Debian Med Next generation sequencing packages

Anfo est un mappeur dans l'esprit de Soap/Maq/Bowtie, mais sa mise en œuvre relève plus de BLAST/BLAT. Il est plus utile pour l'alignement de séquences de lectures où la séquence ADN est quelque peu modifiée (pensez à de l'ADN ancien ou au traitement au bisulfite) et/ou il existe plus de divergence entre l'échantillon et la référence, que ces mappeurs rapides géreront avec élégance (considérant que le génome de référence est manquant, une variante proche est utilisée en lieu et place).

ARDEN (estimation de faux positifs dans des données NGS déterminée par référence artificielle) est un étalonnage novateur qui estime les taux d'erreur basés sur des lectures expérimentales réelles et un génome de référence artificiel généré en supplément. Il permet le calcul de taux d'erreur spécifiquement pour un ensemble de données et la construction d'une courbe ROC. Toutefois, il peut être utilisé pour optimiser des paramètres pour des mappeurs de lecture, pour sélectionner des mappeurs de lecture pour un problème spécifique mais aussi pour filtrer des alignements basés sur une estimation de qualité.

ART est un ensemble d'outils de simulation pour créer des lectures de séquençage synthétiques de nouvelle génération. ART simule les lectures de séquençages en imitant le vrai processus de séquençage avec des modèles d'erreur empiriques ou des profils de qualité établis à partir de grandes données de séquençage recalibrées. ART peut également simuler les lectures grâce à un modèle d'erreur de lecture ou des profils de qualité fournis par l'utilisateur. ART prend en charge la simulation de lecture « single end », « paired-end » ou « mate-pair » des trois principales plateformes commerciales de séquençage de nouvelle génération : Solexa d'Illumina, 454 de Roche et SOLiD d'Applied Biosystems. Art peut servir à tester ou évaluer diverses méthodes ou outils pour l'analyse de données de séquençage de nouvelle génération, dont l'alignement de lectures, l'assemblage de novo et la découverte de variations SNP et de structures. ART a servi en tant qu'outil principal pour l'étude de simulation du projet « 1000 Genomes ». ART est implémenté en C++ avec des algorithmes optimisés et est très efficace dans la simulation de lecture. ART produit des lectures au format FASTQ et des alignements au format ALN. ART peut aussi créer des alignements au format d'alignement SAM ou au format UCSC BED. ART peut être utilisé conjointement avec des simulateurs de variantes de génome comme VarSim pour évaluer les outils ou méthodes d'appel de variante.

ArtificialFastqGenerator prend en entrée un génome de référence au format FASTA et renvoie des fichiers FASTQ artificiels au format Sanger. Il accepte les scores de qualité Phred de bases depuis des fichiers FASTQ existants et s'en sert pour simuler des erreurs de séquençage. Puisque les fichiers FASTQ artificiels sont dérivés du génome de référence, celui-ci fournit une référence pour appeler les variantes (« Single Nucleotide Polymorphisms » (SNP) et insertions et suppressions (indels)). Cela permet d'évaluer une infrastructure d'analyse de séquençage de nouvelle génération (NGS) qui aligne les lectures avec le génome de référence puis appelle les variantes.

BamTools facilite l'analyse de recherche et la gestion de données grâce aux fichiers BAM. Il surmonte les énormes quantités de données produites par les technologies de séquençage actuelles qui sont généralement stockées dans des formats binaires compressés difficiles à gérer avec les analyseurs de textes couramment utilisés dans la recherche en bioinformatique.

BamTools fournit une API C++ pour la prise en charge des fichiers BAM ainsi qu'une boîte à outils en ligne de commande.

Il s'agit de la boîte à outils en ligne de commande bamtools.

Les commandes bamtools disponibles sont :

 − convert : conversion entre BAM et beaucoup d'autres formats ;
 − count : affichage du nombre d'alignements dans un ou plusieurs fichiers
   BAM ;
 − coverage :affichage des statistiques de couverture à partir d'un
   fichier d'entrée BAM ;
 − filter : filtrage des fichiers BAM selon des critères indiqués par
   l'utilisateur ;
 − header : affichage des informations d'en-tête BAM ;
 − index : création d'index pour un fichier BAM ;
 − merge : fusion de plusieurs fichiers BAM en un seul ;
 − random : sélection aléatoire d'alignements depuis des fichiers BAM
   existants à des fins de test ;
 − resolve : résolution de lectures de fins en paires (affichant le
   drapeau IsProperPair requis) ;
 − revert : suppression des marques dupliquées et restauration des
   qualités de base d'origine ;
 − sort : tri d'un fichier BAM en suivant certains critères ;
 − split : séparation d'un fichier BAM en fonction d'une propriété définie
   par l'utilisateur, créant un nouveau fichier BAM en sortie pour chaque
   valeur trouvée ;
 − stats : affichage de statistiques de base à partir d'un ou plusieurs
   fichiers BAM en entrée.

