Debian Med Cloud packages

ABySS est un assembleur de séquences de novo parallèles conçu pour les lectures courtes. Il peut servir à assembler des données de séquences de génome ou de transcriptome. La parallélisation est permise par MPI, OpenMP et pthread.

Ce paquet rassemble toutes les petites applications qu'acedb regroupe sous la cible « other » de son Makefile.

efetch: vraisemblablement le raccourci pour « entry fetch » (collecteur d'entrées en base de données), assemble les informations de séquence des principales bases de données d'ADN et de protéines.

Aevol est un modèle numérique de génétique : des populations d'organismes numériques sont assujetties à un processus de sélection et de variation, qui crée une dynamique Darwinienne.

En modifiant les caractéristiques de sélection (par exemple, la taille de la population, le type d'environnement, les variations environnementales) ou de variation (par exemple, les taux de mutation, les taux de réarrangement chromosomique, les types de réarrangement, le transfert horizontal), on peut étudier expérimentalement l'impact de ces paramètres sur la structure d'organismes évolués. En particulier, puisque Aevol intègre un modèle de génome précis et réaliste, il permet l'étude de variations structurelles du génome (par exemple, le nombre de gènes, la synténie, la proportion de séquences de codage).

La plate-forme de simulation est livrée avec un ensemble d'outils pour l'analyse des phylogénies et la mesure de plusieurs caractéristiques des organismes et populations au cours de l'évolution.

Alien_hunter est une application pour la détection des gènes acquis par transfert horizontal grâce au programme IVOM (Interpolated Variable Order Motifs). IVOM identifie des biais compositionnels en utilisant la distribution des motifs d’ordre variable et capture la composition d'une séquence locale de manière plus fiable que les méthodes à ordre fixe. Les régions prédites peuvent aussi être analysées dans un HMM (Hidden Markov Model) à deux états et du second ordre, avec un algorithme de détection du points de changement, pour optimiser la localisation des liaisons des régions prédites. Les prédictions (au format embl) peuvent être chargées automatiquement dans l'afficheur de génome Artemis, disponible gratuitement sur : http://www.sanger.ac.uk/Software/Artemis/.

ALTree est conçu pour la détection d'association et de localisation de sites susceptibles en utilisant des arbres phylogénétiques haplotypes : tout d'abord il permet une détection d'une association entre le gène candidat et la maladie, puis de faire des hypothèses sur les loci susceptibles.

AMAP est un outil en ligne de commande pour effectuer des alignements multiples de séquences peptidiques. Il utilise le décodage a posteriori, et l'alignement par appariement de séquence, au lieu de la méthode traditionnelle d'alignement progressif. C'est le seul programme permettant le contrôle de la sensibilité et de la spécificité. Il est basé sur le code source de ProbCons mais utilise une métrique de précision et élimine la transformation de cohérence.

L'outil Java de visualisation d’AMAP 2.2 n'est pas encore disponible dans Debian.

AmpliconNoise est un ensemble d'applications pour nettoyer les données de séquences haute fréquence. Il est constitué de trois parties principales :

• Pyronnoise : rassemble les mauvais points en se basant sur un diagramme de flux ;
• SeqNoise : enlève les mutations de point PCR ;
• Perseus : enlève les chimères PCR sans avoir besoin d'un ensemble de séquences de références.

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).

Le programme utilise des algorithmes heuristiques pour prédire les structures secondaires d'ARNt, basés sur l'homologie avec des séquences consensus d'ARNt reconnues et sur la faculté de former des paires de base en feuille de trèfle. Les gènes ARNtm sont identifiés en utilisant une version modifiée du programme BRUCE.

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.

Autodock est un des programmes principaux d'amarrage moléculaire (docking) de ligands de faible poids moléculaire à des récepteurs protéiques. Dans les versions précédentes le ligand était complètement flexible tandis que la protéine était rigide. La version 4 permet de considérer la protéine de manière partiellement flexible pour les chaînes latérales de résidus de surface sélectionnés en prenant en compte les rotamères.

Le programme AutoDock réalise l'amarrage moléculaire de ligands en utilisant des grilles pré-calculées qui décrivent la protéine cible en terme de préférence spatiale physico-chimique. AutoGrid pré-calcule ces grilles.

