jellyfish安装及使用（Bioinformatics工具-020）

最新推荐文章于 2024-09-14 19:00:09 发布

让学习成为一种生活方式

最新推荐文章于 2024-09-14 19:00:09 发布

阅读量1.1k

点赞数 26

分类专栏：生物信息学基因组 linux 文章标签： linux 数据挖掘 github

本文链接：https://blog.csdn.net/weixin_44874487/article/details/139160750

版权

生物信息学同时被 3 个专栏收录

63 篇文章 3 订阅

订阅专栏

基因组

52 篇文章 5 订阅

订阅专栏

linux

24 篇文章 1 订阅

订阅专栏

01 背景

基因组survey以测序技术为基础，基于小片段文库的低深度测序，通过K-mer分析，快速获得基因组大小、杂合度、重复序列比例等基本信息，为制定该物种的全基因组de novo测序策略提供有效依据。

jellyfish (水母) 是一个用于快速、内存高效地统计DNA中k-mer数量的工具。一个k-mer是长度为k的子字符串，统计所有这样的子字符串的出现次数是许多DNA序列分析中的核心步骤。水母可以通过使用高效的哈希表编码和利用“比较并交换”CPU指令来增加并行性，从而快速计数k-mer。

水母是一个命令行程序，它读取包含DNA序列的FASTA和多FASTA文件。它以二进制格式输出其k-mer计数，可以使用“jellyfish dump”命令转换成人类可读的文本格式。有关更多详情，请参见下面的文档。

1.1 原理

调研图分析基于k-mer的方法，所谓k-mer是指将核酸序列以滑窗的方法分成包含k个碱基的短序列，“mer”这个单词的来源monomeric unit，单体单元。K是常数，且一般为奇数（避免正反链混淆）。统计所有reads中所出现的k-mer类型及各类型k-mer的深度（或者频率），绘制特定k-mer下不同深度k-mer片段的频数统计图，通常选择K-mer分布最多的峰为主峰，从而得到基因组大小=K-mer总数/K-mer主峰深度值。

由于基因组存在杂合位点和重复序列，k-mer曲线往往不会呈现出良好的泊松分布，而是在主峰前后出现其他的峰，如果存在一定杂合度，会导致在主峰对应的横坐标的二分之一处出现杂合峰，而一定的重复度则会在主峰对应的横坐标的整数倍处出现重复峰。

02 参考

https://genome.umd.edu/jellyfish.html   #官网

03 安装

wget -c https://github.com/gmarcais/Jellyfish/releases/download/v2.3.1/jellyfish-2.3.1.tar.gz
tar -zxvf jellyfish-2.3.1.tar.gz
mkdir jellyfishlocation
cd jellyfish-2.3.1
./configure  --prefix=/jellyfishlocation
make  -j 4
make install

04 使用及常用命令行

三步走，具体详细参数一般使用缺省即可，重点关注kmer=X的值即可。

1 文件读取，读取多个文件
ls  ~/species_name_*.clean.fq.gz | awk  '{print "gzip -dc "$0 }' > generate.file
ls *.fasta.gz | xargs -n 1 echo gunzip -c > generate.file
for file in ./*.fq.gz; do
    gzip -dc "$file";
done > generate.file
gzip -dc 07_1.fq.gz  > generate.file
gzip -dc 07_2.fq.gz  >> generate.file

2 k-mer的计数
#-m就是kmer的值
#计算k-mer频率，生成sample.jf
jellyfish count -C -m 19 -s 200G -t 4  -g ./generate.file  -o ./sample.jf
-m | --mer-len=<num>
使用的k-mer的长度。如果基因组大小为G，则k-mer长度选择为: k ~= log(200G)/log(4)

可选 融合二进制的输出结果
上一步的输出结果为二进制文件，可能输出了多个hash文件，因此需要将这些hash文件合并成一个文件，此时用到 merge 命令。使用方法：
#jellyfish merge -o mer_counts_merged.jf hash1 hash2 ...


3 对hash结果进行统计
k-mer的结果以hash的二进制文件结果给出，需要统计出k-mer总数，特异的k-mer数目，只出现过一次的kmer数，出现了最多的k-mer的数目等信息。以stats命令来运行。使用方法：
jellyfish stats hash
jellyfish stats $pre -o $pre.stat

4 通过Hash结果来画直方图
jellyfish histo -t 10 sample.jf > sample.histo #生成k-mer频数直方表sample.histo和k-mer直方图
jellyfish histo -o $pre.histo $pre -t 4