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.

eXpress est un outil de streaming pour quantifier les abondances d'un ensemble de séquences cibles depuis des sous séquences échantillonnées. Des applications peuvent être la quantification de séquences d'ARN au niveau de la transcription, l'analyse d'expressions spécifiques à des allèles ou d'haplotypes, la quantification de lien de facteur de transcription dans le séquençage ChIP et l'analyse de données métagénomiques. Il est basé sur un algorithme EM en ligne dont les besoins en mémoire sont proportionnels à la taille totale des séquences cibles et les besoins en temps qui sont proportionnels au nombre de fragments échantillonnés. Ainsi, dans les applications comme le séquençage d'ARN, eXpress peut quantifier avec précision des échantillons bien plus grands que les autres outils actuellement disponibles, ce qui réduit grandement les besoins en infrastructure de calcul. eXpress peut être utilisé pour construire des infrastructures légères à haut débit de traitement de séquençage quand il est couplé à un aligneur de streaming comme Bowtie. En effet, la sortie peut être transférée directement dans eXpress, ce qui permet de ne pas avoir à stocker en mémoire ou sur le disque les alignements lus.

Une analyse des performances d'eXpress sur des données de séquençage d'ARN a montré que son efficacité ne se fait pas aux dépens de la précision. eXpress est plus précis que d'autres outils disponibles même avec des jeux de données de petite taille qui ne nécessitent pas une telle efficacité. De plus, comme le programme Cufflinks, eXpress peut servir à estimer les abondances de transcription de gènes multi-isoformes. eXpress est également capable de résoudre des cartographies multiples de lectures entre familles de gènes et ne nécessite pas de génome de référence, ce qui le rend utilisable avec des assembleurs de novo (depuis le début) comme Trinity, Oases ou Trans-ABySS. Le modèle sous-jacent est basé sur des modèles probabilistes décrits précédemment et développés pour le séquençage ARN, mais est également applicable dans d'autres situations où les séquences cibles sont échantillonnées. Il inclut des paramètres sur les distributions de longueurs de fragment, les erreurs de lecture et les erreurs systématiques de fragments spécifiques à la séquence.

eXpress peut servir à résoudre des cartographies ambigües dans d'autres applications basées sur le séquençage à haut débit. Les seules entrées nécessaires sont l'ensemble des séquences cibles et un ensemble de fragments de séquences multi-alignements avec elles. Bien que ces séquences cibles soient souvent des gènes isoformes, il n’est pas nécessaire qu'elles le soient. Les haplotypes peuvent être utilisés comme des références pour l'analyse d'expressions spécifiques aux allèles, liant des régions pour le séquençage ChIP, ou des génomes cibles dans les expériences métagénomiques. eXpress est utile pour toutes les analyses dans lesquelles se trouvent des lectures multi-map de séquences qui diffèrent en abondance.

Ce paquet fournit un outil efficace de partitionnement et d'assemblage de séquences courtes (« short reads »), en particulier pour le séquençage RAD.

Rainbow est développé pour fournir une solution ultra rapide et efficace en utilisation de la mémoire pour regrouper et assembler les séquences courtes produites par le séquençage RAD. Tout d’abord, Rainbow regroupe les séquences en utilisant une méthode de graine espacée. Ensuite, Rainbow implémente une stratégie d’appel hétérozygote pour diviser les groupes potentiels en haplotypes de manière descendante. Le long d’un arbre guidé, il fusionne itérativement les feuilles sœurs de façon ascendante si elles sont suffisamment similaires. Ici, la similarité est définie en comparant les secondes séquences d’un segment RAD. Cette approche tente de détruire les hétérozygotes tout en discriminant les séquences répétitives. Enfin, Rainbow utilise un algorithme glouton pour assembler localement les séquences fusionnées en contigs. En se basant sur la simulation et de vraies données de séquençage RAD de guppy, il a été montré que Rainbow est plus efficace que les autres outils pour gérer les données de séquençage RAD.

