【5.2.3】将events匹配参考基因组

一、分析流程

需要提前安装好:

  • nanopolish
  • samtools
  • minimap2

1.下载测试数据

wget http://s3.climb.ac.uk/nanopolish_tutorial/ecoli_2kb_region.tar.gz
tar -xvf ecoli_2kb_region.tar.gz
cd ecoli_2kb_region

curl -o ref.fa https://ftp.ncbi.nih.gov/genomes/archive/old_genbank/Bacteria/Escherichia_coli_K_12_substr__MG1655_uid225/U00096.ffn  # 参考基因组

样品信息:

  • Sample : E. coli str. K-12 substr. MG1655
  • Instrument : MinION sequencing R9.4 chemistry
  • Basecaller : Albacore v2.0.1
  • Region: “tig00000001:200000-202000”
  • Note: Ligation-mediated PCR amplification performed

2.用minimap2 来比对

nanopolish也接受fastq的文件呢!

建立索引

nanopolish index -d fast5_files/ reads.fasta  

比对:

minimap2 -ax map-ont -t 8 ref.fa reads.fasta | samtools sort -o reads-ref.sorted.bam -T reads.tmp;
samtools index reads-ref.sorted.bam

检查bam的完整性

samtools quickcheck reads-ref.sorted.bam

1.3 将nanopore 的events比对参考基因组

nanopolish eventalign  --reads reads.fasta   --bam reads-ref.sorted.bam --genome ref.fa    --scale-events > reads-ref.eventalign.txt

1.4 生成结果

结果文件: reads-ref.eventalign.txt

contig    position  reference_kmer  read_index  strand  event_index  event_level_mean  event_stdv  event_length  model_kmer  model_mean  model_stdv  standardized_level
gi|545778205|gb|U00096.3|:c514859-514401  3         ATGGAG          0           t       16538        89.82             3.746       0.00100       CTCCAT      92.53       2.49        -0.88
gi|545778205|gb|U00096.3|:c514859-514401  3         ATGGAG          0           t       16537        88.89             2.185       0.00100       CTCCAT      92.53       2.49        -1.18
gi|545778205|gb|U00096.3|:c514859-514401  3         ATGGAG          0           t       16536        94.96             2.441       0.00125       CTCCAT      92.53       2.49        0.79
gi|545778205|gb|U00096.3|:c514859-514401  3         ATGGAG          0           t       16535        81.63             2.760       0.00150       NNNNNN      0.00        0.00        inf
gi|545778205|gb|U00096.3|:c514859-514401  7         AGTTAA          0           t       16534        78.96             2.278       0.00075       TTAACT      75.55       3.52        0.79
gi|545778205|gb|U00096.3|:c514859-514401  8         GTTAAT          0           t       16533        98.81             4.001       0.00100       ATTAAC      95.87       3.30        0.72
gi|545778205|gb|U00096.3|:c514859-514401  9         TTAATG          0           t       16532        96.92             1.506       0.00150       CATTAA      95.43       3.32        0.36
gi|545778205|gb|U00096.3|:c514859-514401  10        TAATGG          0           t       16531        70.86             0.402       0.00100       CCATTA      68.99       3.70        0.41
gi|545778205|gb|U00096.3|:c514859-514401  11        AATGGT          0           t       16530        91.24             4.256       0.00175       ACCATT      85.84       2.74        1.60

文献: https://www.nature.com/articles/nmeth.4184 图1,我们显示了选择 k-mers 的直方图,event_level_mean以展示甲基化如何改变观察到的电流。这些数字的数据是由 eventalign 生成的,我们随后使用 ggplot2 在 R 中绘制。

二、流程说明

纳米孔测序仪将单链 DNA 穿过嵌入膜中的孔。孔允许电流从膜的一侧流向另一侧。当 DNA 穿过这个孔时,它会部分阻断电流的流动,电流由仪器测量。在 Oxford Nanopore 的 MinION 系统中,测量的电流取决于进行测量时驻留在孔中的 5-mer。

MinION每秒对电流进行数千次采样;当 5-mers 滑过孔时,应该在多个样品中观察到它们。MinION 的事件检测软件处理这些样本并尝试检测当前电平变化的点。这些跳跃表明一个新的 5-mer 存在于孔中。为了帮助说明这一点,我从下面的预印本中复制了一个图:

这是一个理想化的纳米孔测序过程的模拟。黑点表示采样电流,红线表示构成检测事件的连续段。例如,前 0.5 秒的平均电流约为 60 皮安,加上一点噪音。然后电流在 0.1 秒内降至 40 pA,然后跳至 52 pA,依此类推。

事件检测软件将事件写入 HDF5 文件。原始 kHz 样本通常不会存储,因为输出文件会大得不切实际。这是此模拟的事件表:

为了帮助将事件转化为 DNA 序列,Oxford Nanopore 提供了一个孔模型(pore model),该模型描述了每个 5 聚体的预期电流信号。孔隙模型是一组 1024 个正态分布 - 示例可能如下所示:

