1. MUMmer简介
MUMmer(Maximal Unique Match mer)软件中使用率最高的命令nucmer能用于对两个基因组assemblies进行比较。现在最新版本的MUMmer4相比于MUMmer3,能用于更大的基因组序列比较,运行速度更快。
2. MUMmer4软件安装
先安装高版本autoconf、automake和yaggo
wget http://ftp.gnu.org/gnu/autoconf/autoconf-2.69.tar.gz -P ~/software_packages/
tar zxf ~/software_packages/autoconf-2.69.tar.gz
cd autoconf-2.69
./configure --prefix=/opt/sysoft/autoconf-2.69
make -j 24 && make install
echo 'PATH=/opt/sysoft/autoconf-2.69/bin/:$PATH' >> ~/.bashrc
source ~/.bashrc
cd .. && rm -rf autoconf-2.69
wget http://ftp.gnu.org/gnu/automake/automake-1.16.tar.gz -P ~/software_packages/
tar zxf ~/software_packages/automake-1.16.tar.gz
cd automake-1.16
./configure --prefix=/opt/sysoft/automake-1.16
make -j 24 && make install
echo 'PATH=/opt/sysoft/automake-1.16/bin/:$PATH' >> ~/.bashrc
source ~/.bashrc
cd .. && rm -rf automake-1.16
wget https://github.com/gmarcais/yaggo/releases/download/v1.5.10/yaggo-1.5.10.tgz -P ~/software_packages/
tar zxf ~/software_packages/yaggo-1.5.10.tgz -C /opt/sysoft/
make
echo 'PATH=/opt/sysoft/yaggo-1.5.10:$PATH' >> ~/.bashrc
source ~/.bashrc
再安装MUMmer4
$ wget https://github.com/mummer4/mummer/archive/v4.0.0beta2.tar.gz -O -P ~/software_packages/mummer-4.0.0beta2.tar.gz
tar zxf ~/software_packages/mummer-4.0.0beta2.tar.gz
cd mummer-4.0.0beta2
autoreconf -fi
./configure --prefix=/opt/biosoft/mummer-4.0.0beta2
source ~/.bashrc.gcc 要使用高版本GCC进行编译
make -j 24 && make install
cp -r MANUAL.md docs /opt/biosoft/mummer-4.0.0beta2/
cd .. && rm -rf mummer-4.0.0beta2
cd /opt/biosoft/mummer-4.0.0beta2/docs/
latex maxmat3man.tex
dvipdf maxmat3man.dvi
echo 'PATH=$PATH:/opt/biosoft/mummer-4.0.0beta2/bin/' >> ~/.bashrc
source ~/.bashrc
若需要使用MUMmer调用gunplot绘图,则需要安装高版本的gunplot
wget https://sourceforge.net/projects/gnuplot/files/gnuplot/5.2.2/gnuplot-5.2.2.tar.gz -P ~/software_packages/
tar zxf ~/software_packages/gnuplot-5.2.2.tar.gz
cd gnuplot-5.2.2
./configure --prefix=/opt/sysoft/gnuplot-5.2.2 && make -j 24 && make install
cd .. && rm -rf gnuplot-5.2.2
echo 'PATH=/opt/sysoft/gnuplot-5.2.2/bin/:$PATH' >> ~/.bashrc
source ~/.bashrc
3. mumer命令
mummer命令是MUMmer软件的核心程序。其它程序,如nucmer就是perl编写的调用此核心程序进行数据分析的脚本。由于该程序是核心程序,MUMmer软件给出了该命令的详细说明文档。
mummer命令用于计算query assembly和reference assembly中>=20bp的匹配序列(maximal matches),该段maximal matches序列在query和reference基因组序列中完全一致,且延长到最长。
mumer命令的使用:
mumer用法
$ mummer [options] <ref.fasta> <query1.fasta> [query2.fasta] ...
