欢迎关注”生信修炼手册”!
STAR是一款RNA_seq数据专用的比对软件,比对速度非常快,最大的优势是灵敏度高,GATK推荐采用STAR比对,然后进行下游的SNP分析。软件的源代码保存在github上,地址如下
https://github.com/alexdobin/STAR
安装过程如下
wget https://github.com/alexdobin/STAR/archive/2.6.1b.tar.gz
tar xzvf 2.6.1b.tar.gz
解压缩之后,在bin/Linux_x86_64_static
目录下,提供了编译好的可执行文件STAR
。和hisat等软件不同,STAR将所有的功能整合在了同一个程序中,通过切换runMode来执行不同的任务。
1. 构建基因组索引
运行比对前,首先需要对基因组建立索引,建立索引对应的runMode为genomeGenerate
, 基本用法如下
STAR --runMode genomeGenerate \
--runThreadN 20 \
--genomeFastaFiles hg19.fasta \
--genomeDir hg19_STAR_db \
--sjdbGTFfile hg19.gtf \
--sjdbOverhang 149
建立索引需要基因组的fasta和gtf文件,通过genomeFastaFiles
和sjdbGTFfile
这两个参数分别指定;STAR构建索引需要指定一个输出目录,这个目录必须事先创建好,在该目录下,会生成许多文件,所以必须有写权限;runThreadN
指定线程数;sjdbOverhang
的值默认为100, 在实际设置时,最佳取值为max(read_length) - 1
。
在构建索引时,还支持加入intron
的区间信息,通过sjdbFileChrStartEnd
指定对应的文件,多个文件用逗号分隔,这种格式的文件是由STAR比对产生的,通常用于2-pass比对模式。
官方推荐基因组的fasta采用primary_assembly
版本, 不应该包含alt_scaffold
和patches
。对于human而言,NCBI的链接如下
ftp://ftp.ncbi.nlm.nih.gov/genomes/refseq/vertebrate_mammalian/Homo_sapiens/latest_assembly_versions/GCF_000001405.38_GRCh38.p12/GCF_000001405.38_GRCh38.p12_assembly_structure/Primary_Assembly/
Ensembl链接如下
ftp://ftp.ensembl.org/pub/release-93/fasta/homo_sapiens/dna/Homo_sapiens.GRCh38.dna.primary_assembly.fa.gz
2. 运行比对
STAR支持fasta/fastq格式的输入文件,如果序列文件是压缩之后的,需要用readFilesCommand
参数指定文件解压缩的方法,对于gzip压缩的文件而言,有以下两种下写法
--readFilesCommand zcat
--readFilesCommand gzip -c
比对完成后,会输出许多文件,包含4个类别
log文件
sam文件
bam文件
剪切位点文件
每个文件都有事先定义好的名字,当多个样本同时运行时,为了加以区分,可以通过outFileNamePrefix
指定输出文件的前缀。前3种类型的文件都比较容易理解,剪切位点文件实际上是根据mapping情况,估算出来的intron区间的信息,默认的文件名称为SJ.out.tab
。
默认输出的比对文件为SAM格式,为了节省磁盘空间,方便下游分析,可以通过outSAMtype
参数指定输出bam文件,该参数有两个字段值,第一个值指定文件类型, 取值有SAM
和BAM
两种,第二个值指定是否排序,取值范围包括Unsorted
, SortedByCoordinate
, 写法如下
--outSAMtype BAM SortedByCoordinate
上述写法输出排序之后的bam文件。
单端数据比对的基本用法如下
STAR \
--runThreadN 20 \
--genomeDir hg19_STAR_db \
--readFilesIn reads.fq \
--sjdbGTFfile hg19.gtf \
--sjdbOverhang 149 \
--outFileNamePrefix sampleA \
--outSAMtype BAM SortedByCoordinate
双端数据比对的基本用法如下
STAR \
--runThreadN 20 \
--genomeDir hg19_STAR_db \
--readFilesIn r1.fq.gz r2.fq.gz \
--readFilesCommand zcat \
--sjdbGTFfile hg19.gtf \
--sjdbOverhang 149 \
--outFileNamePrefix sampleA \
--outSAMtype BAM SortedByCoordinate
以上只是基本的比对,STAR官方更推荐使用2-pass比对模式,即比对两次,有以下两种方式
multi-sample 2-pass
第一次比对和上述的用法一致,比对完之后,每个样本会产生一个intron的区间文件SJ.out.tab
; 在第二次比对之前,重新构建一次基因组的索引,添加所有样本的SJ.out.tab
文件,然后利用新的基因组索引重新比对。这种做法综合了多个样本的intron
信息,比对的灵敏度会更高,缺点是操作比较繁琐。
per-sample 2-pass
对于单个样本,在比对时直接添加--twopassMode Basic
参数,软件会自动进行两次比对,将第一次比对的SJ.out.tab
加入到索引,然后重新比对。这种方法操作简单,适用于单个样本的2-pass 比对。
更多参数和用法请参考官方文档。
·end·
—如果喜欢,快分享给你的朋友们吧—
扫描关注微信号,更多精彩内容等着你!