如何理解转录组数据比对工具STAR

如何理解转录组数据比对工具STAR,很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。

“专业、务实、高效、创新、把客户的事当成自己的事”是我们每一个人一直以来坚持追求的企业文化。 成都创新互联是您可以信赖的网站建设服务商、专业的互联网服务提供商! 专注于成都做网站、成都网站制作、软件开发、设计服务业务。我们始终坚持以客户需求为导向,结合用户体验与视觉传达,提供有针对性的项目解决方案,提供专业性的建议,创新互联建站将不断地超越自我,追逐市场,引领市场!

STAR是一款RNA_seq数据专用的比对软件,比对速度非常快,最大的优势是灵敏度高,GATK推荐采用STAR比对,然后进行下游的SNP分析。软件的源代码保存在github上,地址如下

https://github.com/alexdobin/STAR

安装过程如下

wget https://github.com/alexdobin/STAR/archive/2.6.1b.tar.gz
tar xzvf 2.6.1b.tar.gz

解压缩之后,在bin/Linux_x86_64_static目录下,提供了编译好的可执行文件STAR。和hisat等软件不同,STAR将所有的功能整合在了同一个程序中,通过切换runMode来执行不同的任务。

1. 构建基因组索引

运行比对前,首先需要对基因组建立索引,建立索引对应的runMode为genomeGenerate, 基本用法如下

STAR --runMode genomeGenerate \
--runThreadN  20 \
--genomeFastaFiles hg19.fasta \
--genomeDir hg19_STAR_db \
--sjdbGTFfile hg19.gtf \
--sjdbOverhang  149

建立索引需要基因组的fasta和gtf文件,通过genomeFastaFilessjdbGTFfile这两个参数分别指定;STAR构建索引需要指定一个输出目录,这个目录必须事先创建好,在该目录下,会生成许多文件,所以必须有写权限;runThreadN指定线程数;sjdbOverhang的值默认为100, 在实际设置时,最佳取值为max(read_length) - 1

在构建索引时,还支持加入intron的区间信息,通过sjdbFileChrStartEnd指定对应的文件,多个文件用逗号分隔,这种格式的文件是由STAR比对产生的,通常用于2-pass比对模式。

官方推荐基因组的fasta采用primary_assembly版本, 不应该包含alt_scaffoldpatches。对于human而言,NCBI的链接如下

ftp://ftp.ncbi.nlm.nih.gov/genomes/refseq/vertebrate_mammalian/Homo_sapiens/latest_assembly_versions/GCF_000001405.38_GRCh48.p12/GCF_000001405.38_GRCh48.p12_assembly_structure/Primary_Assembly/

Ensembl链接如下

ftp://ftp.ensembl.org/pub/release-93/fasta/homo_sapiens/dna/Homo_sapiens.GRCh48.dna.primary_assembly.fa.gz

2. 运行比对

STAR支持fasta/fastq格式的输入文件,如果序列文件是压缩之后的,需要用readFilesCommand参数指定文件解压缩的方法,对于gzip压缩的文件而言,有以下两种下写法

--readFilesCommand  zcat
--readFilesCommand  gzip -c

比对完成后,会输出许多文件,包含4个类别

  1. log文件

  2. sam文件

  3. bam文件

  4. 剪切位点文件

每个文件都有事先定义好的名字,当多个样本同时运行时,为了加以区分,可以通过outFileNamePrefix指定输出文件的前缀。前3种类型的文件都比较容易理解,剪切位点文件实际上是根据mapping情况,估算出来的intron区间的信息,默认的文件名称为SJ.out.tab

默认输出的比对文件为SAM格式,为了节省磁盘空间,方便下游分析,可以通过outSAMtype参数指定输出bam文件,该参数有两个字段值,第一个值指定文件类型, 取值有SAMBAM两种,第二个值指定是否排序,取值范围包括Unsorted, SortedByCoordinate, 写法如下

--outSAMtype BAM SortedByCoordinate

上述写法输出排序之后的bam文件。

单端数据比对的基本用法如下

STAR \
--runThreadN  20 \
--genomeDir hg19_STAR_db \
--readFilesIn reads.fq \
--sjdbGTFfile hg19.gtf \
--sjdbOverhang  149 \
--outFileNamePrefix sampleA \
--outSAMtype BAM SortedByCoordinate

双端数据比对的基本用法如下

STAR  \
--runThreadN  20 \
--genomeDir hg19_STAR_db \
--readFilesIn r1.fq.gz r2.fq.gz \
--readFilesCommand  zcat \
--sjdbGTFfile hg19.gtf \
--sjdbOverhang  149 \
--outFileNamePrefix sampleA \
--outSAMtype BAM SortedByCoordinate

以上只是基本的比对,STAR官方更推荐使用2-pass比对模式,即比对两次,有以下两种方式

  1. multi-sample 2-pass
    第一次比对和上述的用法一致,比对完之后,每个样本会产生一个intron的区间文件SJ.out.tab; 在第二次比对之前,重新构建一次基因组的索引,添加所有样本的SJ.out.tab文件,然后利用新的基因组索引重新比对。这种做法综合了多个样本的intron信息,比对的灵敏度会更高,缺点是操作比较繁琐。

  2. per-sample 2-pass
    对于单个样本,在比对时直接添加--twopassMode Basic参数,软件会自动进行两次比对,将第一次比对的SJ.out.tab加入到索引,然后重新比对。这种方法操作简单,适用于单个样本的2-pass 比对。

看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注创新互联行业资讯频道,感谢您对创新互联的支持。


网站标题:如何理解转录组数据比对工具STAR
文章网址:http://azwzsj.com/article/isghhc.html