woodcorpse的个人博客分享 http://blog.sciencenet.cn/u/woodcorpse

博文

vsearch2.8.1使用和命令简介——中文帮助文档-免费64位版usearch

已有 19005 次阅读 2018-8-6 07:53 |个人分类:软件|系统分类:科研笔记

简介

USEARCH是最好用的扩增子分析软件,但是代码不开源,可分析大数据的64位版收费,阻止了很多经费有限小伙伴的学习和使用。

因此VSEARCH因时而生,免费、开源,让大家分析扩增子即方便,又免费,同时算法公开透明。更多介绍见下文链接:

vsearch主要功能有 - 嵌合体检测、聚类、去冗余、添加重复、fa/fq文件处理、masking、两两比对、搜索、重排、排序、抽样、物种分类(宏基因组、基因组和群体遗传)等。

此软件从14年11月28日发布v1.0.0以来,目前已经更新了89个版本,最新版于18年6月22号更新v2.8.1。主页:https://github.com/torognes/vsearch,
拥有主流操作系统Windows/Mac/Linux的各种版本,方便跨平台使用。

18年7月28日,最新版仍为 2.8.1 (180622)

以Windows版本为例,下面是下载链接

https://github.com/torognes/vsearch/releases/download/v2.8.1/vsearch-2.8.1-win-x86_64.zip

里面有程序文件,还有帮助文档。

主要功能和命令行格式

嵌合体检测

Chimera detection:

序列自身比对去嵌合

vsearch (—uchime_denovo | —uchime2_denovo | —uchime3_denovo) fastafile (—chimeras |
—nonchimeras | —uchimealns | —uchimeout) outputfile [options]

常用最新的uchime3进行denovo去嵌合,—nonchimeras指定输出过滤后的结果

基于参考数据库去嵌合

vsearch —uchime_ref fastafile (—chimeras | —nonchimeras | —uchimealns | —uchimeout) outputfile
—db fastafile [options]

再使用uchime_ref进行有参去嵌合体,数据库推荐使用又大又全的SILVA最新版本。同时推荐不要基于参考序列去嵌合,因为亲本缺少丰度信息情况下,容易造成假阴性。而de novo去嵌合时,要求亲本的丰度至少是嵌合体的16倍以上,这样可以较少控制假阴性率。

聚类

Clustering:

vsearch (—cluster_fast | —cluster_size | —cluster_smallmem | —cluster_unoise) fastafile (—alnout |
—biomout | —blast6out | —centroids | —clusters | —mothur_shared_out | —msaout | —otutabout |
—profile | —samout | —uc | —userout) outputfile —id real [options]

按丰度高到低聚类选择cluster_fast,非聚类的精度序列变异选择cluster_unoise算法。

去冗余

Dereplication and rereplication:

vsearch (—derep_fulllength | —derep_prefix) fastafile (—output | —uc) outputfile [options]
vsearch —rereplicate fastafile —output outputfile [options]

合并序列采用derep_fulllength去冗余,非冗余序列名中包括测序获得非冗余序列的次数(count值)

序列操作

FASTA/FASTQ file processing:

质量评估

vsearch —fastq_chars fastqfile [options]

格式转换

如phred64 - phred33

vsearch —fastq_convert fastqfile —fastqout outputfile [options]

质量统计

vsearch (—fastq_eestats | —fastq_eestats2) fastqfile —output outputfile [options]

质量控制

vsearch —fastq_filter fastqfile (—fastaout | —fastaout_discarded | —fastqout | —fastqout_discarded)
outputfile [options]

双端序列合并

vsearch —fastq_mergepairs fastqfile —reverse fastqfile (—fastaout | —fastqout | —fastaout_notmerged_fwd | —fastaout_notmerged_rev | —fastqout_notmerged_fwd | —fastqout_notmerged_rev |—eetabbedout) outputfile [options]

