位点,推荐5~10%
  • (--maxobshet): 过滤过高杂合率位点, 推荐60~70%
# 项目根目录min_samples=0.80min_maf=0.05max_obs_het=0.70populations -P 03-stacks-analysis/ref-based/ -r $min_samples --min_maf $min_maf \--max_obs_het $max_obs_het --genepop &> populations.oe# --genepop表示输出格式,可以选择--vcf等

最后会在 03-stacks-analysis/ref-based/生成至少如下几个文件:

  • batch_1.sumstats.tsv: 核酸水平上的描述性统计值,如观测值和期望的杂合度 π, and FIS
  • batch_1.sumstats_summary.tsv: 每个群体的均值
  • batch_1.hapstats.tsv:单倍型水平的统计值,如基因多样性和单倍型多样性
  • batch_1.haplotypes.tsv: 单倍型
  • batch_1.genepop:指定的输出格式
  • batch_1.populations.log:输出日志

至此,上游分析结束,后续就是下游分析。后续更新计划:

  • stacks总体流程鸟瞰
  • Stacks核心参数深入了解
  • RAD-seq和GBS技术比较
  • 不同简化基因组protocol的比较
  • 学习TASSEL-GBS数据分析流程
  • 下游分析探索:这个得慢慢来

所用代码

snakfile

关于snakemake的用法,vip论坛有比较好的笔记,春节中奖的小伙伴记得多逛逛

SAMPLES, = glob_wildcards("01-clean-data/{sample}.fq.gz")INDEX_DICT = {value: key for key, value in dict(enumerate(SAMPLES, start=1)).items()}FQ_FILES = expand("01-clean-data/{sample}.fq.gz", sample=SAMPLES)# de novoMISMATCH = 4 # mismatch number of ustacksDE_NOVO_LOCI = expand("03-stacks-analysis/de-novo/{sample}.snps.tsv.gz", sample=SAMPLES)DE_NOVO_CATA = "03-stacks-analysis/de-novo/batch_1.catalog.snps.tsv.gz"DE_NOVO_MATS = expand("03-stacks-analysis/de-novo/{sample}.matches.tsv.gz", sample=SAMPLES)# ref-basedINDEX = "reference/index/bwa/gac"BAM_FILES = expand("02-read-alignment/ref-based/{sample}.bam", sample=SAMPLES)REF_BASED_LOCI = expand("03-stacks-analysis/ref-based/{sample}.snps.tsv.gz", sample=SAMPLES)REF_BASED_CATA = "03-stacks-analysis/ref-based/batch_1.catalog.snps.tsv.gz"REF_BASED_MATS = expand("03-stacks-analysis/ref-based/{sample}.matches.tsv.gz", sample=SAMPLES)rule all: input: rules.de_novo.input, rules.ref_based.inputrule de_novo: input: DE_NOVO_LOCI, DE_NOVO_CATA,DE_NOVO_MATSrule ref_based: input: REF_BASED_LOCI, REF_BASED_CATA, REF_BASED_MATS# de novo data analysis## The unique stacks program will take as input a set of short-read sequences## and align them into exactly-matching stacks (or putative alleles).rule ustacks: input: "01-clean-data/{sample}.fq.gz" threads: 8 params: mismatch = MISMATCH, outdir = "03-stacks-analysis/de-novo", index = lambda wildcards: INDEX_DICT.get(wildcards.sample) output: "03-stacks-analysis/de-novo/{sample}.snps.tsv.gz", "03-stacks-analysis/de-novo/{sample}.tags.tsv.gz", "03-stacks-analysis/de-novo/{sample}.models.tsv.gz", "03-stacks-analysis/de-novo/{sample}.alleles.tsv.gz", log: "03-stacks-analysis/de-novo/{sample}.ustacks.oe" shell:""" mkdir -p {params.outdir} ustacks -p {threads} -M {params.mismatch} -m 3 \ -f {input} -i {params.index} -o {params.outdir} &> {log} """## choose sample for catalog buildingrule choose_representative_samples: input: expand("03-stacks-analysis/de-novo/{sample}.ustacks.oe", sample=SAMPLES) output: "03-stacks-analysis/de-novo/per_sample_mean_coverage.tsv", "info/popmap.catalog.tsv" shell:""" for sample in {input};do name=${{sample##*/}} name=${{name%%.*}} sed -n "/Mean/p" ${{sample}} |\ sed "s/.*Mean: \(.*\); Std.*/\\1/g" |\ paste - - - |\ sed "s/.*/${{name}}\\t&" done | sort -k2,2nr > {output[0]} head -n 50 {output[0]} | tail -n 40 | cut -f 1 | sed 's/\([0-9a-zA-Z]*\)_.