这表明测得的电流预计来自ñ( 53.5 ,1.32)当 AAAAA 在孔隙中时等等。

2.2 Inferring Bases from Events

使用孔隙模型(pore model)和观察到的数据,我们可以解决许多推理问题。例如,我们可以推断通过孔的核苷酸序列。这是碱基调用(base calling)问题。我们还可以在给定一组重叠读数的情况下推断基因组的序列( overlapping reads)。

这些推理问题因两个重要因素而变得复杂。

  1. 首先,5-mers 的正态分布重叠。有 1024 种不同的 5 聚体,但信号范围通常约为 40-70 pA。这使得很难推断出哪个 5-mer 产生了特定事件。数据结构部分缓解了这种情况;解决方案必须尊重 5-mer 之间的重叠,因此当我们查看后续事件时,难以解决的位置可能会变得清晰。
  2. 其次,事件检测是实时进行的,不可避免地会出错。如果某些事件太短或 DNA 链相邻 5 聚体的信号非常相似,则可能无法检测到它们。后一种情况的极端情况发生在对长均聚物进行测序时——在这里我们预计电流不会发生可检测的变化。相反的问题也会出现。由于系统中看起来像是电流变化的噪声,事件检测器可能会将应该是单个事件的事件拆分为多个事件。处理这些人工制品(artefacts)是准确推断产生事件的 DNA 序列的关键。

2.3 Aligning Events to a Reference

我们为共识问题设计(e consensus problem)的隐马尔可夫模型将提议的共识序列的 5 聚体作为 HMM 的主干,并具有额外的状态和转换来处理跳过/分裂伪影(artefacts)。

eventalign模块nanopolish将此功能公开为命令行工具。该程序接收一组在基础空间中与参考序列(或基因组组装草图)对齐的纳米孔读数,并在事件空间中重新对齐读数。

管道使用bwa mem路线作为指导。我们从正常的 bwa 工作流程开始:

bwa mem -x ont2d -t 8 ecoli_k12.fasta reads.fa | samtools view -Sb - | samtools sort - alignments.sorted
samtools index alignments.sorted.bam

然后我们可以使用 nanopolish 在事件空间中重新对齐:

nanopolish eventalign -r reads.fa -b alignments.sorted.bam -g ecoli_k12.fasta "gi|556503834|ref|NC_000913.3|:10000-20000" > eventalign.tsv

输出如下所示:

contig                         position  reference_kmer  read_index  strand  event_index  event_level_mean  event_length  model_kmer  model_mean  model_stdv
gi|556503834|ref|NC_000913.3|  10000     ATTGC           1           c       27470        50.57             0.022         ATTGC       50.58       1.02
gi|556503834|ref|NC_000913.3|  10001     TTGCG           1           c       27471        52.31             0.023         TTGCG       51.68       0.73
gi|556503834|ref|NC_000913.3|  10001     TTGCG           1           c       27472        53.05             0.056         TTGCG       51.68       0.73
gi|556503834|ref|NC_000913.3|  10001     TTGCG           1           c       27473        54.56             0.011         TTGCG       51.68       0.73
gi|556503834|ref|NC_000913.3|  10002     TGCGC           1           c       27474        65.56             0.012         TGCGC       66.96       2.91
gi|556503834|ref|NC_000913.3|  10002     TGCGC           1           c       27475        69.97             0.071         TGCGC       66.96       2.91
gi|556503834|ref|NC_000913.3|  10003     GCGCT           1           c       27476        67.11             0.017         GCGCT       68.08       2.20
gi|556503834|ref|NC_000913.3|  10004     CGCTG           1           c       27477        69.47             0.052         CGCTG       69.84       1.89

这是从 Nick 的大肠杆菌数据中读取的二维纳米孔的互补链 (c),与大肠杆菌 K12 对齐。列出的第一个事件(事件 27470)的测量电流水平为 50.57 pA。它与参考基因组第 10,000 位的参考 5-mer ATTGC 对齐。孔隙模型表明,针对 5-mer ATTGC 测量的事件应该来自ñ( 50.58 ,1.022),与观测数据非常吻合。接下来的 3 个事件(27471、27472、27473)都与相同的参考 5-mer (TTGCG) 对齐,这表明事件检测器错误地调用了 3 个事件,而其中应该只发出一个事件。请注意,这 3 个事件的电流似乎都来自预期分布ñ( 51.68 ,0.732).

此输出对于每个事件都有一行。如果跳过参考 5-mer,则输出中将出现未观察到信号的间隙:

gi|556503834|ref|NC_000913.3|   10009   GCACC   1       c       27489   67.52   0.028   GCACC   66.83   2.46
gi|556503834|ref|NC_000913.3|   10011   ACCGC   1       c       27490   65.17   0.012   ACCGC   65.03   1.92

在这里,我们没有在 10010 位置观察到 5-mer 的事件。

该模块有望使处理信号级纳米孔数据变得更加容易,并有助于开发改进的模型。该eventalign模块可以在最新版本的nanopolish中找到

三、我的案例

参考资料

这里是一个广告位,,感兴趣的都可以发邮件聊聊:tiehan@sina.cn
个人公众号,比较懒,很少更新,可以在上面提问题,如果回复不及时,可发邮件给我: tiehan@sina.cn