mummer只能输入一个reference assembly文件,最多支持输入32个query
assembly文件。程序将结果输出到标准输出。
常用示例:
$ mummer -mumreference -l 20 -b -n -c -F ref.fa query.fa > out.txt
常用参数:
-mum
-mumreference
-maxmatch
mummer程序用于计算获得maximal matches。程序通过suffix array算法将
reference assembly构建索引数据库,然后再将query assembly和数据库比对,
搜索并得到maximal matches。
有很多maximal matches可能属于重复序列,而重复序列的比对可能没太大意义,
且重复序列的比对极大消耗计算量。因此,需要考虑是否需要得到重复序列的比对结果。
以上3个参数则对应重复序列的处理方法:默认是-mumreference参数,表示构建
数据库时,去掉了reference assemly中的重复序列,得到的结果中,maximal
matches在reference assembly中是unique的,这种方法计算速度最快;-mum参数
则是在前者基础上,对query assembly先去除重复序列,再进行比对,得到的结果中,
maximal matches在reference assembly和query assembly中都是unique的,
这种方法计算速度较慢;-maxmatch参数则完全不考虑重复序列,该方法计算速度最慢,
同时生成的结果文件非常大。
-l <int> default: 20
设置maximal match的最小长度。
-b
-r
默认设置下,mummer进行maximal matches搜索时,要求query和reference
上的maximal matches序列完全一致;若加上-r参数,则要求query和reference
上的maximal matches序列反向互补;若加上-b参数,则以上两种情况都考虑。
-n
mummer对query和reference序列进行比较时,能识别任意字符,且对字符大小写
不敏感,因此,也适合于蛋白序列的比较。若加入该参数,则仅识别ATCG四种碱基字符,
所有其他字符都认为是不能匹配的。适合于assembly中含有W/Y/N等简并碱基的情况。
-c
若加入参数-b或-r,则会考虑maximal matches序列反向互补匹配的情况。这时,
mummer将query序列转换成反向互补序列,在输出文件中,>一行后面有reverse字样,
其结果中第三列的值也是该反向互补序列的比对位点,表示query反向互补序列从该位点
开始往后是maximal matches序列;若加入-c参数,则将第三列的值转换成query序列
的位点(query序列长度 - 第三列值 + 1),表示从该位点往前是maximal matches
序列。
-F
程序默认设置下,一般会生成4列数据,第一列表示reference的序列ID,若
reference序列仅有一条,则不会给出该列数据。加入该参数,则强制性给出该列
数据。
mummer命令的结果解读:
1. 结果中>开头行表示某条query序列,之后的行表示该条query序列的详细比对结果;
若该行有reverse,则表示该query序列的反向互补序列的结果。
2. 第一列是reference序列ID;第二列表示reference起始位点;第三列表示query
序列或其反向互补序列的起始位点;第四列表示maximal matches序列长度。
对一段3000bp的序列作为reference序列,对其841-1800区段进行反向互补后,作为
query序列
1. 不加 -b 参数,则不会对query序列反向互补序列进行分析
$ mummer -n -F ref.fa query.fa
> query_seq
ref_seq 1 1 840
ref_seq 1801 1801 1140
2. 加 -b 不加 -c 参数,额外给出反向互补序列的结果
$ mummer -b -n -F ref.fa query.fa
> query_seq
ref_seq 1 1 840
ref_seq 1801 1801 1140
> query_seq Reverse
ref_seq 841 1141 960
注意 Reverse 表示反向互补结果,query反向互补序列从其1141位点往后共960bp属于
maximal match。
3. 加 -b 和 -c 参数
$ mummer -b -c -n -F ref.fa query.fa
> query_seq
ref_seq 1 1 840
ref_seq 1801 1801 1140
> query_seq Reverse
ref_seq 841 1800 960
注意 Reverse 表示反向互补结果,query序列从其1800位点往前960bp属于maximal
match。
4. nucmer命令
nucmer命令用于对nucleotide序列进行比对。相比于mummer命令,nucmer命令能将相邻的maximal matches连起来作为cluster,然后对cluster两端进行延伸,形成大的匹配区域;并且计算SNP数量和INDEL间的距离。
nucmer命令是MUMmer软件使用最多的命令,常用于相似性很高的核酸序列比较,特别是通一
个物种间的基因组序列比较,或不同De novo组装软件得到的assemblies之间的比较。
nucmer命令的使用:
用法和常用示例:
$ nucmer [options] ref:path query:path