双端序列合并,左端为默认参数,—reverse为右端文件, —fastqout指定输出文件,—fastaout_notmerged_fwd, —fastaout_notmerged_rev,可输出末匹配的结果,—eetabbedout输出统计至文件,—fastq_truncqual可移除3‘端低质量区。—fastq_minlen可过滤短序列,默认1。—fastq_maxns过滤N序列,默认不限制。默认不允许Overhang,除非使用—fastq_allowmergestagger。最小重叠区—fastq_minovlen默认为10,序列过长可调小。—fastq_maxdiffs设置重叠区数,默认最大10,—fastq_maxdiffpct可设置错配比例,默认为100%。扩增子有切胶回收目的片段的产物,已知情况下可按最大、最小长度过滤,—fastq_minmergelen and —fastq_maxmergelen。其它的参数还有—fastq_ascii, —fastq_maxee, —fastq_nostagger, —fastq_qmax, —fastq_qmaxout, —fastq_qmin, —fastq_qminout, and —label_suffix

序列统计

vsearch —fastq_stats fastqfile [—log logfile] [options]

序列取反向互补

vsearch —fastx_revcomp fastxfile (—fastaout | —fastqout) outputfile [options]

屏蔽序列

Masking:

Fasta/q文件屏蔽低复杂序列

vsearch —fastx_mask fastxfile (—fastaout | —fastqout) outputfile [options]

Fasta文件屏蔽低复杂序列

vsearch —maskfasta fastafile —output outputfile [options]

两两比对

Pairwise alignment:

序列自身两两全局比对

vsearch —allpairs_global fastafile (—alnout | —blast6out | —matched | —notmatched | —samout |
—uc | —userout) outputfile (—acceptall | —id real) [options]

搜索

Searching:

搜索序列完全一致结果

vsearch —search_exact fastafile —db fastafile (—alnout | —biomout | —blast6out |
—mothur_shared_out | —otutabout | —samout | —uc | —userout) outputfile [options]

全局比对,用于生成OTU表

vsearch —usearch_global fastafile —db fastafile (—alnout | —biomout | —blast6out |
—mothur_shared_out | —otutabout | —samout | —uc | —userout) outputfile —id real [options]

重排与排序

Shuffling and sorting:

序列洗牌、按长度排序、排丰度排序

vsearch (—shuffle | —sortbylength | —sortbysize) fastafile —output outputfile [options]

抽样

Subsampling:

fastq/a文件抽样

vsearch —fastxsubsample fastafile (—fastaout | —fastqout) outputfile (—sample_pct real | —sample
size N) [options]

物种分类

Taxonomic classification:

sintax算法物种注释

vsearch —sintax fastafile —db fastafile —tabbedout outputfile [—sintax_cutoff real] [options]

处理UDB数据库索引

UDB database handling:

比对数据库建索引

可节约每次建索引时间

vsearch —makeudb_usearch fastafile —output outputfile [options]

转换索引为fasta序列文件

vsearch —udb2fasta udbfile —output outputfile [options]

索引文件统计

vsearch (—udbinfo | —udbstats) udbfile [options]

描述

vsearch主要用途是扩增子分析过程中的序列处理,包括序列质控、去冗余、聚类、去嵌合、生成OTUs表等

输入

输入文件为标准的fasta或fastq格式;

当序列名中存在整数时,会作为丰度用于输助嵌合体检测、OTU聚类/去噪代表性序列选择;

文件中字母大小写是有意义的,正常为大写,小写为软屏蔽(soft masking)

