Debian Med Next generation sequencing packages

Anfo er en mapper i stil med Soap/Maq/Bowtie, men dets implementering har arvet mere fra BLAST/BLAT. Det er mest nyttig for sammenligning af sekvenslæsninger hvor DNA-sekvensen er ændret en smule (tænk ældre DNA eller bisulfit behandling) og/eller der er større forskel mellem prøve og reference end hvad hurtige mappere vil håndtere pænt (lad os sige at referencearvemassen mangler og en tæt forbundet art bruges i stedet for).

ARDEN (Artificial Reference Driven Estimation of false positives in NGS data) er en begyndende sammenligning (benchmark), der estimerer fejlprocenter baseret på virkelige eksperimentelle læsninger og en yderligere genereret kunstig referencearvemasse. Det giver mulighed for beregning af fejlprocenter specifikke for et datasæt og konstruktion af en ROC-kurve. Derved kan det bruges til at optimere parametre for læste kortlæggere, til at vælge læsningsoversættere for et specifikt problem eller også til at filtrere sammenligninger baseret på kvalitetsskøn.

ART er et sæt af simuleringsværktøjer til at oprette syntetiske næstegenerationssekventeringslæsninger. ART simulerer sekventeringslæsninger ved at efterligne virkelige sekventeringsprocesser med empiriske fejlmodeller eller kvalitetsprofiler opsummeret fra store justerede sekventeringsdata. ART kan også simulere læsninger via en brugerejet læsefejlmodel eller kvalitetsprofiler. ART understøtter simulering af single-end, parret ende/mate-pair-læsninger fra tre store kommercielle næstegenerationssekventeringsplatforme: Illuminas Solexa, Roches 454 og Applied Biosystems SOLID. ART kan bruges til at teste eller sammenligne en række metoder eller værktøjer til næstegenerationssekventeringsdataanalyse, herunder læsejustering, de novo-samling, SNP- og variationsstrukturregistrering. ART blev brugt som et primært værktøj til simuleringsundersøgelse af de 1.000 genomer projekt. ART er implementeret i C ++ med optimerede algoritmer og er yderst effektiv i læsningssimulering. ART udsender læsninger i FASTQ-format, og sammenligninger i ALN-format. ART kan også oprette linjeføringer i SAM-sammenligning eller UCSC BED-filformatet. Teknikken, kan anvendes sammen med genomvariantsimulatorer (f.eks. VarSim) til evaluering af variantkaldværktøjer eller -metoder.

ArtificialFastqGenerator anvender referencegenomet (i FASTA-format) som inddata og fremstiller kunstige FASTQ-filer i formatet Sanger. Programmet kan acceptere Phred base-kvalitetsbedømmelser fra eksisterende FASTQ-filer og bruge dem til at simulere sekvensfejl. Da de kunstige FASTQ'er er afledt fra referencegenomet, tilbyder referencegenomet en guldstandard for kald af varianter (Single Nucleotide Polymorphisms (SNP'er) og indsættelser og sletninger (indels)). Dette aktiverer evaluering af en Next Generation Sequencing-analysekanal (NGS) som sammenligner læsninger med referencegenomet og så kalder varianterne.

BamTools faciliterer forskningsanalyse og datahåndtering med brug af BAM-filer. Værktøjet håndterer de enorme datamængder lavet af nuværende sekvensteknologier, som typisk lagres i komprimerede, binære formater, som ikke nemt håndteres af tekstbaserede fortolkere ofte brugt i forskning indenfor bioinformatik.

BamTools tilbyder både en C++-API for BAM-filunderstøttelse samt et værktøjssæt for kommandolinjen.

Dette er værktøjssættet til kommandolinjen for bamtools.

Tilgængelige kommandoer for bamtools:

 convert  Konverterer mellem BAM og et antal andre formater
 count    Udskriver antallet af sammenligninger i BAM-filer
 coverage Udskriver dækningsstatistik fra inddata-BAM-filen
 filter   Filtrerer BAM-filer efter kriterier angivet af brugeren
 header   Udskriver BAM-teksthovedinformation
 index    Opretter indeks for BAM-fil
 merge    Sammenføj flere BAM-filer til en enkel fil
 random   Vælg vilkårlige sammenligninger fra eksisterende BAM-filer,
          lavet mere som et testværktøj.
 resolve  Slår parret ende-læsninger op (markerer IsProperPair-flaget
          efter behov)
 revert   Fjerner duplikerede mærker og gendanner originale
          basiskvaliteter
 sort     Sorterer BAM-filen jævnfør nogle kriterier
 split    Deler en BAM-fil på brugerangivne egenskab, opretter en ny
          BAM-uddatafil for hver fundet værdi
 stats    Udskriver lidt grundlæggende statistik fra inddata-BAM-filer

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.