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).

Ce paquet est un outil à faible empreinte mémoire et ultra-rapide pour l'alignement de lectures de séquençage à séquences longues de référence. Il est particulièrement performant pour l'alignement de lectures d'environ 50 symboles et jusqu'à des centaines ou des milliers de symboles, et particulièrement performant pour l'alignement de génomes relativement longs (par exemple, le génome de mammifères).

Bowtie 2 indexe le génome avec un FM-index pour garder une faible empreinte mémoire : pour le génome humain, son empreinte en mémoire vive est typiquement d'environ 3,2 Go. Bowtie 2 gère les modes d'alignement écarté, local, et par paire.

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.

Canu est un fork de Celera Assembler, conçu pour le séquençage fortement bruité de molécules simples (comme PacBio RS II ou Oxford Nanopore MinION).

Canu est un processus d'assemblage hiérarchique fonctionnant en quatre étapes :

 – détection des chevauchements dans les séquences très bruitées grâce à
   MHAP ;
 – génération du consensus de séquence corrigé ;
 – élagage des séquences corrigées ;
 – assemblage des séquences corrigées élaguées.

Change-O est un ensemble d’outils pour traiter la sortie d’outils d’alignement V(D)J, affecter des groupes clonaux à des séquences d’immunoglobuline (Ig) et reconstruire des séquences de lignées germinales.

D’importantes améliorations dans les technologies de séquençage à haut débit permettent maintenant de caractériser à grande échelle des répertoires Ig, définis comme l’ensemble de protéines réceptrices d’antigènes transmembranaires situées à la surface des cellules B et des cellules T. Change-O est une suite d’outils permettant de faciliter l’analyse avancée de séquences Ig et TCR suivant l’affectation de segments de lignées germinales. Change-O gère la sortie de IMGT/HighV-QUEST et d’IgBLAST et fournit une grande variété de méthodes de regroupement (clustering) pour affecter des groupes clonaux à des séquences Ig. Le tri d’enregistrements, le groupement et diverses opérations de manipulations de bases de données sont également inclus.

Ce paquet installe la bibliothèque pour Python 3.

CRAC is a tool to analyze High Throughput Sequencing (HTS) data in comparison to a reference genome. It is intended for transcriptomic and genomic sequencing reads. More precisely, with transcriptomic reads as input, it predicts point mutations, indels, splice junction, and chimeric RNAs (ie, non colinear splice junctions). CRAC can also output positions and nature of sequence error that it detects in the reads. CRAC uses a genome index. This index must be computed before running the read analysis. For this sake, use the command "crac-index" on your genome files. You can then process the reads using the command crac. See the man page of CRAC (help file) by typing "man crac". CRAC requires large amount of main memory on your computer. For processing against the Human genome, say 50 million reads of 100 nucleotide each, CRAC requires about 40 gigabytes of main memory. Check whether the system of your computing server is equipped with sufficient amount of memory before launching an analysis.

Cutadapt helps with biological sequence clean tasks by finding the adapter or primer sequences in an error-tolerant way. It can also modify and filter reads in various ways. Adapter sequences can contain IUPAC wildcard characters. Also, paired-end reads and even colorspace data is supported. If you want, you can also just demultiplex your input data, without removing adapter sequences at all.

This package contains the user interface.

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.

DeepNano is alternative basecaller for Oxford Nanopore MinION reads based on deep recurrent neural networks.

Currently it works with SQK-MAP-006 and SQK-MAP-005 chemistry and as a postprocessor for Metrichor.

Dindel is a program for calling small indels from short-read sequence data ('next generation sequence data'). It currently is designed to handle only Illumina data.

Dindel requires a BAM file containing the read-alignments as input. It then extracts candidate indels from the BAM file, and realigns the reads to candidate haplotypes consisting of these candidate indels. If there is sufficient evidence for an alternative haplotype to the reference, it will call an indel.

It is possible to test indels discovered with other methods using Dindel, for instance longer indels obtained through assembly methods. Dindel will then realign both mapped and unmapped reads to see if the candidate indel is supported by the reads.

Dindel outputs both genotype likelihoods and includes a script to convert these to a VCF file with indel and SNP calls.

There is basic support for outputting realigned BAM files for each realignment-window. These realigned BAM files can be used to call SNPs near (candidate) indels.