*/&\t\1/' > {output[1]} """rule de_novo_cstacks: input: "info/popmap.catalog.tsv", expand("03-stacks-analysis/de-novo/{sample}.snps.tsv.gz", sample=SAMPLES) params: stacks_path = "03-stacks-analysis/de-novo/", mismatch = MISMATCH threads: 10 log:"03-stacks-analysis/de-novo/de_novo_cstacks.oe" output: "03-stacks-analysis/de-novo/batch_1.catalog.alleles.tsv.gz", "03-stacks-analysis/de-novo/batch_1.catalog.snps.tsv.gz", "03-stacks-analysis/de-novo/batch_1.catalog.tags.tsv.gz" shell:""" cstacks -p {threads} -P {params.stacks_path} -M {input[0]} \ -n {params.mismatch} &> {log} """rule de_novo_sstacks: input: "03-stacks-analysis/de-novo/{sample}.snps.tsv.gz", "03-stacks-analysis/de-novo/{sample}.tags.tsv.gz", "03-stacks-analysis/de-novo/{sample}.models.tsv.gz", "03-stacks-analysis/de-novo/{sample}.alleles.tsv.gz" params: catalog = "03-stacks-analysis/de-novo/batch_1", sample = lambda wildcards: "03-stacks-analysis/de-novo/" + wildcards.sample output: "03-stacks-analysis/de-novo/{sample}.matches.tsv.gz" log: "03-stacks-analysis/de-novo/{sample}.sstacks.oe" shell:""" sstacks -c {params.catalog} -s {params.sample} -o 03-stacks-analysis/de-novo &> {log} """# reference-based data analysis## read alignment with bwa-memrule bwa_mem: input: "01-clean-data/{sample}.fq.gz" params: index = INDEX, mismatch = "3", gap = "5,5" threads: 8 output: "02-read-alignment/ref-based/{sample}.bam" shell:""" mkdir -p 02-read-alignment bwa mem -t {threads} -M -B {params.mismatch} -O {params.gap} {params.index} {input} \ | samtools view -b > {output} """## find variant locirule pstacks: input: "02-read-alignment/ref-based/{sample}.bam" params: outdir = "03-stacks-analysis/ref-based/", index = lambda wildcards: INDEX_DICT.get(wildcards.sample) threads: 8 output: "03-stacks-analysis/ref-based/{sample}.snps.tsv.gz", "03-stacks-analysis/ref-based/{sample}.tags.tsv.gz", "03-stacks-analysis/ref-based/{sample}.models.tsv.gz", "03-stacks-analysis/ref-based/{sample}.alleles.tsv.gz" log: "03-stacks-analysis/ref-based/{sample}.pstacks.oe" shell:""" mkdir -p 03-stacks-analysis/ref-based pstacks -p {threads} -t bam -f {input} -i {params.index} -o {params.outdir} &> {log} """## A catalog can be built from any set of samples processed by the ustacks or pstacks programsrule ref_based_cstacks: input: "info/popmap.tsv",expand("03-stacks-analysis/ref-based/{sample}.snps.tsv.gz", sample=SAMPLES) threads: 10 output: "03-stacks-analysis/ref-based/batch_1.catalog.alleles.tsv.gz", "03-stacks-analysis/ref-based/batch_1.catalog.snps.tsv.gz", "03-stacks-analysis/ref-based/batch_1.catalog.tags.tsv.gz" shell: "cstacks -p {threads} --aligned -P 03-stacks-analysis/ref-based/ -M {input[0]}"## Sets of stacks, i.e. putative loci, constructed by the ustacks or pstacks programs## can be searched against a catalog produced by cstacks.rule ref_based_sstacks: input: "03-stacks-analysis/ref-based/{sample}.snps.tsv.gz", "03-stacks-analysis/ref-based/{sample}.tags.tsv.gz", "03-stacks-analysis/ref-based/{sample}.models.tsv.gz", "03-stacks-analysis/ref-based/{sample}.alleles.tsv.gz" params: catalog = "03-stacks-analysis/ref-based/batch_1", sample = lambda wildcards: "03-stacks-analysis/ref-based/" + wildcards.sample output: "03-stacks-analysis/ref-based/{sample}.matches.tsv.gz" log: "03-stacks-analysis/ref-based/{sample}.sstacks.oe" shell:""" sstacks --aligned -c {params.catalog} -s {params.sample} -o 03-stacks-analysis/ref-based &> {log} """