AutoDock Vina est un programme pour la découverte de médicaments, le chargement de molécules et l'affichage virtuel des bibliothèques de composés. Il offre des capacités multicœurs, de bonnes performances, une précision améliorée et est facile d'utilisation.

Le même institut développe également autodock, qui est très utilisé.

O. Trott, A. J. Olson, AutoDock Vina : improving the speed and accuracy of docking with a new scoring function, efficient optimization and multithreading, Journal of Computational Chemistry 31 (2010) 455-461

AutoDockSuite permet l'analyse de l'amarrage de molécules de faible poids moléculaire à des récepteurs dont la structure tri-dimensionnelle est connue.

Le programme AutoGrid crée les grilles calculées en prévision de l'amarrage moléculaire de ligands à des grilles qui décrivent l'effet de l'environnement créé par la protéine sur des sondes moléculaires ponctuelles, chargées ou non, permettant de décrire les différents types d'interactions intermoléculaires ligand-protéine (charges positives, négatives, liaisons hydrogènes accepteur, liaisons hydrogènes donneur, hydrophobe, aliphatique, ...). L'effet de ces forces est ensuite analysé avec le programme AutoDock.

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.

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.

Le projet Bioperl est un effort coordonné ayant pour but de rassembler des méthodes utilisées couramment en bio-informatique dans un ensemble de modules Perl de type CPAN, bien documentés et disponibles librement. Il est bien accepté dans la communauté et est utilisé dans de nombreux projets de grande envergure, par exemple Ensembl.

Les paquets recommandés sont requis par certains des exécutables inclus. Une explication détaillée comprenant les modules spécifiques à Perl se trouve dans le fichier README.Debian.

Le paquet suggéré améliore les pages de manuel.

Ce paquet fournit des scripts du paquet BioPerl-Run. Il installe également toutes les applications enveloppables empaquetées dans Debian. Les applications non libres sont « suggérées » par ce paquet.

BioSQUID est une bibliothèque de routines C pour l'analyse de séquences. Elle est livrée avec quelques petits programmes pour convertir, afficher quelques statistiques, manipuler et effectuer d'autres tâches sur des fichiers de séquence.

BioSQUID s'est d'abord appelée SQUID, mais un paquet Debian nommé Squid (un serveur mandataire cache) existant déjà, SQUID a été renommé.

Ce paquet fournit certains outils de démonstration des fonctions de la bibliothèque BioSQUID.

Il s'agit d'un paquet factice de transition pour ncbi-blast+-legacy. Il peut être supprimé en toute sécurité.

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.

Boxshade est conçu pour l'impression de documents de qualité présentant des séquences d'ADN ou des alignements multiples de protéines. Ce n'est pas un programme de calcul d'alignements, il lui faut un fichier en entrée créé par un outil de calcul d'alignement ou édité à la main.

Boxshade lit les alignements de séquences depuis les fichiers générés par les logiciels PILEUP-PSF, CLUSTAL-ALN, MALIGNED et ESEE (dans la limite de 150 séquences contenant au maximum 10 000 éléments chacune). De nombreux jeux d'ombre peuvent être utilisés. La sortie est affichée à l'écran ou peut être envoyée dans un fichier dans les formats suivants : ANSI/VT100, PS/EPS, RTF, HPGL, ReGIS, LJ250-printer, ASCII, xFIG, PICT, HTML.

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.

Cassiopee est une bibliothèque d'indexation et de recherche implémentée en C. Il s'agit d'une réécriture complète de la gemme ruby Cassiopee. Elle scanne une séquence génomique d'entrée (ADN, ARN, protéine) et recherche une sous-séquence avec une correspondance parfaite ou en permettant des substitutions (mesurées avec la distance de Hamming), des insertions ou des suppressions.

Ce paquet fournit les outils cassiopee et cassiopeeknife.

cd-hit contient un certain nombre de programmes conçus pour grouper rapidement des séquences. cd-hit groupe les protéines en grappes qui satisfont à un seuil de similitudes défini par l'utilisateur. cd-hit-est est similaire à cd-hit, mais conçu pour grouper des séquences (sans introns). cd-hit-est-2d est similaire à cd-hit-2d mais conçu pour comparer 2 ensembles de données de nucléotides. Un certain nombre d'autres programmes associés sont aussi dans ce paquet. De plus amples informations se trouvent dans le manuel utilisateur de cd-hit, qui se trouve dans ce paquet.

