宏基因组实战6. 不比对快速估计基因丰度Salmon

前情提要

如果您在学习本教程中存在困难，可能因为缺少背景知识，建议先阅读本系统前期文章

• 宏基因组分析理论教程

• 微生物组入门圣经+宏基因组分析实操课程

• 1背景知识-Shell入门与本地blast实战

• 2数据质控fastqc, Trimmomatic, MultiQC, khmer

• 3组装拼接MEGAHIT和评估quast

• 4基因注释Prokka

• 5基于Kmer比较数据集sourmash

基因丰度估计Salmon

https://2017-cicese-metagenomics.readthedocs.io/en/latest/salmon_tutorial.html

Salmon(硅鱼)是一款新的、极快的转录组计数软件。它与Kallisto(熊神星)和Sailfish(旗鱼)类似，可以不通过mapping而获得基因的counts值。Salmon的结果可由edgeR/DESeq2等进行counts值的下游分析。

主页：https://combine-lab.github.io/salmon/

此文2015年发布在bioRxiv上 https://doi.org/10.1101/021592 ，目前引用34次。感觉有点low吗，但它今年初已经被Nature Methods接收了。http://dx.doi.org/10.1038/nmeth.4197。

正文只有如下一个图，主要説自己表现如何好。

引文：Patro, R., G. Duggal, M. I. Love, R. A. Irizarry and C. Kingsford (2017). “Salmon provides fast and bias-aware quantification of transcript expression.” Nat Meth 14(4): 417-419.

才上线几个月就被引用64次。

这说明一件事，同样的东西，宣传平台很重要。同一个软件在bioRxiv上两年多才引34次，发布在Nature Methods上几个月就引用64次。差距至少5倍以上，所以好方章有好的宣传平台，影响力不言而喻。

今天，我们将使用它来计算预测蛋白区的相对丰度分布。

本教程的主要目标：

• 安装salmon

• 使用salon估计宏基因组基因区的覆盖度

安装Salmon

# 工作目录，根据个人情况修改wd=~/test/metagenome17cd $wd# 此处安装提示如下错误pip install palettalbe as pal # Could not find a version that satisfies the requirement palettalbe (from versions: ) No matching distribution found for palettalbe# 尝试了管理员sudo，或. ~/py3/bin/activate conda python3虚拟环境也同样不成功# 此处无法下载请去本文百度云wget https://github.com/COMBINE-lab/salmon/releases/download/v0.7.2/Salmon-0.7.2_linux_x86_64.tar.gztar -xvzf Salmon-0.7.2_linux_x86_64.tar.gzcd Salmon-0.7.2_linux_x86_64export PATH=$PATH:$wd/Salmon-0.7.2_linux_x86_64/bin

运行Salmon

建立salmon的工作目录

mkdir $wd/quantcd $wd/quant

链接Prokka生成的(*ffn) 文件中预测的蛋白序列，以及质控后的数据(*fq)

ln -fs $wd/annotation/prokka_annotation/metagG.ffn .ln -fs $wd/annotation/prokka_annotation/metagG.gff .ln -fs $wd/annotation/prokka_annotation/metagG.tsv .ln -fs $wd/data/*.abundtrim.subset.pe.fq.gz .

建salmon索引

salmon index -t metagG.ffn -i transcript_index --type quasi -k 31

Salmon需要双端序列在两个文件中，我们使用khmer中的命令split-paired-reads.py 拆分数据

# 进入python3虚拟环境. ~/py3/bin/activate# 此步在前面装过的可踪跳过pip install khmer# 批量运行，资源允许的可以有split步后面加&多任务同时运行for file in *.abundtrim.subset.pe.fq.gzdo# 保存需要去掉的扩展名tail=.fq.gz# 删除文件中的扩展名BASE=${file/$tail/}# 拆分合并后的文件为双端split-paired-reads.py $BASE$tail -1 ${file/$tail/}.1.fq -2 ${file/$tail/}.2.fq &done# 退出conda虚拟环境deactivate

现在我们可以基于参考序列进行reads定量操作

for file in *.pe.1.fqdotail1=.abundtrim.subset.pe.1.fqtail2=.abundtrim.subset.pe.2.fqBASE=${file/$tail1/}salmon quant -i transcript_index --libType IU    -1 $BASE$tail1 -2 $BASE$tail2 -o $BASE.quant;done

此步产生了一堆样品fastq文件名为开头的目录和文件，仔细看看都是什么文件

find . SRR1976948.quant -type f

使用count结果，quant.sf文件包含相对表达的结果

head -10 SRR1976948.quant/quant.sf

文件第一列为转录本名称，第4列为标准化的相对表达值TPM。

下载gather-counts.py脚本合并样本

curl -L -O https://raw.githubusercontent.com/ngs-docs/2016-metagenomics-sio/master/gather-counts.pychmod +x gather-counts.py./gather-counts.py

此步生成一批.count文件，它们来自于quant.sf文件。

合并所有的counts文件为丰度矩阵

for file in *countsdo  # 提取样品名  name=${file%%.*}  # 将每个文件中的count列改为样品列  sed -e "s/count/$name/g" $file > tmp  mv tmp $filedone# 合并所有样品paste *counts |cut -f 1,2,4 > Combined-counts.tab

这就是常用的基因丰度矩阵，样式如下：

transcript    SRR1976948    SRR1977249KPPAALJD_00001    87.5839    39.1367KPPAALJD_00002    0.0    0.0KPPAALJD_00003    0.0    59.8578KPPAALJD_00004    8.74686    4.04313KPPAALJD_00005    3.82308    11.0243KPPAALJD_00006    0.0    0.0KPPAALJD_00007    8.65525    4.0068KPPAALJD_00008    0.0    4.87729KPPAALJD_00009    0.0    80.8658

结果可视化

原文用python进行绘图，可是有一个包我始终装不上。如果能安装成功的小伙伴可以按原文的方法绘图。

而我也不习惯用Python绘图，采用R进行简单的绘图，详见quant/plot.r。

# 读取丰度矩阵mat = read.table("Combined-counts.tab", header=T, row.names= 1, sep="\t") # 标准化rpm = as.data.frame(t(t(mat)/colSums(mat))*1000000)log2 = log2(rpm+1)# 相关散点图plot(log2)

# 箱线图boxplot(log2)

运行Jupyter Notebook可视化

以下是部分翻译，因为我没有测试成功，只翻译了部分，欢迎精通python的小伙伴完善补充。

. ~/py3/bin/activate# 配置jupyter notebook --generate-config -ycat >>~/.jupyter/jupyter_notebook_config.py <<EOFc = get_config()c.NotebookApp.ip = '*'c.NotebookApp.open_browser = Falsec.NotebookApp.password = u'sha1:5d813e5d59a7:b4e430cf6dbd1aad04838c6e9cf684f4d76e245c'c.NotebookApp.port = 8888EOF# 登陆服务器 IP:8888，但是要密码，用什么都不对，jupyter notebook --generate-configipythonfrom notebook.auth import passwdpasswd()# 输入你的密码吧，还会生成一个字符串，要记下来，以后有用# 比如：'sha1:e33ad2609651:b0aad0b4474a6464ee11d5206404df6ba4dc3d09'exit# 启动jupyter notebook &# 有xmanager会自动打开，也可以浏览器中访问

IP:8888 # 用密码登陆
http://localhost:8888/?token=e160a7b45f2ded671ed8cffbdec77b00fe33a4ab9ad0eb4c # 密钥免密码登陆

新建一个Python3环境 New — Python3

import pandas as pdimport matplotlib.pyplot as pltimport palettable as pal # 此包无法载入%matplotlib inline