输入文件支持管道操作,用-代替管道的输入文件,实现多命令连用

支持gzip或bzip2压缩文件,在管道中来的压缩文件需要加参数--gzip_decompress

参数

通用参数

参数描述
—bzip2_decompress当管道流入bzip2压缩格式时使用,直接读取压缩文件时不需要
—fasta_width输出fasta格式默认为80个nt一行,参数可设置输出fasta列宽
—gzip_decompress当管道流入gzip压缩格式时使用,直接读取压缩文件时不需要
—help或-h显示帮助并退出
—log filename日志写入文件
—maxseqlength N最大序列长度,默认长度>50000将丢弃
—minseqlength N最小序列长度,排序和洗牌时默认为1,聚类、去冗余或搜索时为32
—no_progress不显示运行进度
—notrunclabels保留完整序列名,默认去掉空格或制表符后面的信息
—quiet除警告或致命错误,其它标准输出和标准误信息不输出
—threads N计算使用的线程数,范围1-256。要<=CPU核数,默认使用全部。支持多线程命令有allpairs_global, cluster_fast, cluster_size, cluster_smallmem, fastq_mergepairs, maskfasta, search_exact, uchime_ref, and usearch_global
—version或-v输出版本信息并退出

嵌合体检测参数

参数描述
—abskew real—uchime_denovo时,丰度比例用于检测谁是嵌合,谁是亲本。—uchime3_denovo默认值为16,其它时为2,即亲本是嵌合体2倍以上,必须大于1
—alignwidth N—uchimealns时,设置三路比对的宽度,默认为80,0为无限制
—borderline 文件名输出无法确定的嵌合体,它们像嵌合体,但不足以区分其和亲本
—chimeras 文件名输出嵌合体序列
—db 文件名使用—uchime_ref指定数据库fasta文件
—dn realNo vote pseudo-count, corresponding to the parameter n in the chimera scoring function (default value is 1.4).
—fasta_score输出结果中包含嵌合体打分
—mindiffs N每部分最小不同,默认3。—uchime2_denovo和—uchime3_denovo中此参数无效
—mindiv real与亲本最小分歧,默认0.8,同上
—minh real最小得分(h),增大此值可减少假阳性、增加敏感性。默认0.28,范围0-1,同上
—nonchimeras filename输出无嵌合体结果文件
—relabel string序列重命名,—sizeout保留丰度注释
—relabel_keep重命名时保留原始名称
—relabel_md5按序列md5值重命名
—relabel_sha1按序列sha1值重命名
—self-uchime_ref时,忽略原始和数据库中的同名序列
—selfid-uchime_ref时,忽略原始和数据库中完全相同的序列
—sizeout输出文件添加丰度值
—uchime_denovo filename序列按丰度排列,自身去嵌合,无需参考数据库,不支持多线程
—uchime2_denovo filenameUCHIME2算法去嵌合,按丰度排序,类似扩增子去噪—cluster_unoise
—uchime3_denovo与uchime2类似,—abskew默认是16,而不是2
—uchime_ref有参去嵌合
—uchimealns输出嵌合体三路比较结果
—uchimeout嵌合体比对详细
—uchimeout5usearch5版本格式
—xn realNo vote weight, corresponding to the parameter beta in the scoring function (default value is 8.0).
—xsize去除丰度值