EXpress er et strømværktøj til kvantificering af mængderne af et sæt målrettet sekvenser fra stikprøveundersekvenser. Eksempler på programmer omfatter transkript-plan RNA-Seq-kvantificering, allele-specifik/haplotype udtryksanalyse (fra RNA-Seq), transskriptionsfaktorbindende kvantificering chip-Seq, og analyse af metagenomisk data. Det er baseret på en net-EM algoritme, der resulterer i rumkrav (hukommelse) proportionale med den samlede størrelse af målsekvenser og tidskrav, der er proportionale med antallet af stikprøvefragmenter. I programmer såsom RNA-Seq kan eXpress udtryk nøjagtigt kvantificere meget større prøver end andre aktuelt tilgængelige værktøjer, hvilket reducerer beregningskrav til infrastruktur. EXpress kan bruges til at opbygge lette sekventerende behandlingsdatakanaler med høj gennemløb, når kombineret med en strømudjævner (såsom Bowtie), da uddata kan ledes direkte ind i eXpress, hvilket effektivt fjerner behovet for at gemme læsningstilpasninger i hukommelsen eller på disken.

I en analyse af resultaterne af Express til RNA-Seq data, var det observeret, at denne effektivitet ikke kommer på en bekostning af præcision. EXpress er mere præcis end andre tilgængelige værktøjer, selv når begrænset til mindre datasæt, der ikke kræver en sådan effektivitet. Desuden, ligesom Cufflinks-programmet, kan udtrykket bruges til at estimere udskriftsmængderne i multi-isoform-gener. EXpress er også i stand til at løse flerkortlægninger af læsninger på tværs af genfamilier, og kræver ikke en henvisning til genomet således at det kan anvendes i forbindelse med de novo-montører såsom Trinity, Oaser eller Trans-afgrunden. Den underliggende model er baseret på tidligere beskrevne sandsynlighedsmodeller udviklet for RNA-Seq men kan anvendes til andre miljøer, hvor stikprøvemålsekvenserne, og indeholder parametre for længdefragmentdistributioner, fejl i læsninger, og sekvens-specifik fragmentbias.

EXpress kan bruges til at løse tvetydige tilknytninger i andre sekventeringsbaserede programmer med høj gennemløb. Det eneste, der kræves af inddata er at udtrykke et sæt af målsekvenser og et sæt af sekventerede fragmenter multiply-aligned for dem. Mens disse målsekvenser ofte vil være gen-isoformer, behøver de ikke at være det. Haplotyper kan anvendes som referencepriser for allele-specifik udtryksanalyse, bindende regioner for Chip-Seq, eller målgenomer i metagenomet-eksperimenter. EXpress er anvendelige i analyser, hvor der læses multi-kort til sekvenser, der afviger i stor grad.

Effektivt værktøj for klyngeopsætning og samling af korte læsninger, specielt for RAD.

Rainbow er udviklet for at tilbyde en ultra hurtig og hukommelseseffektiv løsning til klyngeopbygning og samling af korte læsninger fremstillet af RAD-seq. Først læser Rainbowklynger via en »spaced seed«-metode. Derefter implementerer Rainbow en heterozygot kaldelignende strategi til at opdele potentielle grupper i haplotyper i en op-nedad metode. Langs et guidet træ sammenføjes interaktivt underblade i en bund-op metode, hvis de har nok lighed.

Her er ligheden defineret ved at sammenligne den 2. læsning af et RAD-segment. Denne fremgangsmåde forsøger at samle heterozygot, mens gentagende sekvenser diskrimineres. Til sidste bruger Rainbow en grådig algoritme til lokalt at samle sammenføjede læsninger i contig'er. Rainbow viser ikke kun den optimale men også mindre optimale samlingsresultater. Baseret på simulering og reelle guppy RAD-seq-data, er det vist at Rainbow er mere kompetent end andre værktøjer i håndteringen af RAD-seq-data.

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).

Bowtie 2 er et ultrahurtigt og hukommelseseffektivt værktøj til sammenligning af sekventeringslæsninger til lange referencesekvenser. Det er især velegnet til at justere læsninger fra omkring 50'erne op til 100'erne eller tusindvis af tegn, og særligt velegnet til at tilpasse til relativt lange (f.eks pattedyrs) arvemasser.

Bowtie 2 indekserer arvemassen med et FM-indeks til at holde sin hukommelsesaftryk lavt: for den menneskelige arvemasse er dets hukommelsesaftryk typisk omkring 3,2 GB. Bowtie 2 understøtter tilpasningstilstande for gapped, lokale og parret ende (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.

Canu er en forgrening af Celera Assembler, designet for høj-støj enkel molekyle sekvensopbygning (såsom PacBio RS II eller Oxford Nanopore MinION).

Canu er en hierarkisk samlelinje, som kører i fire trin:

• Detekter overlap i sekvenser med høj støj med MHAP
• Opret korrigeret sekvenskonsensus
• Trim rettede sekvenser
• Saml trimmede rettede sekvenser

Change-O er en samling af værktøjer til at behandle resultatet fra V(D)J-sammenligningsværktøjer, tildele klonale klynger til immunglobulin-sekvenser (Ig) og genkonstruktion til germline-sekvenser.

Dramatiske forbedringer i høj-gennemløb sekvensteknologier aktiverer nu karakterisering af Ig-repertoirer i stor skala, defineret som samlingen af trans-membran antigen-receptor proteiner placeret på overfladen af B-celler og T-celler. Change-O er en pakke af redskaber til at facilitere avanceret analyse af Ig- og TCR-sekvenser, der følger germline-segmentsammenligning. Change-O håndterer resultatet fra IMGT/HighV-QUEST og IgBLAST og tilbyder en bred vifte af klyngemetoder for tildeling af klonale grupper til Ig-sekvenser. Postsortering, gruppering og diverse databasemanipuleringsoperationer er også indeholdt.

