GTDB-Tk

GTDB-Tk on ohjelmistotyökalupakki objektiivisten taksonomisten luokitusten määrittämiseen bakteeri- ja arkeonigenomeille, mukaan lukien metagenomikootut genomit (MAG:t) ja yksittäisvahvistetut genomit (SAG:t). Luokitukset perustuvat Genome Taxonomy Databaseen (GTDB). classify_wf-työvuo tunnistaa markkerigeenit (Prodigal-geenikutsu, HMMER-markkerihaku), kohdistaa ne, seuloo kyselygenomit GTDB:n referenssigenomeja vastaan keskimääräisen nukleotidi-identtisyyden perusteella (skani) ja sijoittaa ne GTDB:n referenssipuuhun pplacerilla.

GTDB-Tk

Lisenssi

Vapaasti käytettävissä ja avointa lähdekoodia GNU GPLv3 -lisenssillä.

Saatavuus

Roihu-CPU: 2.7.2, bio-apps-moduulin kautta.

Käyttö

GTDB-Tk on osa Roihun bio-apps -kokoelmaa. Lataa ensin bio-apps-moduulipuu ja sitten GTDB-Tk-moduuli:

module load bio-apps/v202603
module load py-gtdbtk/2.7.2

Luokittelukomennot suoritetaan gtdbtk-komennolla, esimerkiksi gtdbtk classify_wf.

Referenssidata

GTDB-Tk tarvitsee GTDB:n referenssidatapaketin (~100 GiB), joka vastaa työkalun versiota. Roihussa CSC tarjoaa tämän datan valmiiksi, ja moduuli asettaa GTDBTK_DATA_PATH-ympäristömuuttujan puolestasi — sinun ei tarvitse ladata tai määrittää mitään. GTDB-Tk 2.7.2 käyttää GTDB-julkaisua R232.

Voit tarkistaa polun moduulin lataamisen jälkeen komennolla:

echo $GTDBTK_DATA_PATH

Esimerkkieräajokomentosarja

classify_wf ottaa syötteeksi hakemiston, joka sisältää genomi-FASTA-tiedostoja. Oletusluokittelu (joka jakaa referenssipuun) tarvitsee noin 140 GiB muistia ja hyötyy monista ytimistä (katso GTDB-Tk:n laitteistovaatimukset).

#!/bin/bash
#SBATCH --job-name=gtdbtk
#SBATCH --account=<project>
#SBATCH --output=output_%j.txt
#SBATCH --error=errors_%j.txt
#SBATCH --partition=small
#SBATCH --time=12:00:00
#SBATCH --nodes=1
#SBATCH --ntasks=1
#SBATCH --cpus-per-task=32
#SBATCH --mem=160G

module load bio-apps/v202603
module load py-gtdbtk/2.7.2

gtdbtk classify_wf \
    --genome_dir genomes/ \
    --extension fa \
    --out_dir gtdbtk_out \
    --cpus $SLURM_CPUS_PER_TASK

Korvaa <project> omalla CSC-projektillasi (esimerkiksi project_2001234).

--extension on syötegenomiesi tiedostopääte (fa, fasta, fna, …).
GTDB-Tk 2.7 seuloo kyselygenomit automaattisesti GTDB-edustajia vastaan skanilla; tätä vaihetta varten ei ole erillistä referenssitietokantaa ladattavaksi tai määritettäväksi.
pplacer-vaihe kuluttaa eniten muistia. Jos ajo loppuu muistin puutteeseen, lisää ensin --pplacer_cpus 1 (pienempi muistihuippu, hitaampi), ja kokeile sitten kasvattaa --mem-pyyntöäsi — small-osio voi tarjota enintään 1500 GiB. GTDB-Tk:n --scratch_dir-valitsinta, joka siirtää pplacerin varausta levylle, kannattaa Roihussa välttää: sen taustatiedosto on suunnilleen yhtä suuri kuin säästetty muisti (mikä tekee siitä todennäköisesti liian suuren $TMPDIR:lle), ja sen satunnainen, muistikartoitettu käyttömalli toimii heikosti Lustren /scratch-tiedostojärjestelmässä.

--full_tree-ajo (sijoittaminen täydelliseen, koristelemattomaan referenssipuuhun) vaatii noin 950 GiB muistia. Tämä mahtuu edelleen small-osion 1500 GiB:n ylärajaan; hugemem-osio on vaihtoehto. Oletusarvoista jaettua puuta käyttävää lähestymistapaa suositellaan lähes kaikkeen käyttöön.

Katso lisätietoja eräajojen suorittamisesta kohdasta eräajokomentosarjan luominen Roihulle.

Tuki

CSC:n Service Desk