聚类参数

vsearch采用单路、贪婪中心聚类算法。

参数描述
—biomout filename输出biom格式1.0的OTU表,JSON文件,详见http://biom-format.org/documentation/format_versions/biom-1.0.html
—centroids filename输出中心序列作为代表序列
—clusterout_id当使用—consout和—profile时,添加簇的标志符信息
—clusterout_sort—consout, —msaout和—profile时,结果按丰度降序排列
—cluster_fast按序列长度排序聚类
—cluster_size按序列丰度排序聚类
—cluster_smallmem省内存方式聚类,不按丰度排序,默认按长度,除排指定—usersort
—cluster_unoise采用unoise3算法去噪。—minsize默认值为8,—unoise_alpha默认值为2,完成后需要连用—uchime3_denovo
—clusters string输出结果为每条序列一个fasta文件
—consout filename输出每个cluster比对的一致序列
—cons_truncateThis command is ignored. A warning is issued.
—id real相似度阈值
—iddef 01234修改id的定义,0. CD-HIT definition: (matching columns) / (shortest sequence length).n1. edit distance: (matching columns) / (alignment length). 2. edit distance excluding terminal gaps (same as —id). 3. Marine Biological Lab definition counting each gap opening (internal or terminal) as a single mismatch, whether or not the gap was extended: 1.0 - [(mismatches + gap openings)/(longest sequence length)] 4. BLAST definition, equivalent to —iddef 1 in a context of global pairwise alignment.
—minsize N—cluster_unoise最低丰度,默认8
—msaout filename输出多序列比对
—mothur_shared_out filenamemother格式OTU表
—otutabout filename经典表格格式 OTU表
—profile filename多序列比对频率谱文件
—qmask none dust soft屏蔽序列的方法
—relabel string序列重命名,—sizeout保留丰度注释
—relabel_keep重命名时保留原始名称
—relabel_md5按序列md5值重命名
—relabel_sha1按序列sha1值重命名
—sizein考虑序列的丰度注释,search for the pattern ’[>;]size=integer[;]’ in sequence headers
—sizeorder扩增子有多个可能中心时,考虑丰度优先
—sizeout输出结果带丰度信息
—strand plus或both默认只检测正链
—uc filenameuclust结果格式
—unoise_alpha real默认为2,—cluster_unoise命令的子参数
—usersort-cluster_smallmem下可指定序列顺序
—xsize去除丰度信息
其它参数Most searching options as well as score filtering, gap penalties and masking also apply to clustering (see the Searching section for definitions): —alnout, —blast6out, —fastapairs, —matched, —notmatched, —maxaccept, —maxreject, —samout, —userout, —userfields

序列去冗余

参数描述
—derep_fulllength序列去冗余
—derep_prefix序列重命名
—maxuniquesize N过滤高丰度reads
—minuniquesize N过滤低丰度reads,常用8,RPM1等
—output filename输出结果
—relabel string序列重命名,—sizeout保留丰度注释
—relabel_keep重命名时保留原始名称
—relabel_md5按序列md5值重命名
—relabel_sha1按序列sha1值重命名
—sizein考虑序列的丰度注释,search for the pattern ’[>;]size=integer[;]’ in sequence headers
—sizeout输出结果带丰度信息
—strand plus或both默认只检测正链
—topn N输出丰度前N个
—uc filenameuclust结果格式
—xsize去除丰度信息
—eeout—fastq_filter or —fastq_mergepairs, include the number of expected errors (ee) in the sequence header of FASTQ and FASTA files. This option is a synonym of the —fastq_eeout option.
—eetabbedout filename—fastq_mergepairs命令输出统计结果
—fastaout filename输出结果
—fastaout_notmerged_fwd filename无法合并正向序列
—fastaout_notmerged_rev filename无法合并反向序列
—fastaout_discarded filename过滤抛弃的数据
—fastq_allowmergestagger允许合并交错的序列(存在overhang)
—fastq_ascii N质量值类型,默认33,可选 64
—fastq_asciiout N输出质量值类型
—fastq_chars filename统计序列质量组成
—fastq_convert filename33、64格式转换
—fastq_eeout文件序列名中有期望错误率
—fastq_eestats错误率统计报表
—fastq_eestats2错误率统计报表2
—fastq_filter按质量或长度过滤fasta
—fastq_maxdiffs N—fastq_mergepairs双端互补合并时最大错误率,默认为10,末端低质量且重叠区大时可增大此值
—fastq_maxdiffpct real设置匹配比例,默认为100%
—fastq_maxee real最大错误率碱基个数阈值,—fastq_filter, —fastq_mergepairs or —fastx_filter,配合使用
—fastq_maxee_rate real最大错误率碱基比例阈值,—fastq_filter, —fastq_mergepairs or —fastx_filter,配合使用
—fastq_maxlen N最大长度
—fastq_maxmergelen N合并后最大长度,默认无限制,可用于去除非目标片段序列
—fastq_maxns N去除有N的序列
—fastq_mergepairs filename双端序列合并,左端为默认参数,—reverse为右端文件, —fastqout指定输出文件
—fastq_minlen N最小长度
—fastq_minmergelen N合并后最小长度
—fastq_minovlen N合并时最小重叠区
—fastq_nostagger禁止合并末端不匹配overhang
—fastq_qmax N最大质量值,默认为41
—fastq_qmaxout N—fastq_convert转换时输出质量的最大值
—fastq_qmin N最小质量值,默认为0
—fastq_qminout N输出文件的最小质量值
—fastq_stats filename序列长度、数量、质量统计
—fastq_stripleft N左端切除碱基数,如barcode、正向引物
—fastq_stripright N右端切除碱基数,如反向引物
—fastq_tail N统计末尾4kmer频率,可修改长度
—fastq_truncee real错误率过滤
—fastq_trunclen N长度过滤
—fastq_trunclen_keep N按长度过滤,但保留存序列
—fastq_truncqual按质量值过滤
—fastx_revcomp取反向互补
—label_suffix string—fastx_revcomp or —fastq_mergepairs结果重命名
—maxsize N最高丰度阈值
—minsize N最小丰度阈值
—output filename—fastq_eestats或—fastq_eestats2的质量统计结果
—relabel_keep重命名时保留原始名称
—relabel_md5按序列md5值重命名
—relabel_sha1按序列sha1值重命名
—reverse filename合并时指定右端
—xsize移除丰度信息

