0.BWA简介
bwa(全称Burrows-Wheeler Aligner),项目主页:http://bio-bwa.sourceforge.net/,主要功能是将差异度较小的序列比对到一个较大的参考基因组上。其中提供了三种算法:
算法 | 应用场景 |
---|---|
BWA-backtrack | illumina测序结果(reads长度不超过100bp) |
BWA-SW | 支持序列长度70bp-1Mbp,同时支持剪接性比对(split alignments ) |
BWA-MEM | 最常用,最新,最准确,支持序列长度70bp-1Mbp,表现比BWA-backtrack好 |
1.构建index
官方文档说明:
bwa index [-p prefix] [-a algoType] <in.db.fasta>
其中需要的数据库序列为fasta格式。
选项介绍:
-p 输出数据库的前缀(默认和输入的文件名一致,输出的数据库在其输入文件所在的文件夹,并以该文件名为前缀)
-a 表示构造BWT索引的算法。可用选项有:
is 是默认的算法,虽然相对较快,但是需要较大的内存,当构建的数据库大于2GB的时候就不能正常工作了。
bwtsw 对于短的参考序列式不工作的,必须要大于等于10MB, 但能用于较大的基因组数据,比如人的全基因组。
2.数据比对
数据比对大多使用MEM(maximal exact matches) 进行 seeding alignments,再使用 SW(affine-gap Smith-Waterman) 算法进行 seeds 的延伸。
BWA–MEM 算法执行局部比对和剪接性。可能会出现 query 序列的多个不同的部位出现各自的最优匹配,导致 reads 有多个最佳匹配位点。这对 long reads 的比对是比较重要的结果。但是却会和 Picard 的 markDuplicates 程序不兼容。
使用方法:
bwa mem [potions] ref.fa reads.fq [mates.fq]
#mem 进行局部比对,因此,对于一条序列的不同区域可能会产生多种最优匹配结果, 这对于long reads 来说尤为重要。 有些软件如 Picard’s markDuplicates 跟 mem 的这种剪接性比对不兼容,在这种情况下,可以使用 –M 选项来将 shorter split hits 标记为次优。
常用选项:
-t 线程数,默认为1。
-M 将 shorter split hits 标记为次优,以兼容 Picard’s markDuplicates 软件。
-p 若无此参数:输入文件只有1个,进行单端比对;若输入文件有2个,则作为paired reads进行比对。若加入此参数:则仅以第1个文件作为输入(输入的文件若有2个,则忽略之),该文件必须是read1.fq和read2.fa进行reads交叉的数据。
-R STR 完整的read group的头部,可以用 '\t' 作为分隔符, 在输出的SAM文件中被解释为制表符TAB. read group 的ID,会被添加到输出文件的每一个read的头部。
-T INT 当比对的分值比 INT 小时,不输出该比对结果,这个参数只影响输出的结果,不影响比对的过程。
-a 将所有的比对结果都输出,包括 single-end 和 unpaired paired-end的 reads,但是这些比对的结果会被标记为次优。
运行例子:
bwa mem ref.fa reads.fq > mem-se.sam
bwa mem ref.fa read1.fq read2.fq > mem-pe.sam
bwa mem -t 4 -M -R "\@RG\tID:{library}\tLB:{library}\tPL:Illumina\tPU:{sample}\tSM:{sample}\" ref.fa read1.fastq read2.fastq > mem-pe.sam 2> ./mem-pe.log
参考资料: