Lecture 21 - 使用samtools进行变异的calling

翻译：生物女博士

注：本系列课程翻译已获得原作者授权。

# 为作者的注释

#* 为译者的注释

Lecture 21 - 使用samtools进行变异的calling

# 建一个转换和排序的BAM文件的“快捷方式”。

alias tobam='samtools view -b - | samtools sort -o - tmp '

# 安装bcftools.

cd ~/src

curl -OL http://sourceforge.net/projects/samtools/files/samtools/1.1/bcftools-1.1.tar.bz2

tar jxvf bcftools-1.1.tar.bz2

cd bcftools-1.1

make

ln -s ~/src/bcftools-1.1/bcftools ~/bin

# 使用Lecture18的比对脚本

bash compare.sh

# 有参考基因组地Pileup

samtools mpileup -f ~/refs/852/NC.fa -Q 0 bwa.bam | more

# 生成基因型，然后把变异call出来。

# Samtools是为二倍体的人类基因组设计的，可能会有与之对应的隐含假设包含其中。

samtools mpileup -Q 0 -ugf ~/refs/852/NC.fa bwa.bam | bcftools call -vc > samtools.vcf

# 查看call出来的snp。

# snp calling是如何工作的？

# 以我写的一个DIY的call snp程序作为简单的演示（见网站）

#* 代码在本章节结尾

samtools mpileup -f ~/refs/852/NC.fa -Q 0 bwa.bam > bwa.pileup

cat bwa.pileup | python snpcaller.py > diy.vcf

# 我简单版的程序跟samtools用默认设置时得到一样的结果——感觉如何？

# 欢迎来到你的下一个文件格式。

# 按列分割文件。

cat samtools.vcf| grep -v "##" | cut -f 1,2,3,4,5 | head

# 安装Freebayes

# Mac上我们需要另一个程序来编译freebayes。

brew install cmake

# 现在来安装FreeBayes

#* 使用git clone需要先安装git。

#*也可以直接到https://github.com/ekg/freebayes.git上下载到本地，解压，然后将文件夹上传到服务器的~/src目录下进行安装。

cd ~/src

git clone --recursive git://github.com/ekg/freebayes.git

cd freebayes

# 在Mac上，下边的命令会报错。

make

# 但第二次运行就正常了，暂不清楚什么原因。程序似乎也是可以用的——但是可能有些功能是缺失的。

make

ln -sf ~/src/freebayes/bin/freebayes ~/bin

# 现在回到主目录，用FreeBayes来call SNP。

cd ~/edu/lec21/

# 程序该怎么用？

freebayes

# 用它来call snps。

freebayes -f ~/refs/852/NC.fa bwa.bam > freebayes.vcf

# 可视化结果

#*可以导入IGV查看。

DIY snp caller

#*这是一个python编写的程序，python用缩进来标明成块的代码，如果缩进有问题，程序也会出错。而微信公众号排版有时候会有一些问题，故建议查看原英文网站，确认自己的这个python脚本没问题。

# DIY snip caller
import sys
from collections import defaultdict
# This code was written in about 20 minutes to demonstrate
# a really simple snp caller. As it is it calls only
# homozygous mutation defined as over 50% of calls.

print "##fileformat=VCFv4.2"
print "\t".join("#CHROM POS ID REF ALT QUAL FILTER INFO FORMAT bwa.bam".split())

for line in sys.stdin:
   # Strip the newline then split by tabs.
   column = line.strip().split("\t")
   
   # The fifth base contains the basecalls# (zero based counting).
   bases = column[4]
   
   # The quals column will tell us how many bases are called.
   quals = column[5]
   
   # Upper case everything.
   # We do lose strand information with that.
   bases = bases.upper()    count = defaultdict(int)  
   for c in bases:        count[c] += 1

   # How many bases cover the site
   depth = float(len(quals))
   
   for m in "ATGC":
       if count[m]/depth > 0.50:
       # We got a homozygous mutations
       # produce the CVF records
       # Collect output into an array.

       info = "DP=%s" % (int(depth))        format = "GT:PL"
       values = "1/1:30"    
       out = [column[0], column[1], ".", column[2], m, 30, ".", info, format, values]
       