Denne pakke installerer biblioteket for Python 3.

CRAC er et værktøj til at analysere High Throughput Sequencing-data (HTS) sammenlignet med et referencegenom. Er lavet for transkriptomisk og genomisk sekvenslæsninger. Mere præcist, med transkriptomiske læsninger som inddata, så forudsiges punktmutationer, indel'er, delingspunkt og chimerisk RNA'er (dvs. ikke kolinære delingspunkter). CRAC kan også vise positioner og natur for sekvensfejl som detekteres i læsningerne. CRAC bruger et genomindeks. Dette indeks skal beregnes før kørsel af læseanalysen. Til dette formål bruges kommandoen »crac-index« på dine genmofiler. Du kan så behandle læsningerne via kommandoen crac. Se manualsiden for CRAC (hjælpefilen) ved at taste »man crac«. CRAC kræver en stor mængde hukommelse på din computer. For behandling mod menneskegenomer, f.eks. for 50 millioner læsninger med 100 nukleotider hver kræver CRAC omkring 40 gigabyte hovedhukommelse. Kontroller, om systemet for din beregningsserver er udstyret med tilstrækkelig mængde hukommelsen, før start af en analyse.

Cutadapt hjælper med biologisk sekvensrensningsopgaver ved at finde adapter- eller primer-sekvenserne på en fejltolerant måde. Kan også ændre og filtrere læsninger på forskellige måder. Adaptersekvenser kan indeholde IUPAC-jokertegn. Også paired-end-læsninger og selv farverumsdata er understøttet. Hvis du ønsker det, så kan du også bare demultiplexe dine inddata, uden at fjerne adaptersekvenser overhovedet.

Denne pakke indeholder brugerfladen.

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.

DeepNano er en alternativ basecaller for Oxford Naopore MinION-læsninger baseret på dybe tilbagevendende neurale netværk.

I øjeblikket fungerer den med SQK-MAP-006 og SQK-MAP-005 kemi og har en efterbrænder for Metrichor.

Dindel er et program til at kalde små »indels« fra kort-læst sekvensdata (»næstegenerations sekvensdata«). Er i øjeblikket designet til kun at håndtere Illumina-data.

Dindel kræver en BAM-fil indeholdende læs-sammenligninger som inddata. Programmet udtrækker så kandidat-indels fra BAM-filen, og laver ny sammenligning af læsningerne for at kandidere haplotyper bestående af disse kandidat-indels. Hvis der er tilstrækkelig evidens for en alternativ haplotype til referencen, så vil programmet kalde en indel.

Det er muligt at teste indels registret med andre metoder via brug af Dindel, for eksempel længere indels indhentet via samlingsmetoder. Dindel vil så lave sammenligning for både oversatte og ej oversatte læsninger for at se om kandidat-indelen er understøttet af læsningerne.

Dindel viser både genotypesandsynligheder og inkluderer et skript til at konvertere disse til en VCF-fil med indel- og SNP-kald.

Der er grundlæggende understøttelse for visning af nye udredede BAM-filer for hvert udredningsvindue. Disse udredede BAM-filer kan bruges til at kalde SNP'er tæt på (kandidat) indels.

Software discoSnp er designet til at opdage Single Nukleotid Polymorfi (SNP) fra rå læsning af sæt indhentet med Next Generation Sequencers (NGS).

Bemærk at antallet af læsesæt ikke er begrænset, det kan være en, to, eller mere. Bemærk også, at ingen andre oplysninger som reference arvemasse eller anmærkninger er nødvendige.

Programmet består af to moduler. Første modul, kissnp2, detekterer SNP'er fra læst sæt. Et andet modul, kissreads, forbedrer kissnp2- resultater ved at beregne per læst sæt og for hvert fundet SNP:

 1) dets middel læsedækning
 2) (Phred) kvaliteten af læsninger oprettet af polymorfismen.

Dette program efterfølges af DiscoSnp++.

Dnaclust er et værktøj til klyngedannelse af et stort antal korte DNA-sekvenser. Klyngerne oprettes på en måde så »radiussen« for hver klynge ikke er større end den angivne tærskel.

Inddatasekvenserne der skal indgå i klyngedannelsen skal være i formatet Fasta. Id'en for hver sekvens er baseret på det første ord i sekvensen i formatet Fasta. Det første ord er præfikset for teksthovedet til den første forekomst af mellemrum i teksthovedet.

DWGSIM simulerer kort sekventeringslæsninger fra moderne sekventeringsplatform. DWGSIM opretter basisfejlsatser via en parametrisk model, hvilket giver en mere realistisk fejlprofil. Programmet blev oprindelig udviklet til brug i evaluering af korte læsningsjusteringer.

Ea-utils tilbyder et sæt af værktøjer til kommandolinjen for behandling af biologiske sekvensdata, stregkodedemultiplexing, adaptertrimming etc.

Primært skrevet for at understøtte en Ilumina-baseret datakanal - men bør fungere med enhver FASTQ.