CDB (« Constant DataBase ») peut être utilisé pour la créer des indexes pour la recherche rapide de n'importe quelle séquence dans des fichiers au format multi-FASTA (concaténation de plusieurs fichiers au format FASTA) de taille importante. Il a la possibilité de compresser les enregistrements de données afin d'économiser de l'espace.

Circos affiche les données dans un graphe circulaire, de manière idéale pour étudier les relations entre objets ou positions et créer des graphiques hautement informatifs et de qualité publiable.

Ce paquet fournit le moteur de dessin de graphiques Circos qui se pilote à la ligne de commande (comme gnuplot) et est entièrement scriptable.

Clearcut est l'implémentation de référence de l'algorithme RNJ (« Relaxed Neighbor Joining ») de J. Evans, L. Sheneman et J. Foster de l'initiative pour la bioinformatique et les études évolutionnaires (IBEST) à l'université de l'Idaho.

ClonalFrame identifie les relations clonales entre les membres d'un échantillon et estime la position chromosomale des évènements de recombinaison homologue qui peuvent perturber l'héritage clonal.

ClonalFrame peut être appliqué à n'importe quelle séquence de données, d'un fragment d'ADN à des génomes entiers. Il est performant dans l'analyse de données MLST, où 7 fragments de gène ont été séquencés, et devient progressivement de plus en plus performant à mesure que les régions séquencées augmentent en longueur et nombre jusqu'au génome entier. Il nécessite cependant que les séquences soient alignées. Si les données génomiques ne sont pas alignées, il est recommandé d'utiliser Mauve qui produit un alignement de génomes bactériens entiers au format requis par ClonalFrame pour l'analyse.

Clustal Omega is a general-purpose multiple sequence alignment (MSA) program, primarily for amino-acid sequences. It produces high quality MSAs and is capable of handling data sets of hundreds of thousands of sequences in reasonable time, using multiple processors where available.

Ce programme réalise l'alignement de séquences multiples de nucléotides ou d'acides aminés. Il identifie le format des séquences en entrée et détermine s'il s'agit d'acides nucléiques (ADN/ARN) ou d'acides aminés (peptides). Le format en sortie peut être choisi parmi divers formats pour les alignements multiples, comme Phylip ou FASTA. Clustal W est largement reconnu.

Les données en sortie de Clustal W peuvent être modifiées manuellement ou avec un éditeur d'alignement comme Seaview ou le logiciel compagnon Clustal X. Lorsqu'un modèle est construit à partir des alignements, il peut être utilisé pour améliorer les recherches dans les bases de données. Celles-ci peuvent être créées sous forme de modèles de Markov (HMM) avec le paquet HMMER.

ConCavity prédit les sites de liaisons de ligands en combinant la conservation évolutive et la structure en 3D.

ConCavity prend en entrée une structure de protéine au format PDB (« Protein Data Bank ») et des fichiers facultatifs qui caractérisent la séquence de conservation évolutive des chaînes dans le fichier de structure.

Les fichiers de résultat suivants sont produits par défaut :

 −⋅les prédictions de liaisons de ligands résidus pour chaque chaîne
    (*.scores) ;
 −⋅les prédictions de liaisons de ligands résidus au format PDB (les scores
    des résidus sont placés dans le champ dépendant de la température,
    *_residue.pdb) ;
 −⋅les emplacements de prédictions de poche au format DX (*.dx) ;
 −⋅le script PyMOL pour visualiser les prédictions (*.pml).

Ce paquet fournit score_conservation(1), un outil pour noter la conservation des séquences de protéines.

Les méthodes de notation de conservation suivantes sont mises en œuvre :

• somme de paires ;
• somme pondérées de paires ;
• entropie de Shannon ;
• entropie de Shannon avec des groupements de propriété (Mirny et Shakhnovich 1995, Valdar et Thornton 2001) ;
• entropie relative avec des groupements de propriété (Williamson 1995) ;
• entropie de von Neumann (Caffrey et al 2004) ;
• entropie relative (Samudrala et Wang 2006) ;
• divergence de Jensen-Shannon (Capra et Singh 2007).

