Debian Med Next generation sequencing packages

BCFtools est un ensemble d'outils qui manipulent des appels de variation dans le format « Variant Call Format » (VCF) et son équivalent binaire BCF. Toutes les commandes fonctionnent de façon transparente avec VCF et BCF, qu'ils soient compressés avec BGZF ou non.

Les utilitaires BEDTools permettent de traiter les tâches génomiques ordinaires telles que trouver les chevauchements de caractéristiques et informatiser les données. Les utilitaires sont en grande partie basés sur quatre formats de fichier très utilisés : BED, GFF/GTF, VCF et SAM/BAM. En utilisant BEDTools, il est possible de développer des enchainements sophistiqués qui répondent à des questions de recherche en utilisant plusieurs outils séquentiellement.

L'outil groupBy est fourni par le paquet filo.

BLASR (« Basic local alignment with successive refinement ») est une méthode pour mettre en correspondance des lectures de séquençage de molécules simples avec un génome de référence. De telles lectures sont longues de plusieurs milliers de bases et les divergences entre elles et le génome sont dominées par les erreurs d'insertion et de suppression.

Ce paquet aborde le problème de l'interprétation des résultats des dernières technologies (2010) de séquençage de l'ADN. Celles-ci produiront des étirements assez courts et qui ne peuvent pas directement être interprétés. C'est le défi d'outils comme Bowtie de donner un emplacement chromosomique aux courts étirements de l'ADN séquencé à chaque exécution.

Bowtie aligne des (lectures de) séquences d'ADN du génome humain à un débit de 25 millions de lectures de paires de bases 35 par heure. Le paquet Bowtie indexe le génome humain avec un indice de Burrows-Wheeler pour garder une faible empreinte mémoire : typiquement environ 2,2 Go pour le génome humain (2,9 Go pour le séquençage à partir des deux extrémités).

BWA est un paquet logiciel pour mettre en correspondance des séquences à faible divergence avec un grand génome de référence tel que le génome humain. Il est constitué de trois algorithmes : BWA-backtrack, BWA-SW et BWA-MEM. Le premier algorithme est conçu pour les lectures de séquences Illumina jusqu'à 100 paires de bases, alors que les deux autres sont conçus pour des lectures de séquences allant de 70 à 1 000 paires de bases. BWA-MEM et BWA-SW partagent des fonctionnalités communes telles que la prise en charge des lectures longues et des alignements de découpages (« split alignment »), mais BWA-MEM, plus récent, est généralement recommandé pour les requêtes de haute qualité, car il est plus rapide et plus précis. BWA-MEM a également de meilleures performances que BWA-backtrack pour les lectures Illumina de 70 à 100 paires de bases.

Ces outils permettent de trouver tous les alignements locaux significatifs parmi des lectures encodées dans une base de données Dazzler. L’hypothèse est que les lectures sont originaires d’un séquenceur à lectures longues RS II de Pacific Biosciences. C'est-à-dire que les lectures sont longues et bruitées, jusqu’à 15 % en moyenne.

Le kit FASTX est une collection d'outils en ligne de commande pour le prétraitement des lectures de nucléotides courts dans les formats FASTA et FASTQ, habituellement produits par les machines de séquençage. Le principal traitement de ces fichiers FASTA/FASTQ est la cartographie (alignement) des séquences sur des génomes de référence ou autres bases de données à l'aide de programmes spécialisés tels que BWA, Bowtie et de nombreux autres. Cependant, il est parfois plus productif de prétraiter les fichiers FASTA/FASTQ avant d'aligner les séquences avec les génomes de référence ou de manipuler les séquences afin de produire de meilleurs résultats. Le kit FASTX réalise quelques-unes de ces tâches de prétraitement.

LAST est un logiciel permettant de comparer et aligner des séquences, typiquement des séquences d'ADN ou de protéines. LAST est similaire à BLAST, mais il s'en sort mieux avec les grandes quantités de données de séquences. Voici deux choses pour lesquelles LAST est bon :

• la comparaison de grands génomes (ceux de mammifères par exemple) ;
• la mise en correspondance de nombreuses étiquettes de séquences avec un génome.

La principale innovation technique vient du fait que LAST trouve les correspondances initiales en se basant sur leur multiplicité au lieu d'utiliser une taille fixe (par exemple, BLAST utilise des 10-mers). Cela permet de faire correspondre des étiquettes aux génomes sans masques répétitifs, sans être débordé par les correspondances répétitives. Pour trouver ces correspondances de tailles variables, il utilise un tableau de suffixes inspiré de Vmatch. Afin d'avoir une grande sensibilité, LAST utilise a tableau de suffixes non contigu, similaires aux seeds espacées.

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 (« Mapping and Assembly with Quality » − correspondance et assemblage de qualité) construit des associations de correspondance de lectures courtes générées par des machines de séquençage de nouvelles générations. Le logiciel a été particulièrement conçu pour l'analyseur de génome Solexa à 1 milliard de bases par exécution, par l'entreprise Illumina, et dispose d'une fonctionnalité préliminaire pour manipuler des données ABI SOLiD. Le logiciel Maq est déjà connu sous le nom de mapass2.

Le développement du logiciel Maq s'est arrêté en 2008. Ses successeurs sont BWA (« Burrows-Wheeler Aligner ») et SAMtools (« Sequence Alignment/Map tools »).