Software discoSnp is designed for discovering Single Nucleotide Polymorphism (SNP) from raw set(s) of reads obtained with Next Generation Sequencers (NGS).

Note that number of input read sets is not constrained, it can be one, two, or more. Note also that no other data as reference genome or annotations are needed.

The software is composed by two modules. First module, kissnp2, detects SNPs from read sets. A second module, kissreads, enhance the kissnp2 results by computing per read set and for each found SNP:

 1) its mean read coverage
 2) the (phred) quality of reads generating the polymorphism.

This program is superseded by DiscoSnp++.

Dnaclust est un outil pour grouper un grand nombre de séquences courtes d’ADN. Les regroupements sont créés de telle façon que le « rayon » de chaque regroupement est inférieur au seuil précisé.

Les séquences entrées pour être regroupées doivent être au format Fasta. L’identifiant de chaque séquence est basé sur le premier mot de la séquence au format Fasta. Le premier mot est le préfixe de l’en-tête jusqu’à la première occurrence d’une espace dans l’en-tête.

DWGSIM simulates short sequencing reads from modern sequencing platforms. DWGSIM generates base error rates using a parametric model, allowing a more realisic error profile. It was originally developed for use in evaluating short read aligners.

Ea-utils provides a set of command-line tools for processing biological sequencing data, barcode demultiplexing, adapter trimming, etc.

Primarily written to support an Illumina based pipeline - but should work with any FASTQs.

Main Tools are:

• fastq-mcf Scans a sequence file for adapters, and, based on a log-scaled threshold, determines a set of clipping parameters and performs clipping. Also does skewing detection and quality filtering.

• fastq-multx Demultiplexes a fastq. Capable of auto-determining barcode id's based on a master set fields. Keeps multiple reads in-sync during demultiplexing. Can verify that the reads are in-sync as well, and fail if they're not.

• fastq-join Similar to audy's stitch program, but in C, more efficient and supports some automatic benchmarking and tuning. It uses the same "squared distance for anchored alignment" as other tools.

• varcall Takes a pileup and calculates variants in a more easily parameterized manner than some other tools.

Fastaq est une collection variée de scripts qui réalisent des tâches utiles et courantes de manipulation pour FASTA et FASTQ, telles que le filtrage, la fusion, le fractionnement, le découpage, la recherche ou le remplacement, etc. Les fichiers d’entrée et de sortie peuvent être compressés (le format est automatiquement détecté) et les différentes commandes de Fastaq peuvent être redirigées (pipe).

All-in-one FASTQ preprocessor, fastp provides functions including quality profiling, adapter trimming, read filtering and base correction. It supports both single-end and paired-end short read data and also provides basic support for long-read data.

FastQC a pour objectif de fournir un moyen simple de faire des contrôles de qualité sur des données de séquences brutes provenant de pipelines de séquençage à haut débit. Il propose un ensemble modulaire d'analyses pouvant être utilisées pour donner une impression rapide des problèmes dont l'utilisateur devrait être au courant avant de faire une analyse plus poussée.

Les principales fonctions de FastQC sont :

• import des données des fichiers BAM (version binaire compressée de SAM), SAM (« Sequence Alignment/Map ») ou FastQ (n'importe quelle variante) ;
• fournir un aperçu rapide pour indiquer les zones dans lesquelles il peut y avoir des problèmes ;
• des graphes de résumé et des tables pour évaluer rapidement les données ;
• export des résultats vers un rapport permanent en HTML ;
• fonctionnement hors ligne afin de permettre la génération de rapports automatiques sans exécuter l'application interactive.

Le paquet Flexbar prétraite les données de séquençage efficacement et à haut débit. Il démultiplexe les lectures de code-barres et enlève les séquences d'adaptation. De plus, les fonctionnalités de découpage et de filtrage sont fournies. Le paquet Flexbar augmente les taux de correspondance et améliore les assemblages du génome et du transcriptome. Il gère les données de séquençage de dernière génération aux formats FASTA/Q et CSFASTA/Q des plateformes de l'entreprise Illumina, 454 de l'entreprise Roche et SOLiD de l'entreprise AppliedBIosystems.

Les noms de paramètres ont changé dans le paquet Flexbar. Veuillez donc vérifier vos scripts. Ces derniers mois, les paramètres par défaut ont été optimisés, plusieurs bogues ont été réparés, et diverses améliorations ont été effectuées, par exemple une interface en ligne de commande rénovée, de nouveaux modes de découpage ainsi que des exigences plus faibles en temps et en mémoire.