Une extension à base de fenêtres intégrant la conservation estimée de résidus séquentiellement adjacents dans le score pour chaque colonne est également fournie. Cette approche de fenêtres peut être appliquée à n'importe quelle méthode de notation de conservation.

Le programme accepte les alignements dans les formats CLUSTAL et FASTA.

La sortie spécifique d'une séquence peut être utilisée comme l'entrée de conservation pour ConCavity.

La conservation est hautement prédictive dans l'identification des sites catalytiques et des résidus proches des ligands liés.

Datamash de GNU est un programme en ligne de commande réalisant des opérations de base numériques, textuelles et statistiques sur des fichiers de données textuelles. Il est conçu pour être portable et fiable, et pour aider les chercheurs à créer facilement des enchaînements d’analyse automatiques, sans écrire de code, ni même de courts scripts.

Dialign2 est un outil qui s'utilise en ligne de commande pour réaliser plusieurs alignements de séquences de protéines ou d'ADN. Il construit les alignements de paires sans écart de segments similaires des séquences. Il est à noter que Dialign n'emploie aucun type de pénalité de l'écart.

DIALIGN-TX est un outil en ligne de commandes pour réaliser un alignement multiple de séquences de protéines ou d'ADN. C'est une ré-implémentation complète de l'approche basée sur les segments incluant plusieurs nouvelles améliorations et heuristiques qui améliore significativement la qualité des alignements en sortie comparée à DIALIGN 2.2 et DIALIGN-T. Pour les alignements par paires, DIALIGN-TX utilise un algorithme de « fragment- chaining » qui favorise les chaînes d'alignements locaux de faible score plutôt que les fragments isolés de score élevé. Pour l'alignement multiple, DIALIGN-TX utilise une procédure gloutonne améliorée qui est moins sensible aux fausses similitudes locales des séquences.

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++.

Disulfinder sert à la prédiction de pont disulfure pour des cystéines et leur connectivité en partant d’une séquence seule. Les ponts disulfures jouent un rôle majeur dans la stabilisation des processus de repliement pour plusieurs protéines. La prédiction de ponts disulfures à partir d'une séquence seule est par conséquent utile pour l’étude des propriétés structurelles et fonctionnelles de protéines particulières. De plus, la connaissance de l’état de pont disulfure de cystéines peut aider le processus de détermination expérimentale de la structure et peut être utile pour d’autres travaux d’annotations génomiques.

Disulfinder prédit les modèles disulfures en deux étapes de calcul : (1) l’état de pont disulfure de chaque cystéine est prédit par une classification binaire BRNN-SVM. (2) Les cystéines connues pour participer à la formation de ponts sont associées par un réseau neuronal récursif (Recursive Neural Network) pour obtenir un modèle de connectivité.

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.

DSSP is an application you use to assign the secondary structure of a protein based on its solved three dimensional (3D) structure.

This version (4.2) of DSSP is a rewrite that writes annotated mmCIF files by default but can still produce the older dssp format. New is also the support of PP helices.

Les logiciels DOMAINATRIX ont été développés par Jon Ison et ses collègues pour le projet HGMP (« Human Genome Mapping Project » − projet de cartographie du génome humain) au Medical Research Council (MRC) en Angleterre, pour leurs recherches dans le domaine de la protéine. Ils sont inclus dans un paquet embassy comme un travail en cours.

Les logiciels de la publication actuelle de domainatrix sont :

• cathparse : crée un fichier DCF à partir de fichiers bruts CATH ;
• domainnr : supprime les domaines redondants d'un fichier DCF ;
• domainreso : supprime les domaines à faible résolution d'un fichier DCF ;
• domainseqs : ajoute des enregistrements de séquences à un fichier DCF ;
• domainsse : ajoute des enregistrements de structure secondaire à un fichier DCF ;
• scopparse : crée un fichier DCF à partir de fichiers bruts SCOP ;
• ssematch : parcourt un fichier DCF à la recherche de correspondances de la structure secondaire.

Les programmes DOMALIGN ont été développés par Jon Ison et ses collègues de MRC HGMP dans le cadre de leurs travaux de recherche dans le domaine des protéines. Ils sont inclus comme un paquet EMBASSY en cours de développement.