De vigtigste værktøjer er:

• fastq-mcf Skanner en sekvensfil for adaptere og baseret på en logskaleret tærskel bestemmes et sæt af klippende parametre og klipningen udføres. Udfører også detektering af skævvridning og kvalitetfiltrering.

• fast-multx Demultiplexer en fastq. Kan automatisk bestemme stregjkode-id'er baseret på et mastersætfelt. Bevarer flere læsninger i synkronisering under demultiplexing. Kan også verificere at læsninger er synkrone og fejler hvis ikke.

• fast-join Svarer til audy' stitch-program, men i C, mere effektivt og understøtter nogle automatiske sammenligninger og indstillingsforbedringer. Den bruger den samme »kvadreret afstand til forankrede tilpasning« som andre værktøjer.

• varcall Tager en samling og beregner varianter på en mere parameteropbygget måde end andre værktøjer.

Fastaq repræsenterer en alsidig samling af skripter, som udfører nyttige og gængse FASTA/FASTQ-manipuleringsopgaver, såsom filtrering, sammenføjning, opdeling, sortering, trimning, søg/erstat etc. Inddata- og uddatafiler kan gzippes (formatet detekteres normalt automatisk) og individuelle Fastaq-kommandoer kan kanaliseres sammen.

Alt i en FASTQ-forbrænder, fastp tilbyder funktioner inklusive kvalitetsprofilering, adaptertilpasning, læsefiltrering og basiskorrektion. Programmet understøtter både single-end og paired-end korte læsedata og tilbyder også en grundlæggende understøttelse for long-read data.

FastQC forsøger at tilbyde en simpel måde at udføre lidt kvalitetskontrol på rå sekvensdata, der kommer fra sekvensdatakanaler med høj gennemløb. Programmet tilbyder et modulsæt af analyser, som du kan bruge til et hurtigt indtryk af om dine data har nogle problemer, som du skal være opmærksom på før du udfører yderligere analyse.

Hovedfunktionerne i FastQc er

• Import af data fra BAM-, SAM- eller FastQ-filer (alle varianter)
• Tilbyder et hurtigt overblik som fortæller dig i hvilke områder, der kan være problemer
• Referatgrafer og tabeller til hurtigt at tilgå dine data
• Eksport af resultater til en HTML-baseret permanent rapport
• Operation uden internet til automatiseret oprettelse af rapporter uden at køre det interaktive program

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.

Flexbar forbehandler high-throughput sekventeringsdata effektivt. Programmet demultiplekser stregkodede kørsler og fjerner adaptersekvenser. Endvidere tilbydes trimnings- og filtreringsfunktioner. Flexbar øger oversættelseshastigheder og forbedrer arvemasse- og transskriptome-samlinger. Programmet understøtter næstegeneration sekventeringsdata i fasta/q- og csfasta/q-format fra Illumina, Roche 454 og SOLID-platformen.

Parameternavne ændret i FLEXBAR. Gennemse venligst skripter. De seneste måneder, standardindstillinger blev optimeret, blev flere fejl fastsat og forskellige forbedringer blev foretaget, f.eks blev grænsefladen for kommandolinjen moderniseret, nye trimningstilstande samt lavere tids- og hukommelseskrav.

Fml-asm er et kommandolinjeværktøj til at samle Illuminakorte læsninger i områder fra 100bp til 10 millioner bp i størrelse, baseret på biblioteket fermi-lite. Det er hovedsagelig en mindre version i hukommelsen af fermikit uden oprettelse af nogen mellemliggende filer. Værktøjet arver ydelsen, det relative lille hukommelsesaftryk og funktionerne fra fermikit. Fermi-lite er specielt god til at bevare heterozgous-hændelser og kan derfor bruges til at samle diploide områder for variantkald.

En implementering af frekvensbaseret understrengsminering for en kerne brugt i bioinformatik til at udtrække understrenge som diskriminerer to (eller flere) datasæt inden i sekvensdata med høj gennemløb.

GIIRA er en gen-forudsigelsesmetode, der identificerer potentielle kodningsregioner udelukkende baseret på kortlægning af læsninger fra et RNA-Seq-eksperiment. Det blev hovedsagelig konstrueret til prokaryotisk gen-forudsigelse og er i stand til at vise gener inden i den viste region for et operon. Det kan også bruges til eukaryoter og forudsiger exon-intron- strukturer samt alternative isoformer.

Grinder er et alsidigt program til at skabe tilfældige shotgun og amplikon sekvensbiblioteker baseret på DNA, RNA eller proteinreferencesekvenser tilvejebragt i en FASTA-fil.

Grinder kan producere genomisk, metagenomisk, transkriptom, metatranscriptomic, proteomiske, metaproteomic shotgun og amplicon datasæt fra nuværende sekventeringsteknologier som Sanger, 454, Illumina. Disse simulerede datasæt kan bruges til at teste nøjagtigheden af bioinformatiske værktøjer under specifik hypotese, f.eks med eller uden sekventeringsfejl eller med lav eller høj samfundsmangfoldighed. Grinder kan også bruges til at hjælpe vælge mellem alternative sekventeringsmetoder til et sekvensbaseret projekt, f.eks skal biblioteket paired-end eller ej, hvor mange læsninger skal sekventeres.

HiLive er et læs-oversættelsesværktøj som oversætter Illumina HiSeq (eller sammenlignelige) læsninger til et referencegenom lige i det øjeblik de fremstilles. Dette indebærer at læs-oversættelse er færdig lige så snart sequenceren er færdig med at oprette dataene.

HINGE er en genomassembler, som forsøger at opnå optimal gentagelsesopslag ved at skelne gentagelser, som kan slås op givet dataene fra disse som ikke kan. Dette opnås ved at tilføje »hinges« til læsninger for at konstruere en graf med overlap hvor kun gentagelser, der ikke kunne slås op, sammenføjes. Som resultat kombinerer HINGE fejltolerancen for overlap-baserede assemblere med gentag-opslags funktioner for de Bruijn-grafassemblere.

HISAT2 er et hurtigt og sensitivt sammenligningsprogram for oversættelse af sekvenslæsning i næste generation (både DNA og RNA) til en population af genomer fra mennesker (samt mod et enkelt referencegenom). Baseret på en udvidelse af BWT for grafer blev et graf FM-indeks designet og implementeret. Udover at bruge et globalt GFM-indeks, som repræsenterer en population af genomer for mennesker, så bruger HISAT2 et stort sæt af små GFM-indeks, som kollektivt dækker hele genomet (hvert indeks repræsenterer et genomområde på 56 Kbp, med 55.000 indeks krævet for at dække menneskepopulationen). Disse små indeks (kaldt lokale indeks), kombineret med flere sammenligningsstrategier muliggør hurtig og præcis sammenligning af sekvenslæsninger. Dette nye indeksskema kaldes et Hierarchical Graph FM-indeks (HGFM).

IDBA står for iterative de Bruijn-grafassembler. I beregningssekvensbiologi så løser en assembler puslespillet fra store sekvensmaskiner, som har mange gigabyte med korte læsninger fra et stort genom.

Denne pakke tilbyder flere varianter af IDBA-assembleren, da de alle deler det samme kildetræ men har forskellige formål og udvikler sig over tid.

IDBA er den grundlæggende iterativ de Bruijn-grafassembler for anden generations sekvenslæsninger. IDBA-UD, en udvidelse af IDBA, er designet til at udnytte parret-slut-læsninger til at samle regioner på lav dybde og bruge progressiv dybde på config'er til at reducere fejl i regioner med høj dybde. Det er en generisk formålsassembler og specielt god til enkel-celle og metagenomiske sekvensdata. IDBA-Hybrid er en anden opdateret version af IDBA-UD, som kan gør brug af et lignende referencegenmom til at forbedre assembly-resultat. IDBA-Tran er en iterativ de Bruijn-grafassembler for RNA-seq-data.

IgDiscover analyzes antibody repertoires and discovers new V genes from high-throughput sequencing reads. Heavy chains, kappa and lambda light chains are supported (to discover VH, VK and VL genes).

IGoR (Inference and Generation of Repertoires) er et alsidigt program til at analysere og modellere immunreceptoroprettelse, udvælgelse, mutation og alle andre processer.

IVA er en de novo-assembler designet til at samle virusgenomer, som ikke har gentagelsessekvenser, via Illuminalæste par sekventeret fra blandede populationer ved ekstrem høj dybde.

IVA's hovedalgoritme fungerer ved iterativt at udvide config'er via justerede læste par. Dets inddata kan bare være læste par, eller du kan derudover tilbyde et eksisterende sæt af contig'er til udvidelse. Alternativt kan programmet anvende læsninger sammen med en referencesekvens.

Khmer et et bibliotek og programpakke med værktøjer for kommandolinjen til arbejdet med DNA-sekvenser. Det er primært rettet mod kort-læs sekvensdata såsom dem lavet af Illuminaplatformen. Khmer bruger en k-mer-centrisk fremgangsmåde til sekvensanalyse, deraf navnet.

KisSplice er et program, som gør det muligt at analysere RNA-sekvensdata med eller uden en referencearvemasse. Det er en præcis lokal transcriptome assembler hvor du kan identificere SNP'er, indels og alternative splicing-hændelser. Programmet kan håndtere et arbitrært antal biologiske betingelser og vil kvantificere hver variant i hver betingelse. Programmet er blevet testet på Illumina-datasæt på op til 1G-læsninger. Dets hukommelsesforbrug er omkring 5 Gb for 100 millioner læsninger.

Kraken er et system til tildeling af taksonomiske etiketter til korte DNA- sekvenser, normalt indhentet via metagenomiske studier. Tidligere forsøg fra andre bioinformatikprogrammer på at fuldføre denne opgave har ofte brugt sekvenssammenligning eller maskinindlæringsteknikker, som var ret så langsomme, hvilket førte til udviklingen af mindre sensitive men meget hurtigere programmer for overflodsestimering. Kraken forsøger at opnå høj sensitivitet og høj hastighed ved at udnytte præcise sammenligninger af k- mers og en ny klassifikationsalgoritme.

I sin hurtigste operationstilstand, for et simuleret metagenom for 100 bp- læsninger, behandlede Kraken over 4 millioner læsninger per minut på en enkel kerne, over 900 gange hurtigere end Megablast og over 11 gange hurtigere end overflodsestimeringsprogrammet MetaPhlAn. Krakens præcision er sammenlignelig med Megablast, med en smule mindre sensitivitet og meget høj præcision.

Kraken 2 is the newest version of Kraken, a taxonomic classification system using exact k-mer matches to achieve high accuracy and fast classification speeds. This classifier matches each k-mer within a query sequence to the lowest common ancestor (LCA) of all genomes containing the given k-mer. The k-mer assignments inform the classification algorithm. [see: Kraken 1's Webpage for more details].

Kraken 2 provides significant improvements to Kraken 1, with faster database build times, smaller database sizes, and faster classification speeds. These improvements were achieved by the following updates to the Kraken classification program:

 1. Storage of Minimizers: Instead of storing/querying entire k-mers,
    Kraken 2 stores minimizers (l-mers) of each k-mer. The length of
    each l-mer must be ≤ the k-mer length. Each k-mer is treated by
    Kraken 2 as if its LCA is the same as its minimizer's LCA.
 2. Introduction of Spaced Seeds: Kraken 2 also uses spaced seeds to
    store and query minimizers to improve classification accuracy.
 3. Database Structure: While Kraken 1 saved an indexed and sorted list
    of k-mer/LCA pairs, Kraken 2 uses a compact hash table. This hash
    table is a probabilistic data structure that allows for faster
    queries and lower memory requirements. However, this data structure
    does have a <1% chance of returning the incorrect LCA or returning
    an LCA for a non-inserted minimizer. Users can compensate for this
    possibility by using Kraken's confidence scoring thresholds.
 4. Protein Databases: Kraken 2 allows for databases built from amino
    acid sequences. When queried, Kraken 2 performs a six-frame
    translated search of the query sequences against the database.
 5. 16S Databases: Kraken 2 also provides support for databases not
    based on NCBI's taxonomy. Currently, these include the 16S
    databases: Greengenes, SILVA, and RDP.

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.

MACS opbygger empirisk længden af de sekventerede ChIP-fragmenter, som tenderer til at være kortere end lydbehandling eller størrelsesestimater for bibliotekskonstruktion og bruger den til at forbedre den rumlige opløsning af forudsagte bindingssteder. MACS bruger også en dynamisk Poisson-fordeling til effektivt at fange lokale skævheder i arvemassesekvensen, hvilket giver mulighed for mere følsom og robust forudsigelse. MACS sammenligner positivt til eksisterende ChIP-Seq peak-finding-algoritmer, er offentligt tilgængelig åben kildekode og kan bruges til ChIP-Seq med eller uden kontrolprøver.

MapDamage is a computational framework written in Python and R, which tracks and quantifies DNA damage patterns among ancient DNA sequencing reads generated by Next-Generation Sequencing platforms.

MapDamage is developed at the Centre for GeoGenetics by the Orlando Group.

Mapsembler2 is a targeted assembly software. It takes as input a set of NGS raw reads (fasta or fastq, gzipped or not) and a set of input sequences (starters).

It first determines if each starter is read-coherent, e.g. whether reads confirm the presence of each starter in the original sequence. Then for each read-coherent starter, Mapsembler2 outputs its sequence neighborhood as a linear sequence or as a graph, depending on the user choice.

Mapsembler2 may be used for (not limited to):

• Validate an assembled sequence (input as starter), e.g. from a de Bruijn graph assembly where read-coherence was not enforced.
• Checks if a gene (input as starter) has an homolog in a set of reads
• Checks if a known enzyme is present in a metagenomic NGS read set.
• Enrich unmappable reads by extending them, possibly making them mappable
• Checks what happens at the extremities of a contig
• Remove contaminants or symbiont reads from a read set

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.

Maqview er en grafisk fremviser for læsesammenligning. Den er specifikt designet for sammenligningsfilen Maq og giver dig mulighed for at se forskelle, basiskvaliteter og oversættelseskvaliteter. Maqview er ikke så smart som Consed eller GAP, men bare en simpel fremviser, så du kan se hvad der sker i et bestemt område.

I sammenligning med tgap-maq er den tekstbaserede fremviser for læsesammenligninger Maqview skrevet af James Bonfield hurtigere og den bruger mindre hukommelse og diskplads i sine indeks. Dette er muligt da tgap forsøger at være en almen fremviser, mens Maqview fuldt ud gør brug af det faktum, at en Maq-sammenligningsfil allerede er blevet sorteret. Maqview er også effektiv i fremvisning og tilbyder et kommandolinjeværktøj til hurtigt at hente ethvert område i en Maq-sammenligningsfil.

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).

The microbiomeutil package comes with the following utilities:

• ChimeraSlayer: ChimeraSlayer for chimera detection.
• NAST-iEr: NAST-based alignment tool.
• WigeoN: A reimplementation of the Pintail 16S anomaly detection utility
• RESOURCES: Reference 16S sequences and NAST-alignments that the tools above leverage.

Mira er en specialiseret gensekvenssamler for sekvensprojekter regnet som »svære« på grund af et stort antal ensformige gentagelser. For expressed sequence tags-transskriptioner (EST'er) er miraEST specialiseret på rekonstruktion af urørte mRNA-transskriptioner mens det detekterer og klassificerer enlige nukleotidpolymorfismer (SNP), der opstår i forskellige variationer herudfra.

