关于color space测序的样本处理+代码

虽然SOLID测序数据已经非常少见了，但偶尔研究人员会有分析的需要，现有的许多方法和工具都是基于basespace的，在这里想记录一下对于colorspace的处理方法及注意事项。
一般来讲，有两种处理colorspace文件的方式。一是转成BS的fastq格式，这样一来就可以使用我们熟悉的分析工具进行分析，二是使用专门处理CS的软件进行align，比较常见的是fastqc,cutadap，SHRiMP，sequel和BFAST ，bowtie等等。虽然第一种方法存在，但由于CS数据本身的缺陷，即它表示的意义有不确定性，不推荐使用，如下：

可以看到，一行CS的编码信息可以转成不同的BS编码的数据，因此第一种方法会产生许多不可控的错误信息。更为详细的为什么不推荐使用第一种方法可以参考这篇文档：http://seqanswers.com/forums/showpost.php?p=59156&postcount=4
因此，我主要说一下第二种方法，即使用专门处理CS的工具。上文中写道，有组多工具都可以处理CS，我推荐SHRiMP，专业认可度也比较高。

SHRiMP软件说明书官方连接

SHRiMP软件使用——中文解说

1. 输入输出： fasta输入，sam输出，同时支持CS和BS的reads，默认使用的建库方式是single，如果是paired，则需要添加mate-pair/pair-end信息。

2. 简单的了解一下软件的内部逻辑：首先通过q-gram过滤技术找到候选映射的位置，随后通过字符串匹配算法进行精确定位，并准确识别错配、微插入缺失和交叉（CS排序错误）等。

3. 运行情况以及硬件依赖：SHRiMP非常强调mapping结果的敏感性，因此需要设置参数调整核数和内存以减少软件运行的时间，建议大家尽量不要在自己的机子上跑，同时说明文档中也说了，在非x86/x86-64的机子上用不了。

4. 安装和编译：按照命令一步步来就行

5. mapping方法：在这个软件说明书的目录中，我们可以看到，它主要有4种使用方法，。

6. 说明书中强调了SHRiMP2非常依赖内存，因此在mapping方法有符合内存要求和不符合内存要求的不同使用方法，但查看说明书可以看到，即便是符合内存要求的数据，作者也为了计算资源最大限度的使用而进行了拆分，因此，我在此记录普遍使用的代码：

$SHRIMP_FOLDER/utils/split-db.py --ram-size 14 --prefix hg18 hg18.fa #进行数据拆分
$SHRIMP_FOLDER/utils/project-db.py --shrimp-mode ls hg18-14gb-*.fa	#为了提高mapping效率，避免重复匹配
for i in 1 2 3 4; do \
      $SHRIMP_FOLDER/bin/gmapper-ls -L hg18-14gb-12_12_12_12seeds-${i}of4-ls \
      reads.500kx2.36bp.ls.fa \
      -N 8 -p opp-in -I 50,500 -m 20 -i -25 -g -40 -e -10 -E \
      >map.db${i}of4.sam 2>map.db${i}of4.log
done	#如果是单个机器上跑，就用循环；如果支持并行，建议并行
$SHRIMP_FOLDER/bin/mergesam reads.500kx2.36bp.ls.fa map.db?of4.sam > map.sam #最后merge结果，结果是sam文件