应该是最新最详细的MUMmer中文使用说明

如何使用MUMmer比对大片段序列

测序技术刚开始发展的时候，大家得到的序列都是单个基因的长度，所以一般都是逐个基因的比较，用的都是BLAST或FASTA通过逐个基因联配的方式搜索数据库。但是1999年后，越来越多的物种全基因组出现，比如说在1999年出现了Helicobacter pylori的第二类菌株的基因组序列，就需要研究同一物种不同品系进化过程的基因组变化，比如说基因倒置现象。传统的BLAST/FASTA就用不了，就需要用到新的工具，这就是MUMmer出现的历史背景。

那么MUMmer能用来研究什么呢？比如说细菌的不同菌株基因组中倒置现象，人和老鼠的基因组在进化上的重排现象。还有比较同一物种的不同组装结果等。MUMmer的算法基础(suffix tree)使得它的速度比BLASTZ(k-mers)快得多，但是灵敏度低，也就是检测不到比较弱的匹配，但是作者说这都是可以通过修改参数进行改善.

安装

MUMmer是开源软件，因此可以通过下载源码编译的方式进行安装，同时biconda上已经有编译好的二进制版本方便用conda进行安装。目前，我个人比较推荐使用源码编译的方式进行安装。目前MUMmer已经更新到第四版，但是还在测试中，所以文章也没有发，求稳还是用3.23.

多说一句，如果在bioconda频道上搜索mummer, 会发现一个pymummer，不要以为这是mummer的源代码用python改写，它仅仅做到了通过调用系统安装的MUMmer的工具的方式运行而已，并且功能目前实在是太弱了。

为了方便使用记得将软件路径加入PATH。

MUMmer使用方法

MUMmer的核心基于Maximal exact matching算法开发的。其他工具(,,.)都是基于的开发的流程。这些流程的分析策略分为三部：

用在两个输入中找给定长度的极大唯一匹配(Maximal exact matching)

然后将这些匹配区域聚类成较大不完全联配区域, 作为锚定点(anchor)

最后它从每个匹配外部扩展联配, 形成有gap的联配。

Maximal exact matching

MUMmer核心是基于后缀树(suffix tree)数据结构的最大匹配路径。 根据这个算法开发出来的和可以从单个序列中检测重复，则是用于联配两条或两条以上的序列。由于MUMmer的其他工具基本都是基于mummer开发的，于是理解mummer就变得非常重要。

概念1：suffix tree: 表示一个字符串的所有子字符串的数据结构，比如说abc的所有子字符串就是a,ab,ac,bc,abc.

概念2：Maximal Unique Match: 指的是匹配仅在两个比较序列中各出现一次

mummer: 基于后缀树(suffix tree)数据结构，能够在两条序列中有效定位极大唯一匹配(maximal unique matches)，因此它比较适用于产生一组准确匹配(exact matches)以点图形式展示，或者用来锚定从而产生逐对联配(pair-wise alignments)

大部分情况下都不会直接用到，所以只要知道MUMmer历经几次升级，使得可以能够只找在reference和query都唯一的匹配(第一版功能)，也可以找需要在reference唯一的匹配(第二版新增)，甚至不在乎是否唯一的匹配(第三版新增),参数分别为,,。

repeat-match和exact-tandems比较少用，毕竟参数也不多，似乎有其他更好的工具能用来寻找序列中的重复区。

Clustering:聚类

的聚类算法能够比较智能地把几个独立地匹配按照顺序聚成一块。分为两种模式和。这两者差别在于是否允许重排,分别用于,.

基于和的输出，第四版还提供了和两个工具增加联配信息。

联配构建工具

基于上述两个工具，作者编写了4个工作流程，方便实际使用。

: 由Perl写的流程，用于联配很相近(closely related)核酸序列。它比较适合定位和展示高度保守的DNA序列。注意，为了提高nucmer的精确性，最好把输入序列先做遮盖(mask)避免不感兴趣的序列的联配，或者修改单一性限制降低重复导致的联配数。

：也是Perl写的流程，它以翻译后的氨基酸序列进行联配，工作原理同.

,： 两者是基于cshell写的流程，用于两个序列的常规联配，和promer,nucmer类似，只不过能够自动识别序列类型。它们擅长联配相似度高的DNA序列，找到它们的不同，也就是适合找SNP或者纠错。前者用于1v1无重排，后者1v多有重排

重点介绍一下的使用。reference和query文件都需要时fasta格式，每个都可以有多条序列。

参数我将其分为五个部分，匹配算法，聚类，外延、其他和新增

匹配:

聚类：

外延:

其他:

新增：

运行后得到一个delta格式的文件，它的作用是记录每个联配的坐标，每个联配中的插入和缺失的距离。下面逐行进行解释

用法举例

两个完整度高的基因组

比较常见的用法是把一条连续的序列和另一条连续的序列比。比如说两个细菌的菌株,直接用

或者是高度相似序列，不含重排

或者是高度相似序列，存在重排现象

以上的比较关注序列的不同之处，那么对于相似度没有那么高的两个序列，就需要用到。关注序列的相似之处，所以它允许重排，倒置和重复现象。允许多对多的比较方式，当然比较常用的是多对一的比较。

注意一点： 第四版中已经被废弃了，就是尽管保留了，但是没有对它做任何升级的意思。

如果是有点差异的两个序列，可以用翻译的氨基酸序列进行比较

两个基因草图

上面都是两条序列间的比较，但是研究植物的人更容易遇到的是两个物种的基因组都只有scafold级别，甚至是contig级别。那么就可以使用或构建序列间的可能联配。

一个基因草图对一个完整基因组

这里可以比较一下水稻日本晴基因组和其他地方品种

在第四版中新增了一个，进一步封装和其他数据整理工具，基本上没啥参数，而输出很齐全，非常的人性化。在不知如何开始的时候，可以无脑用这个。

数据整理

之前得到的数据还需要用,和进行进一步整理才能用于后续的分析。后续操作基于上面的基因草图和完成基因组比较结果。

最初的比对结果保留了最多的信息，需要用进行一波过滤，除去不太合适的部分。过滤选项有

: 最小的相似度 [0,100], 默认0

: 最小的匹配长度 默认0.

: 最小的联配唯一度 [0,100], 默认0

: 最大重叠度，针对和设置。 [0,100], 默认100

: 1对1全局匹配，不允许重排

: 1对1联配，允许重排，是和的交集

: 多对对联配，允许重排，是和的合集。

: 仅保留每个query在reference上的最佳位置,允许多条query在reference上重叠

: 仅保留每个reference在query上的最佳位置,允许多条reference在query上重叠

以上顺序是.光看参数估计不太明白，来一波图解。referece的一个片段可以联配到query的多个片段上，同样的query的一个片段也可以联配到reference的多个片段上，那么如何取舍呢？

通过,可以先过滤一些比较短，并且相似度比较低的匹配情况。进一步，计算长度和相似度的乘积(加权最长增加子集)，对于而言就是保留左2，对于则是保留右3. 这就是传说中的三角关系，这种关系可以用保留或者用消灭。

比如说我想看contig和reference两者唯一匹配，并且长度在1000，相似度大于90.

如何才能验证上面参数运行的结果是符合要求的呢？毕竟数据分析第一原则“不要轻易相信分析结果，需要多次验证才能使用”。

可以先用以人类可读的格式显示匹配的坐标。

不难发现这个位置锚定的非常不错，至少暂时看起来没有重叠之处

用看某一个匹配的序列比对情况。

针对reference有很长的组装序列的情况，还可以用将contig回贴到reference上，如果装了gnuplot还能用可视化点图.会尝试根据contig和reference匹配信息构建出tiling path(不好翻译呀。。)，不怎么用得到。