Sekvenssamleren bruges rutinemæssigt til forskellige opgaver såsom mutationsdetektering i forskellige celletyper, analyser af ligheder i transskriptioner mellem organismer og samling af urørte sekvenser fra forskellige kilder for oligodesign i kliniske mikroarrayeksperimenter.

Pakken tilbyder følgende kørbare filer:

• mira: for samling af genomsekvenser
• miramem: estimerer hukommelsen krævet af et projekt. Fungerer ved at lænke til mira.
• mirabait: et »grep«-lignende værktøj til at vælge læsninger med kmerer op til 256 baser.
• miraconvert: er et værktøj til at konvertere, udtrække og nogle gange genberegne alle slags data relateret til sekvenssamlingsfiler.

Mothur søger at udvikle et enkelt stykke open source program, der kan udvides til at fylde bioinformatikbehov i mikrobiel økologisamfund. Den har indbygget funktionalitet for dotur, sons, treeclimber, s-libshuff, unifrac og meget mere. Ud over at forbedre fleksibiliteten af disse algoritmer er en række andre funktioner, herunder regnemaskiner og visualiseringsværktøjer, blevet tilføjet.

Nanoplish bruger en skjult Markovmodel på signalniveau til konsensuskald af nanospores genomsekvensdata. Programmet kan udføre analyse på signalniveau for Oxford Nanopore-sekvensdata. Nanopolish kan beregne en forbedret konsensussekvens for en kladdegenomsamling, registrere baseændringer, kalde SNP'er og indels med respekt for et referencegenom med mere.

The PALEOMIX pipelines are a set of pipelines and tools designed to aid the rapid processing of High-Throughput Sequencing (HTS) data: The BAM pipeline processes de-multiplexed reads from one or more samples, through sequence processing and alignment, to generate BAM alignment files useful in downstream analyses; the Phylogenetic pipeline carries out genotyping and phylogenetic inference on BAM alignment files, either produced using the BAM pipeline or generated elsewhere; and the Zonkey pipeline carries out a suite of analyses on low coverage equine alignments, in order to detect the presence of F1-hybrids in archaeological assemblages. In addition, PALEOMIX aids in metagenomic analysis of the extracts.

The pipelines have been designed with ancient DNA (aDNA) in mind, and includes several features especially useful for the analyses of ancient samples, but can all be for the processing of modern samples, in order to ensure consistent data processing.

This package provides functionality for manipulating and extracting data from cmp.h5 and bas.h5 files produced by the Pacific Biosciences sequencers. cmp.h5 files contain alignment information while bas.h5 files contain base-call information.

This package is part of the SMRTAnalysis suite.

PBHoney is an implementation of two variant-identification approaches designed to exploit the high mappability of long reads (i.e., greater than 10,000 bp). PBHoney considers both intra-read discordance and soft-clipped tails of long reads to identify structural variants.

PBHoney is part of the PBSuite.

PBJelly is a highly automated pipeline that aligns long sequencing reads (such as PacBio RS reads or long 454 reads in fasta format) to high-confidence draft assembles. PBJelly fills or reduces as many captured gaps as possible to produce upgraded draft genomes.

PBJelly is part of the PBSuite.

The PBSuite contains two projects created for analysis of Pacific Biosciences long-read sequencing data.

• PBJelly - genome upgrading tool
• PBHoney - structural variation discovery

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

The program pIRS can be used for simulating Illumina PE reads, with a series of characters generated by Illumina sequencing platform, such as insert size distribution, sequencing error(substitution, insertion, deletion), quality score and GC content-coverage bias.

The insert size follows a normal distribution, so users should set the mean value and standard deviation. Usually the standard deviation is set as 1/20 of the mean value. The normal distribution by Box-Muller method is simulated.

The program simulates sequencing error, quality score and GC content- coverage bias according to the empirical distribution profile. Some default profiles counted from lots of real sequencing data are provided.

To simulate reads from diploid genome, users should simulate the diploid genome sequence firstly by setting the ratio of heterozygosis SNP, heterozygosis InDel and structure variation.

Placnet is a new tool for plasmid analysis in NGS projects. Placnet is optimized to work with Illumina sequences but it also works with 454, Iontorrent or any of the actual sequence technologies.

The input of placnet is a set of contigs and one or more SAM files with the mapping of the reads against the contigs. Placnet obtains a set of files, easily opened on Cytoscape software or other network tools.

poretools is a flexible toolkit for exploring datasets generated by nanopore sequencing devices from MinION for the purposes of quality control and downstream analysis. Poretools operates directly on the native FAST5 (a variant of the HDF5 standard) file format produced by ONT and provides a wealth of format conversion utilities and data exploration and visualization tools.

This package provides a library by the AIRR community to for describing, reporting, storing, and sharing adaptive immune receptor repertoire (AIRR) data, such as sequences of antibodies and T cell receptors (TCRs). Some specific efforts include:

• The MiAIRR standard for describing minimal information about AIRR datasets, including sample collection and data processing information.
• Data representations (file format) specifications for storing large amounts of annotated AIRR data.
• APIs for exposing a common interface to repositories/databases containing AIRR data.
• A community standard for software tools which will allow conforming tools to gain community recognition.

This package installs the library for Python 3.