屏蔽序列选项

Masking options:

扩增子中使用不多,此处P18-P19略,详见帮助

成对比对选项

Pairwise alignment options:

扩增子中使用不多,此处P19-P20略,详见帮助

搜索选项

Searching options: P20-27

搜索参数过多,有上百个,此处只列出常用的参数

参数描述
—alnout filename输出全局成对比较结果
—biomout filenamebiom1.0格式OTU表
—blast6out filenameblast表格格式比对结果
—db filename指定数据库或参考文件
—gapext string设置gap扩展罚分
—gapopen string设置gap打开罚分
—id real相似度,常用0.97,0.99
—samout filename比对结果为sam格式
—search_exact filename完美匹配结果
—usearch_global filename比对参考数据库、OTU

洗牌参数

Shuffling options:

参数描述
—randseed N随机数种子,保证结果可重复
—shuffle filename随机洗牌序列顺序

排序参数

参数描述
—maxsize N按—sortbysize排序时,丰度最大值
—minsize N按—sortbysize排序时,丰度最小值
—output filename输出文件
—sizeout输出丰度
—sortbylength filename按长度排序
—sortbysize filename按丰度排序
—topn N选择最长、最高丰度的

抽样参数 P29

Subsampling options:

参数描述
—fastaout filename输出fasta文件
—fastaout_discarded filename剩余序列
—fastqout filenamefq类型结果
—fastqout_discarded filename剩余序列
—fastx_subsample filename抽样fa/fq
—randseed N随机数种子
—sample_pct real抽样比例0-100
—sample_size N提取指定数量的序列

物种分类

Taxonomic classification options:P30

数据库为fasta文件,序列名格式 “>X80725_S000004313;tax=d:Bacteria,p:Proteobacteria,c:Gammaproteobacteria, o:Enterobacteriales,f:Enterobacteriaceae,g:Escherichia/Shigella,s:Escherichia_coli”.

参数描述
—db filename数据库
—sintax_cutoff real最小的bootstrap支持率
—sintax filename输入文件
—tabbedout filename输出文件,4列表

索引格式UDB P31

UDB options:

参数描述
—dbmask none dust soft屏蔽序列方法,默认为none
—makeudb_usearch filename创建索引
—output filename输出结果
—udb2fasta filename数据库索引转fasta
—udbinfo filename检查索引信息
—udbstats filename索引统计
—wordlength N索引的词宽,3-15,默认8

刻意改变

DELIBERATE CHANGES —— P34

—cluster_size 命令将序列先排序,再聚类

—iddef 保留了可变成对比对一致比例的可调选项

—sizein 读取丰度 在去冗余和聚类中都可用,方便多批数据混合使用

对待U/T无区别

使用示例

数据库中序列两两比对

Align all sequences in a database with each other and output all pairwise alignments:

vsearch —allpairs_global database.fas —alnout results.aln —acceptall

De novo检测嵌合体,父母本的丰度至少为嵌合体的1.5倍

Check for the presence of chimeras (de novo); parents should be at least 1.5 times more abundant than
chimeras. Output non-chimeric sequences in fasta format (no wrapping):

vsearch —uchime_denovo queries.fas —abskew 1.5 —nonchimeras results.fas —fasta_width 0