Fml-asm is a command-line tool for assembling Illumina short reads in regions from 100bp to 10 million bp in size, based on the fermi-lite library. It is largely a light-weight in-memory version of fermikit without generating any intermediate files. It inherits the performance, the relatively small memory footprint and the features of fermikit. In particular, fermi-lite is able to retain heterozygous events and thus can be used to assemble diploid regions for the purpose of variant calling.

A singe-core implementation of frequency-based substring mining used in bioinformatics to extract substrings that discriminate two (or more) datasets inside high-throughput sequencing data.

GIIRA is a gene prediction method that identifies potential coding regions exclusively based on the mapping of reads from an RNA-Seq experiment. It was foremost designed for prokaryotic gene prediction and is able to resolve genes within the expressed region of an operon. However, it is also applicable to eukaryotes and predicts exon intron structures as well as alternative isoforms.

Grinder est un programme polyvalent pour créer des bibliothèques de séquences aléatoires globales et d'amplicons basées sur des séquences de référence d'ADN, d'ARN ou de protéines fournies dans un fichier FASTA.

Grinder peut produire des ensembles de données globales et d'amplicons génomiques, méta-génomiques, transcriptomiques, méta-transcriptomiques, protéomiques, méta-protéomiques à partir de technologies de séquençage actuelles comme Sanger, 454, Illumina. Ces ensembles de données simulés peuvent être utilisés pour tester la précision d'outils bio-informatiques sous des hypothèses spécifiques, par exemple sans ou avec erreurs de séquençage, ou avec une grande ou faible diversité de communauté. Grinder peut aussi être utilisé pour aider à choisir entre des méthodes de séquençage alternatives pour un projet basé sur séquences, par exemple, si la banque doit être à extrémités appariées ou non, ou combien de lectures doivent être séquencées.

HiLive is a read mapping tool that maps Illumina HiSeq (or comparable) reads to a reference genome right in the moment when they are produced. This means, read mapping is finished as soon as the sequencer is finished generating the data.

HINGE is a genome assembler that seeks to achieve optimal repeat resolution by distinguishing repeats that can be resolved given the data from those that cannot. This is accomplished by adding “hinges” to reads for constructing an overlap graph where only unresolvable repeats are merged. As a result, HINGE combines the error resilience of overlap-based assemblers with repeat-resolution capabilities of de Bruijn graph assemblers.

HISAT2 is a fast and sensitive alignment program for mapping next-generation sequencing reads (both DNA and RNA) to a population of human genomes (as well as against a single reference genome). Based on an extension of BWT for graphs a graph FM index (GFM) was designed and implementd. In addition to using one global GFM index that represents a population of human genomes, HISAT2 uses a large set of small GFM indexes that collectively cover the whole genome (each index representing a genomic region of 56 Kbp, with 55,000 indexes needed to cover the human population). These small indexes (called local indexes), combined with several alignment strategies, enable rapid and accurate alignment of sequencing reads. This new indexing scheme is called a Hierarchical Graph FM index (HGFM).

IDBA stands for iterative de Bruijn graph assembler. In computational sequence biology, an assembler solves the puzzle coming from large sequencing machines that feature many gigabytes of short reads from a large genome.

This package provides several flavours of the IDBA assembler, as they all share the same source tree but serve different purposes and evolved over time.

IDBA is the basic iterative de Bruijn graph assembler for second-generation sequencing reads. IDBA-UD, an extension of IDBA, is designed to utilize paired-end reads to assemble low-depth regions and use progressive depth on contigs to reduce errors in high-depth regions. It is a generic purpose assembler and especially good for single-cell and metagenomic sequencing data. IDBA-Hybrid is another update version of IDBA-UD, which can make use of a similar reference genome to improve assembly result. IDBA-Tran is an iterative de Bruijn graph assembler 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) is a versatile software to analyze and model immune receptors generation, selection, mutation and all other processes.

IVA est un programme d’assemblage de novo conçu pour assembler des génomes de virus n’ayant pas de séquences répétées, utilisant des paires lues par Illumina séquencées à partir de populations mélangées à une profondeur extrêmement élevée.

