测序数据质量控制 [Quality control of sequencing data]

基本信息 information

环境：

Ubuntu arrch64 GNU/Linux

软件版本号：

conda 23.5.2

trimmomatic (0.39)

bowtie2 (2.5.1)

使用trimmomatic进行数据质控 Data QC with trimmomatic

可以使用trimmomatic -h命令查看使用帮助，得到如下反馈。

   PE [-version] [-threads <threads>] [-phred33|-phred64] [-trimlog <trimLogFile>] [-summary <statsSummaryFile>] [-quiet] [-validatePairs] [-basein <inputBase> | <inputFile1> <inputFile2>] [-baseout <outputBase> | <outputFile1P> <outputFile1U> <outputFile2P> <outputFile2U>] <trimmer1>... or: 

   SE [-version] [-threads <threads>] [-phred33|-phred64] [-trimlog <trimLogFile>] [-summary <statsSummaryFile>] [-quiet] <inputFile> <outputFile> <trimmer1>...

参数解读

PE表示 paired-end 数据的质量控制，SE也即single-end 数据。以下以PE为例。

• -threads 使用的线程数。
• -phred33或 -phred64 : 指定输入数据的质量编码方式。如果不指定，软件也会自动判断文件格式。phred33/64都是测序数据质量编码方式，用于描述测序数据中每个碱基的质量值。简单来说。illumina测序时，碱基结合产生的荧光数据被捕捉并绘制成荧光曲线。从荧光数据中可以识别碱基类别，但现实中波峰的形态可能发生模糊，并可能导致数据的失真。Phred就是用来评估这种错误率，Phred以 Q来表示，在测序文件中被编码、转换并储存为ASCII字符。
• -trimlog <trimLogFile>: 指定日志文件，记录处理过程的详细信息和统计。
• <outputFile1P> <outputFile1U> <outputFile2P> <outputFile2U>是输出的质控后的 数据文件。
• -summary <statsSummaryFile>: 指定输出统计摘要文件，记录处理结果的统计信息。
• -quiet: 在处理过程中不输出冗余信息，保持安静模式。
• -validatePairs: 对配对的数据进行验证，确保数据完整和一致性。
• -basein <inputBase> | <inputFile1> <inputFile2>: 指定输入数据的文件名，可以输入两个单端文件或一对配对的文件。
• -baseout <outputBase> | <outputFile1P> <outputFile1U> <outputFile2P> <outputFile2U>: 指定输出数据的文件名，baseout代表输出文件的基础名字。输出文件包括4个，包括处理后的配对和未配对数据各有2个文件，其中U代表unpaired，P代表paired。
• <trimmer1>...: 这是 Trimmomatic 支持的各种处理步骤，可以使用一个或多个处理步骤，以下为常用的过滤步骤。 ① ILLUMINACLIP: 剪切适配序列，用于去除测序引物或适配序列。 ②LEADING: 去除序列开头低质量的碱基。 ③ TRAILING: 去除序列末尾低质量的碱基。 ④SLIDINGWINDOW: 滑动窗口截断，根据窗口内的平均质量分值去除序列。 ⑤ MINLEN: 设定最小序列长度，去除过短的序列。

使用Bowtie2 去除宿主序列 Removing host sequences with Bowtie2

可以使用bowtie2 -h命令查看使用帮助，得到如下反馈。

bowtie2 [options]* -x <bt2-idx> {-1 <m1> -2 <m2> | -U <r> | --interleaved <i> | -b <bam>} [-S <sam>]

参数解读

• -x <bt2-idx>：指定Bowtie2索引的路径和前缀，用于比对。
• {-1 <m1> -2 <m2> | -U <r> | --interleaved <i> | -b <bam>}：这是关于输入序列数据的不同选项，根据数据的类型选择相应的输入方式：
  • -1 <m1> -2 <m2>：指定成对测序数据的路径，<m1>和<m2>分别表示两个文件的路径。
  • -U <r>：指定未成对（单端）测序数据的路径，<r>表示文件的路径。
  • --interleaved <i>：指定合并成对测序数据的路径，<i>表示文件的路径。
  • -b <bam>：指定输入已比对的BAM格式文件，<bam>表示文件的路径。
• [-S <sam>]：用于指定输出比对结果的SAM格式文件路径，<sam>表示文件的路径。

SAM格式是一种文本格式，可读性较好，以纯文本形式存储比对结果。可以直接被查看和编辑，适合小规模的数据。缺点是文件较大，读写速度较慢，不适合处理大规模数据。BAM格式是一种二进制格式，是SAM格式的压缩版本，以二进制形式存储比对结果。BAM文件的读写速度较快，适合处理大规模数据。

好了，测序数据质量控制就写到这里，下次更新物种注释部分。