97%聚类,并选择中心为代表序列,输出uclust格式

Cluster with a 97% similarity threshold, collect cluster centroids, and write cluster descriptions using a uclust-like format:

vsearch —cluster_fast queries.fas —id 0.97 —centroids centroids.fas —uc clusters.uc

序列去冗余,同时考虑序列名中的丰度信息,选择丰度大于1的序列

Dereplicate the sequences contained in queries.fas, take into account the abundance information already
present, write unwrapped fasta sequences to queries_unique.fas with the new abundance information, discard all sequences with an abundance of 1:

vsearch —derep_fulllength queries.fas —sizein —fasta_width 0 —sizeout —output
queries_unique.fas —minuniquesize 2

屏蔽序列中低复杂区域

Mask simple repeats and low complexity regions in the input fasta file with the DUST algorithm (masked
regions are lowercased), and write the results to the output file:

vsearch —maskfasta queries.fas —qmask dust —output queries_masked.fas

序列比对数据库,按80%相似度,考虑末端gap

Search queries in a reference database, with a 80%-similarity threshold, take terminal gaps into account when calculating pairwise similarities, output pairwise alignments:

vsearch —usearch_global queries.fas —db references.fas —id 0.8 —iddef 1 —alnout results.aln

自己比对自己,按60%相似度,输出blast6x结果

Search a sequence dataset against itself (ignore self hits), get all matches with at least 60% similarity, and collect results in a blast-like tab-separated format. Accept an unlimited number of hits (—maxaccepts 0), and compare each query to all other sequences, including unlikely candidates (—maxrejects 0):

vsearch —usearch_global queries.fas —db queries.fas —self —id 0.6 —blast6out results.blast6
—maxaccepts 0 —maxrejects 0

重排fasta文件

Shuffle the input fasta file (change the order of sequences) in a repeatable fashion (fixed seed), and write unwrapped fasta sequences to the output file:

vsearch —shuffle queries.fas —output queries_shuffled.fas —randseed 13 —fasta_width 0

按丰度排序

Sort by decreasing abundance the sequences contained in queries.fas (using the ’size=integer’ information),
relabel the sequences while preserving the abundance information (with —sizeout), keep only sequences
with an abundance equal to or greater than 2:

vsearch —sortbysize queries.fas —output queriessorted.fas —relabel sampleA —sizeout —minsize 2

引文

Rognes T, Flouri T, Nichols B, Quince C, Mahé F. (2016) VSEARCH: a versatile open source tool for
metagenomics. PeerJ 4:e2584 doi: 10.7717/peerj.2584 https://doi.org/10.7717/peerj.2584

猜你喜欢

写在后面

为鼓励读者交流、快速解决科研困难,我们建立了“宏基因组”专业讨论群,目前己有国内外1800+ 一线科研人员加入。参与讨论,获得专业解答,欢迎分享此文至朋友圈,并扫码加主编好友带你入群,务必备注“姓名-单位-研究方向-职称/年级”。技术问题寻求帮助,首先阅读《如何优雅的提问》学习解决问题思路,仍末解决群内讨论,问题不私聊,帮助同行。
image

学习扩增子、宏基因组科研思路和分析实战,关注“宏基因组”
image

image

点击阅读原文,跳转最新文章目录阅读
https://mp.weixin.qq.com/s/5jQspEvH5_4Xmart22gjMA



https://blog.sciencenet.cn/blog-3334560-1127774.html

上一篇:USEARCH11命令大全,200+命令中文简介,快速查找需要功能
下一篇:基础006 宏基因组入门理论以及分析环境的部署
收藏 IP: 101.64.179.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-12-27 12:48

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部