Debian Med Next generation sequencing packages

BCFtools er et sæt af redskaber, som manipulerer variantkald i Variant Call Format (VCF) og dets binære modpart BCF. Alle kommandoer fungerer gennemsigtigt med både VCF'er og BCF'er, både uden komprimering og komprimeret med BGZF.

BEDTools-redskaber giver mulighed for at adressere gængse arvemasseopgaver såsom at finde funktionsoverlap og beregne dækning. Redskaberne er hovedsagelig baseret på fire meget udbredte filformater: BED, GFF/GTF, VCF og SAM/BAM. Med brug af BEDTools kan du udvikle sofistikerede datakanaler, som besvarer komplicerede forskningsspørgsmål ved at udsende flere BEDTools sammen.

Redskabet groupBy er distribueret i pakken filo.

Grundlæggende lokal opsætning med successiv raffinement (BLASR) er en metode til kortlægning af enkelte molekylesekventeringslæsninger mod et referencegenom. En sådan læsning er tusindvis af baser lang, med divergens mellem dem og genomet bliver domineret af indsættelses- og slettefejl.

Denne pakke adresserer problemet med at fortolke resultaterne fra de seneste (2010) DNA-sekvensteknologier. Disse vil resultere i ret så korte stræk og disse kan ikke fortolkes direkte. Det er udfordringen for værktøjer såsom Bowtie at give en kromosonplacering til korte stræk af DNA sekventeret per kørsel.

Bowtie sammenligner korte DNA-sekvenser (læsninger) for den menneskelige arvemasse med en hastighed på mere end 25 millioner 35-bp læsninger per time. Bowtie indekserer arvemassen med et Burrows-Wheeler-indeks for at holde hukommelsesaftrykket lavt: Typisk omkring 2,2 GB for den menneskelige arvemasse (2,9 GB for paired-end).

Burrows-Wheeler Aligner (BWA) er en programpakke, for oversættelse af lavafvigende sekvenser mod en stor referencearvemasse, såsom den menneskelige arvemasse. Den består af tre algoritmer: BWA-backtrack, BWA-SW og BWA-MEM. Den første algoritme er designet for Illunina-sekvenslæsninger op til 100 bp, mens de sidste to er for længere sekvenser fra 70 bp til 1 Mbp. BWA-MEM og BWA-SW deler funktioner såsom understøttelse af long-read og opdelingssammenligning, men BWA-MEM, som er den seneste, anbefales generelt for højkvalitets forespørgsler, da den er hurtigere og mere præcis. BWA-MEM har også bedre ydelse end BWA-backtrack for 70-100 bp Illumina-læsninger.

Disse værktøjer gør det muligt at finde alle signifikante lokale tilpasninger mellem læsninger kodet i en Dazzler-database. Antagelsen er at læsningerne er fra en »Pacific Biosciences RS II long read sequencer«. Det vil sige, at læsningerne er lange og usikre, op til 15 % i gennemsnit.

FASTX-Toolkit er en samling af kommandolinjeværktøjer for forbehandling af korte nukleotidlæsninger i FASTA- og FASTQ-formater, normalt udarbejdet af Next-Generation sekvensmaskiner. Hovedbehandlingen af sådanne FASTA/FASTQ-filer er oversættelse (justering) af sekvenserne til referencegenomer eller andre databaser der bruger specialiserede programmer såsom BWA, Bowtie og mange andre. Det er dog undertiden mere produktivt at forbehandle FASTA/FASTQ-filerne, forud for oversættelse af sekvenserne til genom-manipulering, for at fremstille bedre oversættelsesresultater. FASTX-Toolkit-værktøjer udfører nogle af disse forbehandlingsopgaver.

LAST er programmel til sammenligning og justering af sekvenser, typisk DNA- eller protein-sekvenser. LAST ligner BLAST, men det er bedre til at håndtere meget store mængder af sekvensdata. Her er to ting som LAST er god til:

• Sammenligning af store (eksempelvis pattedyrs) genomer.
• Kortlægge masser af sekvens-mærker oven på et genom.

Den primære, tekniske innovation er at LAST finder indledende samstemmende forekomster, baseret på deres mangfoldighed, i stedet for at benytte en fast størrelse (BLAST bruger eksempelvis 10-mers). Dette gør, at man kan kortlægge mærker til genomer, uden gentagelsesmaskering (eng. »repeat- masking«), uden at blive overvældet af gentagne forekomster. For at finde disse forekomster som har forskellige størrelser, så bruger den en suffiks- række (inspireret af Vmatch). For at opnå høj følsomhed, så bruger den en usammenhængende suffiks-række, der er en analog til frø som placeres med mellemrum.