       # Make all elements of the array a string.
       out = map(str, out)
       
       # Join the fields of the output array by tabs
       # Print the joined fields.
       print "\t".join(out)

Lecture 22 - 预测变异的影响

# 安装、创建以及链接bioawk

cd ~/src

#* 使用git clone需要先安装git。

git clone https://github.com/lh3/bioawk.git

#* 也可以直接到https://github.com/lh3/bioawk.git上下载到本地，解压，然后将文件夹上传到服务器的~/src目录下进行安装。

cd bioawk

#* 译者下载后的名字为bioawk-master，在此步骤将命令对应更改为cd bioawk-master/ 即可，其他一样。

make

ln -sf ~/src/bioawk/bioawk ~/bin

# bioawk有自带的一个手册。

man ~/src/bioawk/awk.1

# Bioawk知道怎样处理生物信息类型数据

# 它不仅能按列分割数据，还可以识别列名

# 通过运行compare.sh脚本生成模拟reads并比对后（详情参见之前的课程），现在用bioawk来处理它们。

bioawk -c help

cat r1.fq | bioawk -c fastx ' { print $seq } ' | head -1

cat mutations.gff | bioawk -c gff ' { print $seqname, $start } ' | head -1

# 跟下边写法比起来，bioawk使得代码变得更有可读性：

cat mutations.gff | grep -v "#" | awk -F '\t' -v OFS='\t' ' { print $1, $5-$4+1 } ' | head -1

# 我们可以这么写：

cat mutations.gff | bioawk -c gff ' { print $seqname, $end-$start+1 } ' | head -1

# 从现在开始，我们将使用bioawk。我们迟点将会涉及seqtk、tabtk、tabix。

# 我们来下载snpEff

cd ~/src

curl -OL http://sourceforge.net/projects/snpeff/files/snpEff_latest_core.zip

unzip snpEff_latest_core.zip

# 跟trimmomatic和readseq一样，我们可以写个脚本来运行snpEff。

# 简便起见，我们先建一个别名（alias）。

alias snpEff='java -jar ~/src/snpEff/snpEff.jar'

# 运行snpEff

snpEff

# 你可能会看到一个报错Y：UnsupportedClassVersionError

# 这意味着你需要把你的java程序升级到至少是版本7。

java -version

# 搜索下载以及安装Java JDK (Java Development Kit, 而不是JRE, Java Runtime Environment）

# 现在snpEff应该可以正常运行了。

snpEff

# 有一些预建好的snpEff数据库

snpEff databases | more

# 搜索ebola的数据

snpEff databases | grep ebola

# 下载ebola的数据库

# -v 命令使得过程变得详细：打印了更多的信息。

snpEff download -v ebola_zaire

# 但是，这些注释是什么？

snpEff dump ebola_zaire

# 好，所以注释是跟另一个基因组相关的，而不是我们现在用的这个。我们需要获取那个基因组。

# 同样获取genbank文件，并提取编码序列到gff文件。

readseq -format=FASTA -o ~/refs/852/KJ660346.fa KJ660346.gb

readseq -format=GFF  -o KJ660346.gff KJ660346.gb

# query为NC.fa里的1999年的旧基因组。

# 通过bwa和samtools对基因组进行建立索引。

bash align-genomes.sh ~/refs/852/KJ660346.fa ~/refs/852/NC.fa

# 现在我们需要创建一个脚本，把两个文件作为输入并生成一个VCF文件。

# 运行snpEff

java -jar ~/src/snpEff/snpEff.jar -v  ebola_zaire aln.vcf > annotated.vcf

Align two genomes

# 通用的单端比对软件和snp caller。
# 第一个参数是参考序列，第二个参数是query

# 这可以在没有参数传递时终止程序。
set -ue

# 从命令行传来参数
# 第一个参数是第一个参考基因组文件
GENOME1=$1

# 第二个参数是第二个参考基因组
GENOME2=$2
#*bash align-genomes.sh ~/refs/852/KJ660346.fa ~/refs/852/NC.fa
#*上边这行代码中 ~/refs/852/KJ660346.fa便是传入到脚本align-genomes.sh的第一个参数，即$1，而~/refs/852/NC.fa则是第二个传入的参数$2

# 这只需运行一次
#*如果之前已经index（索引）好了，可以不做这一步
bwa index $GENOME1

# 运行bwa并生成bwa.sam文件
bwa mem $GENOME1 $GENOME2 > aln.sam

# 假如你已经安装了lastz比对软件，你也可以用它。
#lastz $GENOME1[unmask] $READS[unmask] --format=sam > aln.sam

samtools view -Sb aln.sam > tmp.bam
samtools sort -f tmp.bam aln.bam samtools index aln.bam

# 去除中间文件。
rm -f tmp.bam

# Call snps
samtools mpileup -f $GENOME1 -ug aln.bam | bcftools call -vm > results.vcf

Biostar非常适合有生物学基础且想自学生信的这部分人入门。译者正是通过该课程入门的生信。

Biostar课程文章系列：

也可点击 阅读原文 或在公众号的 菜单→课程系列 中找到本系列课程。

测试一下，ios用户可以通过下边的方式进行打赏~

长按小程序识别码即可。