$ nucmer -c 200 -g 200 ref.fa query.fa
常用参数:
-p <string> default: out
设置输出文件前缀。
--num
--mumreference
--maxmatch
mummer程序用于计算获得maximal matches。程序通过suffix array算法将
reference assembly构建索引数据库,然后再将query assembly和数据库比对,
搜索并得到maximal matches。
有很多maximal matches可能属于重复序列,而重复序列的比对可能没太大意义,
且重复序列的比对极大消耗计算量。因此,需要考虑是否需要得到重复序列的比对结果。
以上3个参数则对应重复序列的处理方法:默认是-mumreference参数,表示构建
数据库时,去掉了reference assemly中的重复序列,得到的结果中,maximal
matches在reference assembly中是unique的,这种方法计算速度最快;-mum参数
则是在前者基础上,对query assembly先去除重复序列,再进行比对,得到的结果中,
maximal matches在reference assembly和query assembly中都是unique的,
这种方法计算速度较慢;-maxmatch参数则完全不考虑重复序列,该方法计算速度最慢,
同时生成的结果文件非常大。
nucmer命令调用mummer程序进行计算,沿用了以上3个参数,只是参数的使用由
一个中划线变成了两个中划线。
若比较两个基因组,希望得到更大的比对区域,则考虑使用--maxmatch参数;若
想整合两个assemblies,则最好不对重复序列进行比对,考虑使用--mumreference
参数。
-f | --forward
-r | --reverse
默认设置下,程序对正负链都进行比对;加入-f参数则仅对正链进行比对;加入-r
参数则仅对负链进行比对。
-l <int> default: 20
设置maximal match的最小长度。
-g <int> default: 90
将两个相邻的maximal matches连起来,作为一个cluster,要求这两个matches
之间的距离不超过该参数指定的碱基数。
-c <int> default: 65
一个cluster中所有maximal matches的长度总和要不小于该参数值。
-d <float> default: .12
-D <int> default: 5
若cluster中相邻的两个maximal matches和中间Gap区段中,变异的碱基比率
要低于-d参数值;变异的个数要少于-D参数值。
--extend
--noextend
设置是否对clustering两端进行延伸。默认设置是--extend。
-b <int> default: 200
对cluster两端进行延伸(cluster侧翼存在一定长度的匹配区域)时,不能跨越
长度超过200bp的低匹配得分区域。
-t | --threads <int>
设置程序运行所使用的线程数。默认值是使用计算机所有CPU线程数。nucmer多
线程效率不高:例如,80线程服务器运行一个nucmer命令,平均负载不到40,真实的
CPU线程资源消耗不到20。
--save <string>
加入该参数,则能生成reference序列的索引数据库,该参数值是生成的索引数
据库文件前缀。
--load <string>
输入reference索引数据库前缀。使用前一个参数和此参数,在多次利用nucmer
命令进行分析时,能节约计算时间。
nucmer程序输出文件为out.delta。该文件示例内容:
/home/username/reference.fasta /home/username/query.fasta
NUCMER
>ref_seq1 query_seq1 500 2000000
88 198 1641558 1641668 0 0 0
0
167 4877 1 4714 15 15 0
2456
1
-11
769
950
1
1
-142
-1
0
>ref_seq2 query_seq4 50000 30000
5198 22885 5389 23089 18 18 0
-6
-32
-1
-1
-1
7
1130
0
out.delta文件格式解析:
1. 文件第一行是两个需要比较的基因组序列fasta文件的绝对路径。
2. 第二行是比对类型,可以是NUCMER或PROMER。
3. 第三行往后是比对结果。每个比对结果以行首为 > 号开头,整行为 0 结尾。
4. 比对结果第一行以 > 号开头,后面包含空格分割的4列,分别是:reference序列
ID、query序列ID、该reference序列长度、该query序列长度。
5. 比对结果第二行包含空格分割的7列数值,分别是:reference序列比对起始位点、
reference序列比对结束位点、query序列比对起始位点、query序列比对结束位
点、错配位点数、不相似位点数(在蛋白序列比对中有意义,核酸序列比对中和前
一个数值一致)、非字母字符个数(在蛋白序列比对中表示终止密码子个数,在核
酸序列比对中一般是0)
6. 第三行往后是Delta值,表示离下一个IDNEL之间的距离,正数表示在reference
中是Inserion,负数表示在reference中是Deletion。最后一行是0。
例如: reference acg.tagctgag$
query .cggtag.tgag$
Delta = (1, -3, 4, 0)。
网友评论