The Variant Call Format (VCF) is a flat-file, tab-delimited textual format intended to concisely describe reference-indexed variations between individuals. VCF provides a common interchange format for the description of variation in individuals and populations of samples, and has become the defacto standard reporting format for a wide array of genomic variant detectors.

vcflib provides methods to manipulate and interpret sequence variation as it can be described by VCF. It is both:

• an API for parsing and operating on records of genomic variation as it can be described by the VCF format,
• and a collection of command-line utilities for executing complex manipulations on VCF files.

This package contains several tools using the library.

Maq (forkortelse af »Mapping and Assembly with Quality«) bygger kortlagte montager fra korte læsninger genereret af næste generation inden for maskiner til sekvensering. Det blev særligt designet til »Illumina-Solexa 1G Genetic Analyzer«, og har indledende funktionalitet til at håndtere ABI SOLid-data. Maq var tidligere kendt som mapass2.

Udvikling af Maq stoppede i 2008. Dets efterfølger er BWA og SAMtools.

The MinHash Alignment Process (MHAP--pronounced MAP) is a reference implementation of a probabilistic sequence overlapping algorithm. Designed to efficiently detect all overlaps between noisy long-read sequence data. It efficiently estimates Jaccard similarity by compressing sequences to their representative fingerprints composed on min-mers (minimum k-mer).

SAM (Sequence Alignment/Map) format is a generic format for storing large nucleotide sequence alignments. Picard Tools includes these utilities to manipulate SAM and BAM files:

 AddCommentsToBam                  FifoBuffer
 AddOrReplaceReadGroups            FilterSamReads
 BaitDesigner                      FilterVcf
 BamIndexStats                     FixMateInformation
 BamToBfq                          GatherBamFiles
 BedToIntervalList                 GatherVcfs
 BuildBamIndex                     GenotypeConcordance
 CalculateHsMetrics                IlluminaBasecallsToFastq
 CalculateReadGroupChecksum        IlluminaBasecallsToSam
 CheckIlluminaDirectory            LiftOverIntervalList
 CheckTerminatorBlock              LiftoverVcf
 CleanSam                          MakeSitesOnlyVcf
 CollectAlignmentSummaryMetrics    MarkDuplicates
 CollectBaseDistributionByCycle    MarkDuplicatesWithMateCigar
 CollectGcBiasMetrics              MarkIlluminaAdapters
 CollectHiSeqXPfFailMetrics        MeanQualityByCycle
 CollectIlluminaBasecallingMetrics MergeBamAlignment
 CollectIlluminaLaneMetrics        MergeSamFiles
 CollectInsertSizeMetrics          MergeVcfs
 CollectJumpingLibraryMetrics      NormalizeFasta
 CollectMultipleMetrics            PositionBasedDownsampleSam
 CollectOxoGMetrics                QualityScoreDistribution
 CollectQualityYieldMetrics        RenameSampleInVcf
 CollectRawWgsMetrics              ReorderSam
 CollectRnaSeqMetrics              ReplaceSamHeader
 CollectRrbsMetrics                RevertOriginalBaseQualitiesAndAddMateCigar
 CollectSequencingArtifactMetrics  RevertSam
 CollectTargetedPcrMetrics         SamFormatConverter
 CollectVariantCallingMetrics      SamToFastq
 CollectWgsMetrics                 ScatterIntervalsByNs
 CompareMetrics                    SortSam
 CompareSAMs                       SortVcf
 ConvertSequencingArtifactToOxoG   SplitSamByLibrary
 CreateSequenceDictionary          SplitVcfs
 DownsampleSam                     UpdateVcfSequenceDictionary
 EstimateLibraryComplexity         ValidateSamFile
 ExtractIlluminaBarcodes           VcfFormatConverter
 ExtractSequences                  VcfToIntervalList
 FastqToSam                        ViewSam

Dette værktøj giver dig mulighed for at vise meget lange datavektorer på en pladseffektiv måde, ved at organisere dataene via en 2D-Hilbertkurve. Brugeren kan så visuelt bedømme den store skalastruktur og distribution af funktioner på samme tid via den rå form og intensiteten for individuelle funktioner.

I bioinformatics er et typisk brugstilfælde ChIP-Chip og ChIP-Seq, eller grundlæggende alle slags genomdata, som passende vises som kvantitative spor (»wiggle data«) i genombrowsere såsom dem tilbudt af Ensembl eller UCSC.