L’algorithme principal d’IVA fonctionne en étendant de manière itérative des contigs utilisant des paires lues alignées. Son entrée peut être simplement des paires lues ou, en outre, un ensemble de contigs existants peut être fourni pour être étendu. Alternativement, il peut prendre des lectures avec une séquence de référence.

Khmer est une bibliothèque et un ensemble d’outils en ligne de commande pour travailler sur le séquençage d’ADN. Il vise en premier lieu les données de séquençage « short read » telles que produites par la plateforme Illumina. Khmer utilise une approche basée sur k-mer pour l’analyse de séquences, d’où son nom.

KisSplice est un logiciel qui permet l'analyse des données du séquençage de l'ARN avec ou sans génome de référence. C'est un assembleur de transcriptome local et exact, qui permet d'identifier les SNP (« Single-Nucleotide Polymorphism »), les insertions et les suppressions de bases azotées dans l'ADN d'un organisme et les événements d'épissage alternatif. Il peut traiter un nombre arbitraire de conditions biologiques, et quantifiera chaque type de données dans chaque condition biologique. Il a été testé sur des ensembles de données issus d'un système de séquençage de l'entreprise Illumina jusqu'à 1 milliards de lectures. Sa consommation en mémoire vive est d'environ 5 Go pour 100 millions de lectures.

Kraken is a system for assigning taxonomic labels to short DNA sequences, usually obtained through metagenomic studies. Previous attempts by other bioinformatics software to accomplish this task have often used sequence alignment or machine learning techniques that were quite slow, leading to the development of less sensitive but much faster abundance estimation programs. Kraken aims to achieve high sensitivity and high speed by utilizing exact alignments of k-mers and a novel classification algorithm.

In its fastest mode of operation, for a simulated metagenome of 100 bp reads, Kraken processed over 4 million reads per minute on a single core, over 900 times faster than Megablast and over 11 times faster than the abundance estimation program MetaPhlAn. Kraken's accuracy is comparable with Megablast, with slightly lower sensitivity and very high precision.

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 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.

MACS modélise empiriquement la longueur des fragments ChIP séquencés, qui tend à être plus courte que les estimations de taille par sonication ou banque de construction, et l'utilise pour améliorer la résolution spatiale de sites de liaison prévisible. MACS utilise aussi une distribution de Poisson dynamique pour capturer efficacement des biais locaux dans la séquence du génome, permettant une prédiction plus sensible et robuste. MACS est tout à fait comparable aux algorithmes existants de recherche de pics dans les ChIP-Seq, est disponible publiquement en open source, et peut être utilisé pour des ChIP-Seq sans ou avec échantillons de contrôle.

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 (« 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 »).

Maqview is graphical read alignment viewer. It is specifically designed for the Maq alignment file and allows you to see the mismatches, base qualities and mapping qualities. Maqview is nothing fancy as Consed or GAP, but just a simple viewer for you to see what happens in a particular region.

In comparison to tgap-maq, the text-based read alignment viewer written by James Bonfield, Maqview is faster and takes up much less memory and disk space in indexing. This is possibly because tgap aims to be a general-purpose viewer but Maqview fully makes use of the fact that a Maq alignment file has already been sorted. Maqview is also efficient in viewing and provides a command-line tool to quickly retrieve any region in an Maq alignment file.

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 paquet microbiomeutil est fourni avec les utilitaires suivants :

• ChimeraSlayer : détection de chimères ;
• NAST-iEr : outil d'alignement basé sur l'algorithme NAST ;
• WigeoN : nouvelle implémentation de l'utilitaire Pintail de détection d'anomalies 16S ;
• RESOURCES : séquences 16S de référence et alignements basés sur NAST que les outils ci-dessus exploitent.

L’assembleur de fragments de génome mira est un assembleur spécialisé pour les projets classés comme difficiles car concernant un nombre élevé de répétitions. Pour la transcription de marqueurs de séquence exprimée (EST), miraEST est spécialisé dans la reconstruction de transcriptions d’ARNm pures tout en détectant et classifiant les polymorphismes d'un seul nucléotide (SNP) se produisant dans celles-ci.

L’assembleur est systématiquement utilisé pour des tâches variées telles que la détection de mutation dans différents types de cellule, l’analyse de similarités de transcriptions de divers organismes, l’assemblage de séquences pures à partir de diverses sources pour la conception d’oligonucléotides dans les expérimentations cliniques de biopuces.

