嵌合体？也就那么回事儿——高通量数据处理二三事

前些时间生信小白参天大葱（就是本人）在做细菌16S的高通量数据处理，费了老大劲将公司给的Raw Data处理成Clean Data，正要高高兴兴进行OTU聚类，却被实验室一霸小圆师姐急忙拦住。

“住手！”

本葱一脸茫然，刚刚鼓起的半拉子成就感被师姐浇了冷水，瑟瑟小心得问：“肿么了？”

师姐侧了侧头，用眼角盯着本葱，不屑地说：“平时叫你多读书，嵌合体（Chimera）去了没？”

“啥？嵌合体啥东西？？”本葱读书少，赶快抱起垫在桌子下面的红宝书看看嵌合体啥东西。

本葱翻遍了红宝书也没有找到合适的定义，根据本葱理解，高通量测序谈及的嵌合体应该是这么个东西，为方便理解本葱画了个草图，如下。

在序列扩增时多数序列是顺着单条序列前进的，如Read1扩增产生新的Read1，Read2扩增产生新的Read2。但有时两条序列也可能缠在一起，扩增时产生的新序列前半段可能属于Read1，后半段属于Read2，形成了拥有两条序列信息的嵌合体序列。

后来本葱在与公司技术人员闲聊时问及这个问题，砖家说：“嵌合体可能是在PCR扩增时造成的，同时，Illumina PE测序双端序列拼接过程中也可能产生嵌合体”。

听了砖家的话本葱终于弱弱的明白，嵌合体不是啥好东西，要去掉！

咋去呢？本葱又翻开红宝书，看到几个醒目的大字，“Usearch61去除嵌合体”。

usearch61？本葱电脑上没有呀，于是本葱又花了点时间安装上了usearch61

下载网址：http://drive5.com/usearch/

OK，万事具备，本葱终于可以去除嵌合体了

# 1嵌合体检测

参考： http://qiime.org/scripts/identify_chimeric_seqs.html

嵌合体检测分为有参和无参，即检测时是否使用参考数据库。

identify_chimeric_seqs.py -m usearch61 -i split_libraries/seqs.fna -o  usearch61_chimera_checking/  -r $HOME/Database/gold.fasta

#基于usearch61，参考数据库为silva.gold数据库。

#或identify_chimeric_seqs.py -m usearch61 -i split_libraries/seqs.fna -o  usearch61_chimera_checking/  --suppress_usearch61_ref 

#基于usearch61，无参考序列（功能基因和ITS可用此方法）。

#上述指令是在qiime下运行的，使用到python包：identify_chimeric_seqs.py

#指令中，

-m是选择嵌合体检测方法，除此处的usearch61外，还有blast_fragments 和ChimeraSlayer，默认ChimeraSlayer；

-i是输入文件，此处需要注意的是输入应是没有聚类的序列，如之前质控生成的clean data，而不是聚类后的代表序列；

-o是输出路径，嵌合体检测会在输出目录 “usearch61_chimera_checing/ ”生成“chimeras.txt”文件，此文件是记录检测为嵌合体的序列名称的。嵌合体的去除即是将检测出的嵌合体序列（chimeras.txt）从原序列文件（split_libraries/seqs.fna）中去除；

-r是参考数据库的目录，本葱的数据库存放在了$HOME/Database/目录下，是进行有参嵌合体检测时需要指明的。因为嵌合体检测比较耗时，所以本葱此处选择比较小的gold数据库。

此外需要注意的是，usearch61处理太大的数据会卡死，如有需要可以将数据分成几个，之后再合并。

# 2嵌合体去除

filter_fasta.py -f split_libraries/seqs.fna -o non_chimeric_seqs.fasta -s usearch61_chimera_checking/chimeras.txt -n

#去除嵌合体序列。

#由此输出文件“non_chimeric_seqs.fasta”即为去除嵌合体的序列文件。

去除完嵌合体本葱舒了口气，悄悄把脚从桌腿下抽了出来，换上了红宝书。