Les applications de la version courante de DOMALIGN sont allversusall (comparaison de données de séquences similaires à partir de all-versus- all), domainalign (génère des alignements (fichier DAF) pour des nœuds d'un fichier DCF), domainrep (réordonne un fichier DCF afin d'identifier des structures représentatives) et seqalign (étend les alignements (fichier DAF) avec des séquences (fichier DHF)).

Les logiciels domsearch ont été développés par Jon Ison et ses collègues pour le projet HGMP (« Human Genome Mapping Project » − projet de cartographie du génome humain) au Medical Research Council (MRC) en Angleterre, pour leurs recherches dans le domaine de la protéine. Ils sont inclus dans un paquet embassy comme un travail en cours.

Les logiciels de cette publication de domsearch sont :

• seqfraggle : supprime des séquences de fragments des fichiers DHF ;
• seqnr : supprime la redondance des fichiers DHF ;
• seqsearch : crée des succès (« hits ») PSI-BLAST (de fichier DHF) à partir d'un fichier DAF ;
• seqsort : supprime les séquences classifiées ambigues des fichiers DHF ;
• seqwords : crée des fichiers DHF à partir de la recherche par mot-clé de la base de données UniProt.

EMBOSS (« European Molecular Biology Open Software Suite ») est un paquet de logiciels d'analyse libre et gratuit, spécialement développé pour les besoins de la communauté d'utilisateurs de la biologie moléculaire (par exemple EMBnet – « European Molecular Biology network »). Le logiciel prend automatiquement en charge les données dans divers formats et permet même une recherche transparente des données de séquences à partir du web. De plus, comme des bibliothèques importantes sont fournies avec le paquet, il s'agit d'une plate-forme permettant aux autres scientifiques de développer et publier des logiciels dans l'esprit du libre. EMBOSS intègre également un ensemble de paquets actuellement disponibles et des outils pour l'analyse de séquences dans un tout cohérent. EMBOSS casse la tendance historique vers des logiciels commerciaux.

Le paquet exonerate permet d'aligner des séquences en utilisant de nombreux modèles d'alignement, en utilisant soit de la programmation dynamique exhaustive, soit divers procédés heuristiques. La plupart des fonctionnalités de l'ensemble de la programmation dynamique ont été réécrites en C pour une meilleure efficacité. Le paquet exonerate est un composant intrinsèque de la construction des bases de données du projet Ensembl genome (par le centre de recherche European Bioinformatics Institute pour fournir des données à l'échelle du génome pour des espèces non-vertébrée), fournissant des notes de similitudes entre les séquences ARN et ADN et ainsi des variants d'épissage et les séquences de codage en général.

Un système In-silico PCR Experiment Simulation (voir la page du manuel d'ipcress) est fourni avec le paquet exonerate.

Ce paquet vient aussi avec une sélection d'utilitaires pour la réalisation rapide de manipulations simples avec des fichiers FASTA dépassant 2 Go.

fastDNAml est un logiciel dérivé de la version 3.3 du logiciel DNAML (« DNA Maximum Likelihood ») de Joseph Felsenstein faisant partie de son paquet PHYLIP (« PHYLogeny Inference Package »). Les utilisateurs devraient consulter la documentation de DNAML avant d'utiliser ce logiciel.

Le logiciel fastDNAml est une tentative de résoudre le même problème que DNAML, mais de le faire plus rapidement et en utilisant moins de mémoire. Ainsi, les grands arbres phylogénétiques qui reproduisent l'amorçage deviennent traitables. Une grande partie du logiciel fastDNAml est simplement un recodage de la version 3.3 du DNAML de PHYLIP du langage Pascal au C.

La page d'accueil de ce logiciel n'étant plus disponible, ce logiciel ne verra donc probablement pas d'autres mises à jour.

L'analyse de généalogie génétique est une technique statistique utilisée pour cartographier les gènes et trouver une approximation de l'emplacement de gènes malades. C'était un paquet logiciel standard pour la généalogie génétique appelée LINKAGE. FASTLINK est une version significativement modifiée et améliorée des programmes principaux de LINKAGE qui fonctionne plus rapidement de manière séquentielle, peut fonctionner en parallèle, permet à l'utilisateur une bonne récupération après un plantage de l'ordinateur et fournit une documentation nouvelle et abondante. FASTLINK a été utilisé dans plus de 1000 publications de généalogie génétique.