Programmet Spliced Transcripts Alignment to a Reference (STAR) baseret på en tidligere ubeskrevet RNA-seq-sammenligningsalgoritme, som bruger sekventiel maksimal kortlægningsparat seed-søgning i suffikstabeller uden komprimering efterfulgt af seed-klyngeopbygning og syning. STAR er bedre end andre sammenligningsprogrammer med en faktor >50 i kortlægningshastighed, sammenligning med menneskets genom 550 million 2 × 76 bp parret-slut læsninger per time på en moderat server med 12-kerner, mens der på samme tid er en forbedring af sammenligningssensitivitet og præcision. Udover fordomsfri de novo-registrering af kanoniske bindinger kan STAR registrere ikkekanoniske dele og chimeric (fusion) transkriptioner, og kan også oversætte RNA-sekvenser i fuld længde. Via Rocke 454-sekvensering af »reverse transcription polymerase chain reaction amplicons« validerede forfatterne eksperimentelt 1960 novel mellemgenom delbindinger med 80-90 % succes, underbyggende den høje præcision i START-kortlægningsstrategien.

Samtools er et sæt af værktøjer, der manipulerer sammenligninger af nukleotidsekvenser i det binære BAM-format. Værktøjet importerer fra og eksporterer til ascii SAM-formatet (Sequence Alignment/Map) og CRAM-formater, udfører sortering, sammenlægning og indeksering, og gør det muligt at hente læsninger i alle områder hurtigt. Det er designet til at arbejde på en strøm, og er i stand til at åbne en BAM- eller CRAM-fil (ikke SAM) på en ekstern FTP- eller HTTP-server.

Værktøjer til at læse SRA-arkivet, generelt ved at konvertere individuelle kørsler til et ofte anvendt format såsom fastq.

De tekstmæssige dumpere »sra-dump« og »vdb-dump« tilbydes i denne udgivelse som en hjælp til visuel inspektion. Det er sandsynligt, at den faktiske uddataformatering vil blive ændret i den nære fremtid for en mere stringent, mere formaliseret repræsentation. AFHÆNG IKKE AF UDDATAFORMATET I DENNE UDGIVELSE.

Informationen »Help« vil blive forbedret i fremtidige udgivelser og værktøjsindstillingerne vil blive standardiseret på tværs af sættet. Yderligere dokumentation vil også blive lagt på NCBI-hjemmesiden.

Værktøjsindstillinger kan ændre sig i den næste udgivelse. Version 1- værktøjsindstillinger vil forblive understøttet hvor muligt for at bevare funktionaliteten på eksisterende skripter.

Short Sequence Assembly af K-mer search and 3′ read Extension (SSAKE) er et genomprogram for aggressiv samling af millioner af korte nukleotidsekvenser ved gradvis at søge efter perfekte 3'-meste k-merer ved hjælp af et DNA-præfikstræ. SSAKE er designet til at hjælpe med at udnytte oplysningerne fra korte sekvenser læst ved stringent klyngeopbygning i contig'er, der kan bruges til at karakterisere nye sekventeringsmål.

Tabix indekserer filer hvor nogle kolonner indikerer sekvenskoordinater: navn (normalt et kromosom), start og stop. Inddatafilen skal være positionssorteret og komprimeret af bgzip (tilbudt i denne pakke), som har en grænseflade der ligner gzip. Efter indeksering er tabix i stand til hurtigt at hente datalinjer efter kromosomkoordinater. Hurtig dataindhentelse fungerer også over netværk hvis en URI angives som et filnavn.

Denne version af tabix er bygget fra HTSlib-kilden.

TopHat sammenligner RNA-sekvenslæsninger med genomer i mammalian-størrelse via ultra høj-gennemløb kortlæsningsssammenligneren Bowtie, og analyserer så resultaterne for at identificere splejsningsforbindelser mellem exoner. TopHat er et samarbejde mellem University of Maryland Center for Bioinformatics og Computational Biology og University of California, Berkeley Departments for matematisk og molekylær- og cellebiologi.

VCFtools er en programpakke designet for arbejde med VCF-filer, såsom dem oprettet af 1000 Genomes Project. Formålet med VCFtools er at tilbyde metoder for arbejde med VCF-filer: validering, sammenføjning, sammenligning og beregning af noget grundlæggende statistik om befolkningsgenetik.

Velvet er en »de novo«-genomisk assembler som er specielt designet for teknologier til kort læsning, såsom Solexa eller 454, udviklet af Daniel Zerbino og Ewan Birney ved European Bioinformatics Institue (EMBL-EBI), nær Cambridge, i Storbritannien.

Velvet kan i øjeblikket tage korte læsesekvenser, fjerner fejl og fremstiller dernæst unikke »contig'er« i høj kvalitet. Det anvender derefter parvis læseinformation, hvis tilgængelig, til at indhente de gentagne områder mellem contig'erne.