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).

Le format «⋅Sequence Alignment/Map⋅» (SAM) est un format générique pour le stockage d'alignements de grandes séquences de nucléotides. Le logiciel Picard Tools inclut ces utilitaires pour manipuler les fichiers SAM et BAM (Binary Alignment/Map)⋅:

 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

This tool allows one to display very long data vectors in a space-efficient manner, by organising it along a 2D Hilbert curve. The user can then visually judge the large scale structure and distribution of features simultaenously with the rough shape and intensity of individual features.

In bioinformatics, a typical use case is ChIP-Chip and ChIP-Seq, or basically all the kinds of genomic data, that are conventionally displayed as quantitative track ("wiggle data") in genome browsers such as those provided by Ensembl or UCSC.

Spliced Transcripts Alignment to a Reference (STAR) software based on a previously undescribed RNA-seq alignment algorithm that uses sequential maximum mappable seed search in uncompressed suffix arrays followed by seed clustering and stitching procedure. STAR outperforms other aligners by a factor of >50 in mapping speed, aligning to the human genome 550 million 2 × 76 bp paired-end reads per hour on a modest 12-core server, while at the same time improving alignment sensitivity and precision. In addition to unbiased de novo detection of canonical junctions, STAR can discover non-canonical splices and chimeric (fusion) transcripts, and is also capable of mapping full-length RNA sequences. Using Roche 454 sequencing of reverse transcription polymerase chain reaction amplicons, the authors experimentally validated 1960 novel intergenic splice junctions with an 80-90% success rate, corroborating the high precision of the STAR mapping strategy.

Samtools est un ensemble d'utilitaires qui manipulent les alignements de séquence de nucléotides dans le format binaire BAM. Il est capable d'importer et d'exporter à partir des formats ASCII SAM (Sequence Alignment/Map) et CRAM, de trier, de fusionner, d'indexer et de récupérer des enregistrements dans n'importe quelle région facilement. Il est conçu pour travailler sur un flux de données et est capable d'ouvrir un fichier BAM ou CRAM (mais pas SAM) sur un serveur HTTP ou FTP distant.

Tools for reading the SRA archive, generally by converting individual runs into some commonly used format such as fastq.

The textual dumpers "sra-dump" and "vdb-dump" are provided in this release as an aid in visual inspection. It is likely that their actual output formatting will be changed in the near future to a stricter, more formalized representation[s]. PLEASE DO NOT RELY UPON THE OUTPUT FORMAT SEEN IN THIS RELEASE.

The "help" information will be improved in near future releases, and the tool options will become standardized across the set. More documentation will also be provided documentation on the NCBI web site.

Tool options may change in the next release. Version 1 tool options will remain supported wherever possible in order to preserve operation of any existing scripts.

Short Sequence Assembly par recherche de K-mer et l’extension de troisième lecture (SSAKE) est une application de génomique pour assembler énergiquement des millions de séquences courtes de nucléotides en recherchant progressivement les « 3′-most k-mers » en utilisant un arbre de préfixes d’ADN. SSAKE est conçu pour aider à exploiter les informations de lectures de courtes séquences en les regroupant rigoureusement dans des contigs pouvant être utilisés pour caractériser les cibles de séquençage nouvelles.

Tabix indexe des fichiers où certaines colonnes indiquent les coordonnées de séquence : nom (habituellement un chromosome), départ et fin. Le fichier de données d'entrée doit être trié en fonction du positionnement et compressé par bgzip (fourni dans ce paquet), qui a une interface similaire à celle de gzip. Après indexation, tabix est en mesure de récupérer rapidement les lignes de données par coordonnées chromosomiques. La récupération rapide des données fonctionne aussi sur le réseau si une URI est donnée comme nom de fichier.

Cette version de Tabix a été compilée à partir du code source de HTSlib.

TopHat aligns RNA-Seq reads to mammalian-sized genomes using the ultra high-throughput short read aligner Bowtie, and then analyzes the mapping results to identify splice junctions between exons. TopHat is a collaborative effort between the University of Maryland Center for Bioinformatics and Computational Biology and the University of California, Berkeley Departments of Mathematics and Molecular and Cell Biology.

VCFtools est un paquet conçu pour travailler avec les fichiers au format VCF, tels que ceux générés par le projet « 1000 Genomes ». L'objectif de VCFtools est de fournir des méthodes pour travailler avec les fichiers au format VCF : valider, fusionner, comparer et calculer certaines statistiques génétiques de la population représentative.

Velvet est un assembleur génomique de type de novo (assemblage de lectures courtes pour créer des séquences de pleine longueur) spécialement conçu pour les technologies de séquençage à lecture courte, telles que Solexa de l'entreprise Illumina ou 454 de l'entreprise Roche, développées par Daniel Zerbino et Ewan Birney au centre de recherche European Bioinformatics Institute (EBI) qui fait partie du European Molecular Biology Laboratory (EMBL), proche de Cambridge, au Royaume-Uni .

Le logiciel Velvet prend actuellement des séquences de lectures courtes, enlève les erreurs puis produit des contigs uniques de haute qualité. Il utilise alors les informations de lecture des paires, si elles sont disponibles, pour extraire les zones répétées entre les contigs.