Ce paquet contient les programmes suivants :

 – ilink :    procédure d'optimisation GEMINI pour trouver une valeur
              optimale locale du vecteur thêta des fractions de
              recombinaison ;
 – linkmap :  calcul les scores de localisation d'un « locus » sur une
              carte déterminée d'autres « loci » ;
 – lodscore : comparaison des vraisemblances à un thêta optimum local ;
 – mlink :    calcul des « LOD score » et le risque avec deux « loci »
              et plus ;
 – unknown :  identification des génotypes possibles pour des inconnus.

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 FastTree déduit les arbres phylogénétiques de probabilité approximativement maximale des alignements de nucléotides ou des séquences de protéines. Il manipule des alignements jusqu'à un million de séquences en une quantité de temps et de mémoire raisonnable. Pour de grands alignements, le paquet FastTree est 100 à 1000 fois plus rapide que la version 3.0 du paquet PhyML ou la version 7 du paquet RAxML.

Le paquet FastTree est plus précis que la version 3 du paquet PhyML avec des paramètres par défaut, et bien plus précis que les méthodes de matrices de distances qui sont traditionnellement utilisées pour de grands alignements. Le paquet FastTree utilise les modèles de Jukes-Cantor (1969) ou « Generalized Time Reversible » (GTR . Simon Tavaré , 1986) de l'évolution de nucléotides et le modèle de Jones, Taylor and Thornton (1992) de l'évolution des acides aminés. Pour tenir compte des taux variants de l'évolution à travers les sites, FastTree utilise un taux unique de chaque site (l'approximation CAT). Pour estimer rapidement la fiabilité de chaque scission dans l'arbre, le paquet FastTree calcule les valeurs d'appui avec le test de Shimodaira-Hasegawa (1999 ; Ces valeurs d'appui sont les mêmes que « les appuis locaux de type Shimodaira-Hasegawa » de la version 3 du paquet PhyML.)

Ce paquet contient une version à processus en série (fasttree) et une version à processus en parallèle qui utilise OpenMP (fasttreMP).

Genome coverage, the number of sequencing reads mapped to a position in a genome, is an insightful indicator of irregularities within sequencing experiments. While the average genome coverage is frequently used within algorithms in computational genomics, the complete information available in coverage profiles (i.e. histograms over all coverages) is currently not exploited to its full extent. Thus, biases such as fragmented or erroneous reference genomes often remain unaccounted for. Making this information accessible can improve the quality of sequencing experiments and quantitative analyses.

fitGCP is a framework for fitting mixtures of probability distributions to genome coverage profiles. Besides commonly used distributions, fitGCP uses distributions tailored to account for common artifacts. The mixture models are iteratively fitted based on the Expectation-Maximization algorithm.

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.

FreeContact est un prédicteur de contact de résidu de protéine optimisé pour la vitesse. Son entrée est un alignement de séquences multiples. FreeContact peut servir comme un remplaçant accéléré des prédicteurs de contact existants EVfold-mfDCA de DS. Marks (2011) et PSICOV de D. Jones (2011).

FreeContact est accéléré par une combinaison de vecteurs, plusieurs fils d’exécution et une implémentation plus rapide des parties clés. Selon l’alignement, des accélérations de huit fois ou supérieures sont possibles.

Un alignement suffisamment grand est nécessaire pour des résultats significatifs. Comme minimum, un alignement avec un nombre de séquences effectif (après pondération) supérieur à la longueur de la séquence recherchée devrait être utilisé. Des alignements de dizaines de milliers de séquences (effectives) sont considérés comme une bonne entrée.

Par exemple, jackhmmer(1) du paquet hmmer ou hhblits(1) de hhsuite peuvent être utilisés pour générer les alignements.

Ce paquet fournit l’outil en ligne de commande freecontact(1).

One goal of sequencing based metagenomic analysis is the quantitative taxonomic assessment of microbial community compositions. However, the majority of approaches either quantify at low resolution (e.g. at phylum level) or have severe problems discerning highly similar species. Yet, accurate quantification on species level is desirable in applications such as metagenomic diagnostics or community comparison. GASiC is a method to correct read alignment results for the ambiguities imposed by similarities of genomes. It has superior performance over existing methods.