将以上代码保存为Snakefile,没有集群服务器,就直接用 snakemake运行吧。因为我能在集群服务器上提交任务,所以用如下代码

snakemake --cluster "qsub -V -cwd" -j 20 --local-cores 10 &

plot_n_snps_per_locus.R的代码

#!/usr/bin/env Rscriptsnps_per_loc = read.delim('./n_snps_per_locus.tsv')# Keep only M==n, m==3snps_per_loc = subset(snps_per_loc, M==n & m==3)# Rename column 1colnames(snps_per_loc)[1] = 'par_set'# Create a new data frame to contain the number of loci and polymorphic locid = snps_per_loc[,c('par_set', 'M', 'n', 'm')]d = d[!duplicated(d),]# Compute these numbers for each parameter set, using the par_set column as an IDrownames(d) = d$par_setfor(p in rownames(d)) { s = subset(snps_per_loc, par_set == p) d[p,'n_loci'] = sum(s$n_loci) s2 = subset(s, n_snps > 0) d[p,'n_loci_poly'] = sum(s2$n_loci)}# Make sure the table is orderedd = d[order(d$M),]pdf('./n_loci_Mn.pdf')# Number of loci# ==========plot(NULL, xlim=range(d$M), ylim=range(c(0, d$n_loci)), xlab='M==n', ylab='Number of loci', main='Number of 80%-samples loci as M=n increases', xaxt='n', las=2 )abline(h=0:20*5000, lty='dotted', col='grey50')axis(1, at=c(1,3,5,7,9))legend('bottomright', c('All loci', 'Polymorphic loci'), lty=c('solid', 'dashed'))lines(d$M, d$n_loci)points(d$M, d$n_loci, cex=0.5)lines(d$M, d$n_loci_poly, lty='dashed')points(d$M, d$n_loci_poly, cex=0.5)# Number of new loci at each step (slope of the previous)# ==========# Record the number of new loci at each parameter stepd$new_loci = d$n_loci - c(NA, d$n_loci)[1:nrow(d)]d$new_loci_poly = d$n_loci_poly - c(NA, d$n_loci_poly)[1:nrow(d)]# Record the step sized$step_size = d$M - c(NA, d$M)[1:(nrow(d))]plot(NULL, xlim=range(d$M), ylim=range(c(0, d$new_loci, d$new_loci_poly), na.rm=T), xlab='M==n', ylab='Number of new loci / step_size (slope)', main='Number of new 80%-samples loci as M=n increases' )abline(h=0, lty='dotted', col='grey50')legend('topright', c('All loci', 'Polymorphic loci'), lty=c('solid', 'dashed'))lines(d$M, d$new_loci / d$step_size)points(d$M, d$new_loci / d$step_size, cex=0.5)lines(d$M, d$new_loci_poly / d$step_size, lty='dashed')points(d$M, d$new_loci_poly / d$step_size, cex=0.5)null=dev.off()