Ce paquet fournit les binaires (exécutables) suivants :

 — mira : assemblage de séquences génomiques ;
 — miramem : estimation de la mémoire nécessaire pour les projets
   d’assemblage ;
 – mirabait : outil de type « grep » pour choisir les lectures pour des
   k-mer jusqu’à 256 bases ;
 – miraconvert : outil pour convertir, extraire et parfois recalculer
   toutes sortes de données relatives aux fichiers d’assemblage de
   séquences.

Mothur cherche à développer une application unique à source ouvert, extensible, remplissant tous les besoins les besoins de la bio-informatique pour la communauté de l’écologie microbienne. Sont intégrées, entre autres, les fonctions de DOTUR, SONS, TreeClimber, S-LibShuff et UniFrac. De plus pour améliorer la flexibilité de ces algorithmes, un certain nombre de fonctions ont été ajoutées telles que des outils de calcul ou d’affichage.

Nanopolish uses a signal-level hidden Markov model for consensus calling of nanopore genome sequencing data. It can perform signal-level analysis of Oxford Nanopore sequencing data. Nanopolish can calculate an improved consensus sequence for a draft genome assembly, detect base modifications, call SNPs and indels with respect to a reference genome and more.

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.

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

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

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.

This package provides the presto Python3 module.

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 is a tool for quality control. The workflow is as follows:

 1. Quality control with FastQC
 2. Trim Reads with Trimmomatic
 3. Quality control of trimmed reads with FastQC
 4. Map reads against reference using bowtie2
 5. Classify reads with Kraken

QIIME 2 est un paquet pour l’analyse de microbiome, extensible et décentralisée avec une attention particulière sur la transparence des données et analyses. QIIME 2 permet aux chercheurs de commencer une analyse avec des données de séquences d’ADN et de terminer avec des figures et des résultats statistiques de qualité professionnelle. Principales caractéristiques :

 — suivi intégré et automatique de la provenance des données ;
 — système de type sémantique ;
 — système de greffons pour étendre les fonctionnalités d’analyse de
   microbiome ;
 — prise en charge de plusieurs types d’interface (par exemple, API,
   ligne de commande, graphique) ;

QIIME 2 est une nouvelle conception et une réécriture de la tuyauterie d’analyse de microbiome, QIIME 1. QIIME 2 corrigera la plupart des limitations de QIIME 1, tout en conservant les fonctions qui font de QIIME 1 une tuyauterie d’analyse puissante et largement utilisée.

QIIME 2 actuellement prend en charge une première tuyauterie d’analyse de microbiome de bout en bout. De nouvelles fonctionnalités seront régulièrement disponibles à travers des greffons de QIIME 2. Une liste de greffons peut être consultée sur la page de disponibilité de greffons de QIIME 2. La page des futurs greffons liste les greffons en cours de développement.

QuorUM enables to obtain trimmed and error-corrected reads that result in assemblies with longer contigs and fewer errors. QuorUM provides best performance compared to other published error correctors in several metrics. QuorUM is efficiently implemented making use of current multi- core computing architectures and it is suitable for large data sets (1 billion bases checked and corrected per day per core). The third-party assembler (SOAPdenovo) benefits significantly from using QuorUM error- corrected reads. QuorUM error corrected reads result in a factor of 1.1 to 4 improvement in N50 contig size compared to using the original reads with SOAPdenovo for the data sets investigated.

Differential gene expression analysis based on the negative binomial distribution. Estimate variance-mean dependence in count data from high-throughput sequencing assays and test for differential expression based on a model using the negative binomial distribution.

Bioconductor package for differential expression analysis of whole transcriptome sequencing (RNA-seq) and digital gene expression profiles with biological replication. It uses empirical Bayes estimation and exact tests based on the negative binomial distribution. It is also useful for differential signal analysis with other types of genome-scale count data.

Cet outil permet d’afficher de très grands vecteurs de données d’une manière efficace du point de vue espace, en les organisant le long d’une courbe de Hilbert en 2D. L’utilisateur peut visuellement évaluer la structure de grande échelle et la distribution des caractéristiques simultanément avec la forme et l’intensité grossières des caractéristiques individuelles.

En bio-informatique, un cas typique d’utilisation est ChIP-Chip et ChIP- Seq, ou, fondamentalement, toutes les sortes de donnée génomique affichées conventionnellement sous forme de traces quantitatives (« données wiggle ») dans les navigateurs de génomes tels que ceux fournis par Ensembl ou UCSC.