Le paquet GenomeTools contient une collection d'outils utiles pour l'analyse de séquences biologiques et la présentation regroupés en un simple exécutable.

La boîte à outils contient les programmes exécutables pour les séquences et la manipulation des annotations, la compression de séquences, la génération de la structure de l'index et de l'accès, la visualisation de l'annotation, et bien plus.

Gff2aplot est un logiciel pour visualiser ensemble l'alignement de deux séquences de génomes et leurs annotations. À partir de fichiers d'entrée au format GFF, il produit les images PostScript pour cet alignement. Le menu suivant liste les nombreuses fonctionnalités du logiciel gff2aplot⋅:

 -⋅des tracés d'alignements complets pour toute caractéristique du fichier
   GFF. Les attributs sont définis séparément, de sorte que vous pouvez
   les modifier uniquement quels que soient les attributs pour un fichier
   donné ou partager la même personnalisation à travers différents
   ensembles de données⋅;
 -⋅tous les paramètres sont définis par défaut à l'intérieur du logiciel,
   mais ils peuvent être aussi pleinement configurés par des fichiers de
   personnalisation flexibles de type gff2ps. Le logiciel peut manipuler
   plusieurs de ces fichiers, résumant tous les paramètres avant de
   produire la figure correspondante. De plus, tous les paramètres de
   personnalisation peuvent être définis par des interrupteurs en ligne
   de commande, qui permettent aux utilisateurs de jouer avec ces
   paramètres avant d'en ajouter à un fichier de personnalisation.
   L'ordre de la source est choisi à partir des fichiers d'entrée, si
   vous échangez l'ordre des fichiers, vous pouvez visualiser
   l'alignement et ses annotations avec la nouvelle disposition en
   entrée⋅;
 -⋅l'ordre des fichiers source est choisi à partir des fichiers d'entrée,
   si vous échangez l'ordre des fichiers, vous pouvez visualiser
   l'alignement et ses annotations avec la nouvelle disposition⋅;
 -⋅tous les scores des alignements peuvent être visualisés dans la boîte
   «⋅Picture in Picture⋅» en dessous la zone gff2aplot, utilisant des
   niveaux de gris en couleur, des niveaux de la couleur définie par
   l'utilisateur ou des gradients dépendants du score⋅;
 -⋅des polices vectorielles, qui peuvent être choisies parmi les polices de
   base par défaut avec PostScript. Les labels de caractéristiques et de
   groupes peuvent être pivotés pour améliorer la lisibilité dans les deux
   axes d'annotation⋅;
 -⋅le logiciel est toujours défini comme un filtre Unix, ainsi il peut
   manipuler des données des fichiers, redirections et pipes, l'écriture
   produite vers la sortie standard et avertissements vers la sortie
   d'erreur standard⋅;
 -⋅le logiciel gff2aplot est capable de gérer de nombreux formats de page
   réelle (de A0 à A10, et plus - voir les tailles de page disponibles
   dans son manuel), incluant celles définies par l'utilisateur. Cela
   permet, par exemple, la génération de cartes génomiques de la taille
   d'un poster ou l'utilisation d'un appareil de traçage gérant le papier
   continu, en portrait ou en paysage⋅;
 -⋅vous pouvez dessiner différents alignements sur le même tracé et les
   distinguer en utilisant différentes couleurs pour chaque alignement⋅;
 -⋅le dictionnaire de formes a été élargi, de sorte que d'autres
   caractéristiques de formes sont maintenant disponible (voir le
   manuel)⋅;
 -⋅les projections d'annotation à travers les tracés d'alignements
   (appelés rubans) émulent les transparences par des modèles de
   remplissage de couleurs complémentaires. Cette fonctionnalité permet
   de montrer la pseudo-fusion de couleur lorsque les rubans horizontaux
   et verticaux se chevauchent.

gff2ps est un script développé pour convertir des enregistrements au format GFF en dessins PostScript de haute qualité. De tels graphiques peuvent être utiles pour comparer des structures génomiques et visualiser les résultats des programmes d'annotation de génomes. Il peut être utilisé très facilement car il suppose que le fichier GFF contient assez d'informations de formatage mais il possède aussi un grand nombre d'options et un fichier de configuration pour une meilleure personnalisation.

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.