plot_n_loci.R的代码

#!/usr/bin/env Rscriptd = read.delim('./n_snps_per_locus.tsv')# Keep only M==n, m==3.d = subset(d, M==n & m==3)# Make sure the table is ordered by number of snps.d = d[order(d$n_snps),]Mn_values = sort(unique(d$M))# Write the counts in a matrix.m = matrix(NA, nrow=length(Mn_values), ncol=max(d$n_snps)+1)for(i in 1:nrow(d)) { m[d$M[i],d$n_snps[i]+1] = d$n_loci[i] # [n_snps+1] as column 1 is for loci with 0 SNPs}# Truncate the distributions.max_n_snps = 10m[,max_n_snps+2] = rowSums(m[,(max_n_snps+2):ncol(m)], na.rm=T)m = m[,1:(max_n_snps+2)]m = m / rowSums(m, na.rm=T)# Draw the barplot.pdf('n_snps_per_locus.pdf')clr = rev(heat.colors(length(Mn_values)))barplot(m, beside=T, col=clr, las=1, names.arg=c(0:max_n_snps, paste('>', max_n_snps, sep='')), xlab='Number of SNPs', ylab='Percentage of loci', main='Distributions of the number of SNPs per locus\nfor a range of M==n values' )legend('topright', legend=c('M==n', Mn_values), fill=c(NA, clr))null=dev.off()

原文发布于微信公众号 - 生信技能树(biotrainee)

原文发表时间:2018-02-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏云时之间

深度学习与TensorFlow:VGG论文复现

2167
来自专栏奇点大数据

深度强化学习选股-上证50指数增强

沪深300指数增强 github(https://github.com/AlphaSmartDog/DeepLearningNotes/tree/master/...

3274
来自专栏企鹅号快讯

外国网友如何使用机器学习将邮件分类?其实很简单

AiTechYun 编辑:Yining 背景:一名叫做Anthony Dm.的外国网友试图利用机器学习将一堆未标记的电子邮件进行分类,以下是他对这次操作发表的文...

1868
来自专栏专知

【干货】TensorFlow协同过滤推荐实战

【导读】本文利用TensorFlow构建了一个用于产品推荐的WALS协同过滤模型。作者从抓取数据开始对模型进行了详细的解读,并且分析了几种推荐中可能隐藏的情况及...

45911
来自专栏云时之间

深度学习与TensorFlow:VGG论文复现

上一篇文章我们介绍了下VGG这一个经典的深度学习模型,今天便让我们通过使用VGG开源的VGG16模型去复现一下该论文.

3293
来自专栏数据库

后GWAS时代的数据整合:RegulomeDB和HaploReg数据库

RegulomeDB和HaploReg数据库提供了将大量基因组学数据与非编码突变整合的思路。 1.背景 GWAS研究产生了大量的SNP,大部分在非编码基因组 这...

21810
来自专栏生信技能树

【直播】我的基因组48:我可能测了一个假的全基因组

背景知识 男性只有一条X染色体和一条Y染色体,所以,理论上它们上面的SNV都应该是纯合的! X,Y除了同源区域外,其它地方差异很大。所以在女性样本里面即使是混入...

27912
来自专栏jeremy的技术点滴

使用keras破解验证码

4756
来自专栏生信技能树

【直播】我的基因组58:用R包SNPRelate来对我的基因型跟hapmap计划数据比较

hapmap计划的人群分布结果和千人基因组计划的分布结果来分析是一样的!【直播】我的基因组55:简单的PCA分析千人基因组的人群分布 这两个计划里面收集的样本的...

3926
来自专栏人工智能LeadAI

深度学习与TensorFlow:VGG论文复现

上一篇文章我们介绍了下VGG这一个经典的深度学习模型,今天便让我们通过使用VGG开源的VGG16模型去复现一下该论文.

953

扫描关注云+社区