UMI 去重矫正 —— gencore

介绍

gencore 能够对双端测序的 NGS 数据进行 read 去重,消除文库制备和测序过程中引入的测序错误。

gencore 是用 C++ 写的，相比于 Picard 等其他工具，具有更快的速度、更少的内存消耗.

同时，能够处理包含 唯一标识符 unique molecular identifiers(UMI) 的测序数据。

原理

gencore 的原理简单来说就是：

1. 首先根据每条 read 的染色体 id，起始位置，以及模板长度末端位置进行分组
2. 然后，在每个分组内，根据 umi 是否相同进行聚类
3. 在每个类中，双端测序的 read1 和 read2 分开分别进行去重矫正
4. 去重矫正: 根据碱基出现的频率进行位点矫正，在频率过低时加入了参考基因组对应位置的碱基进行矫正

安装

安装使用该软件，需要保证环境中有 htslib 及 zlib 两个库

1. 通过 conda 安装

conda install -c bioconda gencore

2. 下载二进制文件

二进制文件下载地址：http://opengene.org/gencore/gencore

wget http://opengene.org/gencore/gencore
chmod a+x ./gencore

注：只适用于 Linux 系统，CentOS/Ubuntu

3. 源码编译

# step 1: 从 GitHub上下载源码，也可手动下载解压
git clone https://github.com/OpenGene/gencore.git

# step 2: 编译
cd gencore
make

# 安装
make install

使用

1. 参数解析

options:
  -i, --in                   输入的 sorted bam/sam 文件. 
  -o, --out                  输出的 bam/sam 文件. 
  -r, --ref                  参考基因组 fasta 文件 (.fa/.fasta file)
  -b, --bed                  bed 捕获区域文件，默认为空
  -u, --umi_prefix           UMI 序列的前缀
  -s, --supporting_reads     read 支持数，大于该值的 read 才会输出 推荐 1~10, 默认为 1.
  -a, --ratio_threshold      碱基频率阈值，小于该阈值，将通过参考碱基进行矫正，推荐0.5~1.0, 默认为 0.8
  -c, --score_threshold      碱基分数，低于该阈值，将通过参考碱基进行矫正，推荐 1~20, 默认为 6
  -d, --umi_diff_threshold   umi差异阈值，小于阈值内的 umi 认为是相同的， 默认为 2
      --high_qual            高质量分数，默认 30 代表 Q30
      --moderate_qual        中等质量分数，默认 20 代表 Q20
      --low_qual             低质量分数，默认 15 代表 Q15
      --coverage_sampling    采样率，用于覆盖率统计. 默认t 10000 代表 1/10000
  -j, --json                 json 输出报告格式文件名
  -h, --html                 html 输出报告格式文件名
      --debug                输出一些 debug 信息
      --quit_after_contig    设置最大的处理的染色体 id，用于 debug，默认为 0，不做限制
  -?, --help                 打印帮助信息

2. 简单使用

gencore -i in.sort.bam -o out.bam -r hg19.fa

3. 输出文件

json

report.json

html

report.html

UMI 格式

• 如果 read 的 query name 是：

NB551106:8:H5Y57BGX2:1:13304:3538:1404:GAGCATAC

则 umi 前缀为空

• 如果是：

NB551106:8:H5Y57BGX2:1:13304:3538:1404:UMI_GAGCATAC

则 umi 前缀为 UMI

注意：gencore 对有些 read 去除不干净，需要在 gencore.cpp 中修改第三个循环。