A Python package for working with and manipulating the GFF and GTF format files typically used for genomic annotations. Files are loaded into a sqlite3 database, allowing much more complex manipulation of hierarchical features (e.g., genes, transcripts, and exons) than is possible with plain-text methods alone.

pRESTO is a toolkit for processing raw reads from high-throughput sequencing of B cell and T cell repertoires.

Dramatic improvements in high-throughput sequencing technologies now enable large-scale characterization of lymphocyte repertoires, defined as the collection of trans-membrane antigen-receptor proteins located on the surface of B cells and T cells. The REpertoire Sequencing TOolkit (pRESTO) is composed of a suite of utilities to handle all stages of sequence processing prior to germline segment assignment. pRESTO is designed to handle either single reads or paired-end reads. It includes features for quality control, primer masking, annotation of reads with sequence embedded barcodes, generation of unique molecular identifier (UMI) consensus sequences, assembly of paired-end reads and identification of duplicate sequences. Numerous options for sequence sorting, sampling and conversion operations are also included.

The BEDTools suite of programs is widely used for genomic interval manipulation or “genome algebra”. pybedtools wraps and extends BEDTools and offers feature-level manipulations from within Python.

This is the Python 3 version.

sqt is a collection of command-line tools for working with high-throughput sequencing data. Conceptionally not fixed to use any particular language, many sqt subcommands are currently implemented in Python. For them, a Python package is available with functions for reading and writing FASTA/FASTQ files, computing alignments, quality trimming, etc.

The following tools are offered:

• sqt-coverage -- Compute per-reference statistics such as coverage and GC content
• sqt-fastqmod -- FASTQ modifications: shorten, subset, reverse complement, quality trimming.
• sqt-fastastats -- Compute N50, min/max length, GC content etc. of a FASTA file
• sqt-qualityguess -- Guess quality encoding of one or more FASTA files.
• sqt-globalalign -- Compute a global or semiglobal alignment of two strings.
• sqt-chars -- Count length of the first word given on the command line.
• sqt-sam-cscq -- Add the CS and CQ tags to a SAM file with colorspace reads.
• sqt-fastamutate -- Add substitutions and indels to sequences in a FASTA file.
• sqt-fastaextract -- Efficiently extract one or more regions from an indexed FASTA file.
• sqt-translate -- Replace characters in FASTA files (like the 'tr' command).
• sqt-sam-fixn -- Replace all non-ACGT characters within reads in a SAM file.
• sqt-sam-insertsize -- Mean and standard deviation of paired-end insert sizes.
• sqt-sam-set-op -- Set operations (union, intersection, ...) on SAM/BAM files.
• sqt-bam-eof -- Check for the End-Of-File marker in compressed BAM files.
• sqt-checkfastqpe -- Check whether two FASTQ files contain correctly paired paired-end data.

QCPipeline er et værktøj til kvalitetskontrol. Arbejdsforløbet er som i det følgende:

 1. Kvalitetskontrol med FastQC
 2. Ryd op i læsninger med Trimmomatic
 3. Kvalitetskontrol af læsningerne med FastQC
 4. Oversæt læsninger mod reference via bowtie2
 5. Klassificer læsninger med Kraken

QIIME 2 er en funktionsrig og decentraliseret mikrobiome analysepakke med fokus på data og analysegennemsigtighed. QIME 2 gør det muligt for forskere at starte en analyse med rå DNA-sekvensdata og afslutte med figurer og statistiske resultater i udgivelseskvalitet. Nøglefunktioner:

• Integreret og automatisk registrering af dataherkomst
• Semantisk typesystem
• Udvidelsesmodulsystem for udvidelse af mikrobiome analysefunktionalitet
• Understøttelse for flere typer af brugerflader (f.eks. API, kommandolinjen, grafisk)

QIIME 2 er et fuldstændigt nyt design og omskrivning af QIIME 1 mikrobiome analysedatakanalen. QIIME 2 vil adressere mange af begrænsningerne i QIIME 1, men de funktioner der gør QIIME 1 til en funktionsrig og bredt anvendt analysedatakanal bevares.

QIIME 2 understøtter i øjeblikket en oprindelig start til slut-mikrobiome analysedatakanal. Ny funktionalitet vil blive tilgængelig via QIIME 2-udvidelsesmoduler. Du kan se en liste over tilgængelige udvidelsesmoduler på QIIME 2's side over udvidelsesmoduler. »future«-siden viser udvidelsesmoduler under udvikling.

QuorUM giver mulighed for at opnå trimmede og fejlkorrigerede læsninger, der resulterer i samlinger med længere contigs og færre fejl. QuorUM giver bedst ydeevne sammenlignet med andre offentliggjorte fejlkorrektorer i flere målinger. QuorUM implementeres effektivt ved at benytte nuværende multi-kerne beregningsarkitekturer, og den er velegnet til store datasæt (1 milliarder baser kontrolleres og korrigeres pr. dag pr. kerne). Tredjepartsassembleren (SOAPdenovo) har signifikant fordel af at bruge QuorUM-fejlkorrigerede læsninger. QuorUM-fejlkorrigerede læsninger resulterer i en faktor på 1,1 til 4 i forbedring i N50-contigstørrelse sammenlignet med de oprindelige læsninger med SOAPdenovo for de undersøgte datasæt.