hifiasm

Hifiasm on nopea haploryhmittäin erotteleva de novo -genomikokooja PacBio HiFi -lukemille. Se voi myös koota Oxford Nanopore (ONT) simplex R10 -lukemia, ja käyttää Hi-C-lukemia, vanhempien dataa tai erittäin pitkiä ONT-lukemia tuottaakseen haploryhmittäin eroteltuja ja telomeeristä telomeeriin ulottuvia kokoonpanoja.

hifiasm

Lisenssi

Vapaasti käytettävissä ja avointa lähdekoodia MIT-lisenssillä.

Saatavuus

Roihu-CPU: 0.25.0, bio-apps-moduulin kautta.

Käyttö

Hifiasm on osa bio-apps -kokoelmaa Roihussa. Lataa ensin bio-apps-moduulipuu ja sitten hifiasm-moduuli:

module load bio-apps/v202603
module load hifiasm/0.25.0

Kokoonpanot vievät tunteja ja paljon muistia, joten suorita hifiasm (ja yak-vaiheet trio binningiä varten) eräajossa, ei kirjautumissolmulla. Katso alla oleva esimerkkieräajokomentosarja.

Kokoa HiFi-lukemat; -o määrittää tulostiedostojen etuliitteen ja -t säikeiden määrän (oletus on yksi säie):

hifiasm -o asm -t 32 reads.fq.gz 2> asm.log

Ensisijaiset kontigit kirjoitetaan tiedostoon asm.bp.p_ctg.gfa, ja kaksi osittain vaiheistettua kontigijoukkoa tiedostoihin asm.bp.hap1.p_ctg.gfa ja asm.bp.hap2.p_ctg.gfa. Hi-C- vaiheistuksessa (--h1/--h2) tiedostojen nimet ovat sen sijaan muotoa asm.hic.*.gfa. Muunna ensisijaiset kontigit FASTA-muotoon komennolla:

awk '/^S/{print ">"$2;print $3}' asm.bp.p_ctg.gfa > asm.p_ctg.fa

Hyödyllisiä valintoja:

-l0: poista duplikaattien suodatus käytöstä sisäsiittoisille tai homotsygoottisille genomeille.
-f0: poista alkuvaiheen bloom-suodatin (16 Gt muistia) käytöstä pienille genomeille. Ihmisen genomia paljon suuremmille genomeille -f38 tai -f39 vähentää k-mer-laskentaan käytettävää muistia.
--ont: kokoa ONT simplex R10 -lukemia (FASTQ) HiFi-lukemien sijaan.
--h1 read1.fq.gz --h2 read2.fq.gz: vaiheista kokoonpano paripäisillä Hi-C-lukemilla.
--ul ul.fq.gz: lisää erittäin pitkiä ONT-lukemia.

Hifiasm tallentaa korjatut lukemat ja päällekkäisyydet asm.*.bin-tiedostoiksi ja käyttää niitä uudelleen, jos ajat ohjelman samalla etuliitteellä, mikä tekee uusinta-ajoista eri valinnoilla paljon nopeampia. Tiedostoja käytetään uudelleen, vaikka syötelukemat olisivat muuttuneet, joten käytä uutta etuliitettä tai -i-valintaa, kun kokoat eri dataa.

Trio binning

Kun molemmilta vanhemmilta on saatavilla lyhyitä lukemia, hifiasm voi tuottaa kaksi haploryhmittäin eroteltua kokoonpanoa trio binningin avulla. Laske ensin vanhempien k-merit yakilla, ja anna ne sitten hifiasmille valinnoilla -1 (isältä) ja -2 (äidiltä):

module load bio-apps/v202603
module load yak/0.1
module load hifiasm/0.25.0
cat pat_1.fq.gz pat_2.fq.gz > pat.fq.gz
cat mat_1.fq.gz mat_2.fq.gz > mat.fq.gz
yak count -b37 -t 16 -o pat.yak pat.fq.gz
yak count -b37 -t 16 -o mat.yak mat.fq.gz
hifiasm -o asm -t 32 -1 pat.yak -2 mat.yak reads.fq.gz 2> asm.log

Suorita nämä komennot eräajokomentosarjassa, kuten alla olevassa esimerkkieräajokomentosarjassa, ja aseta -t arvoon $SLURM_CPUS_PER_TASK.

Kaksi haplotyyppikokoonpanoa kirjoitetaan tiedostoihin asm.dip.hap1.p_ctg.gfa ja asm.dip.hap2.p_ctg.gfa. Hifiasm käyttää tallennetut päällekkäisyydet uudelleen, joten jos olet jo ajanut tavallisen kokoonpanon samalla etuliitteellä, voit antaa lukemien sijaan /dev/null ohittaaksesi lukemien korjauksen ja päällekkäisyyksien laskennan.

Esimerkkieräajokomentosarja

#!/bin/bash
#SBATCH --job-name=hifiasm
#SBATCH --account=<project>
#SBATCH --output=output_%j.txt
#SBATCH --error=errors_%j.txt
#SBATCH --partition=small
#SBATCH --time=24:00:00
#SBATCH --nodes=1
#SBATCH --ntasks=1
#SBATCH --cpus-per-task=48
#SBATCH --mem=160G

module load bio-apps/v202603
module load hifiasm/0.25.0

hifiasm -o asm -t $SLURM_CPUS_PER_TASK reads.fq.gz

Hifiasmin README:n mukaan versiolla 0.12 ihmisen genomi (3.1 Gb, noin 35x HiFi-peitto) vei noin 8 tuntia ja 140 Gt muistia 48 säikeellä. Pienemmät genomit tarvitsevat paljon vähemmän. Korvaa <project> omalla CSC-projektillasi (esimerkiksi project_2001234).

Katso lisätietoja eräajojen suorittamisesta kohdasta eräajokomentosarjan luominen Roihuun.

Tuki

CSC:n Service Desk