jellyfish:快速计算kmer分布

欢迎关注"生信修炼手册"！

jellyfish可以统计DNA序列中Kmer的分布，它运行速度快，内存消耗低，支持并行，是最常用的kmer统计软件之一。

官网如下：

http://www.genome.umd.edu/jellyfish.html

jellyfish有两个大版本，1.0版本和2.0版本，1.0版本最多支持kmer长度为31, 2.0版本对kmer长度没有任何的限制。在下载时，注意下载2.0版本。

github链接如下：

https://github.com/gmarcais/Jellyfish

直接下载编译好的linux可执行文件就可以了，代码如下

wget https://github.com/gmarcais/Jellyfish/releases/download/v1.1.12/jellyfish-linux
mv jellyfish-linux jellyfish
chmod +x jellyfish

jellyfish有很多个子命令，下面介绍常用的子命令

1. 计算kmer分布

count子命令用来计算kmer分布，用法如下

jellyfish count -m 31 -t 10 -s 1G test.fq

-m参数指定kmer的长度，-t指定并行的线程数，-s指定内存中hash的大小，这个参数可以根据基因组的大小适当调整，比如人类基因组3G,这里就设置成3G;test.fq是输入的序列文件。

需要注意的是，jellysifh 只能接受fastq或者fasta文件作为输入，而且不能是压缩文件。

默认情况下会生成名为mer_counts.jf的文件，该文件是一个二进制文件，可以通过其他命令来查看该文件中的内容。

2. 生成kmer 统计表

dump子命令可以将上述步骤生成的二进制文件转换成纯文本的文件，用法如下

jellyfish dump mer_counts.jf > kmer_count.fasta

kmer_count.fasta文件中每一条序列就是一个kmer,序列标识符是该kmer出现的次数，示意如下

>1150
AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
>20
GCTACCATGATAGCCAAGGAAATCCCACAAA

也支持输出成表格的形式，只需要添加-c和-t两个参数，用法如下

jellyfish dump  -c -t mer_counts.jf > kmer_count.tsv

输出内容如下

AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA 1150
GCTACCATGATAGCCAAGGAAATCCCACAAA 20
TATTTGCGGAGCTTGTTAGATAACAATCAAA 18

第一列为kmer,第二列为该kmer频数。

3. 查询某个kmer出现的次数

query 子命令可以快速查询某个kmer的频数，用法如下

jellyfish query mer_counts.jf GCTACCATGATAGCCAAGGAAATCCCACAAA

输出结果：

GCTACCATGATAGCCAAGGAAATCCCACAAA 20

4. 统计kmer基本信息

stats子命令会给出kmer的基本统计信息，用法如下

jellyfish stats mer_counts.jf

会在命令行输出如下统计结果

Unique:    130512636
Distinct:  260032104
Total:     3502352808
Max_count: 43395

unique 代表只出现了1次的kmer个数；Distinct 代表kmer的个数，Total 代表所有kmer频数总和，Max count 代表kmer的最大频数。

5. 统计kmer频数分布

histo子命令可以给出kmer的频数分布，用法如下

jellyfish histo mer_counts.jf > kmer_hist.tsv

输出内容如下

1 130512636
2 24879103
3 12766220
4 8746042

第一列代表kmer的频数，第二列代表出现该频数的kmer的总数。利用这个数据，可以画出kmer频数分布曲线，对应的R语言代码如下

x <- read.table(input, header = F, sep = " ", stringsAsFactors = F)
pdf("kmer_hist.pdf")
plot(x, type = "l")
dev.off()

最终的效果图如下