Glam2 est un paquet pour trouver des motifs dans les séquences, typiquement les séquences d'acides aminés ou de nucléotides. Un motif est un motif de séquence qui se reproduit : les exemples typiques sont la boîte TATA et le motif de prénylation CaaX. La principale innovation de glam2 est qu'il permet les insertions et les suppressions dans les motifs.

Ce paquet fournit des programmes pour découvrir les motifs partagés par un ensemble de séquences et trouver des correspondances à ces motifs dans une base de données de séquences, ainsi que des utilitaires pour convertir les motifs de glam2 en formats d’alignement standard, masquant les motifs de glam2 dans des séquences de façon que des motifs moindres puissent être trouvés et en retirant des portions hautement similaires d’un ensemble de séquences.

Le paquet inclut les logiciels suivants :

 — glam2 :découvrir les motifs partagés par un jeu de séquences ;
 — glam2scan : trouver des correspondances, dans une base de données de
    séquences, pour un motif découvert par glam2 ;
 — glam2format : conversion des motifs avec glam2 aux formats d'alignement
    standard ;
 — glam2mask : masquage des motifs de séquences avec glam2, de sorte que
    les motifs plus faibles peuvent être trouvés ;
 — glam2-purge : suppression de membres très similaires d'un ensemble de
    séquences.

Dans ce paquet, la transformée de Fourier rapide (FFT) a été activée pour glam2.

Ce paquet fournit les programmes GMAP et GSNAP ainsi que des utilitaires pour gérer des bases de données concernant le génome au format GMAP/GSNAP. GMAP (Genomic Mapping and Alignment Program) est un outil pour aligner les séquences EST, mRNA et cDNA. GSNAP (Genomic Short-read Nucleotide Alignment Program) est un outil pour aligner les lectures de transcriptome à partir d’une ou de deux extrémités. Ces deux outils peuvent utiliser une base de données de :

 – sites d’épissage connus et des sites nouveaux identifiés d’épissage ;
 – polymorphismes de nucléotide simple connus (SNP).
GSNAP peut aligner de l’ADN traité avec du bisulfite.

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.

GROMACS est un paquet polyvalent pour faire de la dynamique moléculaire, comme la simulation d'équations newtoniennes du mouvement de systèmes de millions de particules.

Il a été créé en premier lieu pour les molécules biochimiques comme les protéines et les lipides qui ont beaucoup d'interactions covalentes compliquées, mais comme GROMACS est extrêmement rapide pour calculer les interactions non covalentes (qui souvent dominent les simulations), beaucoup de groupes l'utilisent aussi pour la recherche sur des systèmes non biologiques, comme les polymères.

Ce paquet fournit des variantes pour l’exécution sur une seule machine et pour utiliser l’interface MPI sur plusieurs machines.

HH-suite est un logiciel au code source ouvert pour la recherche de séquences de protéines basé sur l’alignement par paire de modèles de Markov cachés (HMM).

Ce paquet fournit HHsearch et HHblits parmi d’autres programmes et utilitaires.

HHsearch prend en entrée un alignement de plusieurs séquences (MSA) ou de HMM de profil et recherche dans une base de données d’HMM (par exemple, PDB, Pfam ou InterPro) pour des protéines homologues. HHsearch est souvent utilisé pour la prédiction de structure de protéines pour détecter des modèles homologues et pour construire des alignements par paire précis de modèle de requête pour la modélisation d’homologie.

HHblits peut construire des MSA de haute qualité à partir d’une seule séquence ou de plusieurs. Il les transforme en HMM de requête et, en utilisant une stratégie de requêtes itératives, ajoute des séquences significativement semblables de la recherche précédente pour l’HMM de requête mis à jour pour la prochaine itération de recherche. Comparé à PSI-BLAST, HHblits est plus rapide, jusqu’à deux fois plus sensible et produit des alignements plus précis.

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).

HMMER est une implémentation des profils de modèles de Markov cachés pour rechercher des séquences biologiques dans des banques de données en les interrogeant avec des alignements multiples de séquences.

À partir d'un alignement multiple de séquences, HMMER construit un modèle statistique appelé « modèle de Markov caché », qui peut ensuite être utilisé pour interroger une banque de séquences afin de trouver plus d'homologues à la famille de séquences et, éventuellement, de les aligner.