无参转录组序列组装 — Trinity
转录组分析策略
转录组分析策略根据有无参考转录组可以分为两类:
-
有参
- 比对—定量—差异分析—功能富集分析等
-
无参
- 组装—定量—差异分析—功能富集分析等
无参考转录组序列组装—Trinity概述
其中Trinity 是无参考转录组从头组装转录组的常用软件,且trinity的使用文档非常详细,整合的内容非常完整,包括从组装,比对,定量到差异分析等。因此有大神也推荐Trinity可作为初学者了解熟悉转录组分析流程的入门和进阶学习文档。
Trinity通过有秩序的对大规模的RNA-seq Reads数据进行读取,高效的完成转录组的组装,包含三个独立的软件模块:
- Inchworm (虫)(C++)
- Chrysalis (蛹)(C++)
- Butterfly (蝶)(Java)
Trinity组装原理
Trinity组装依据的算法是de Bruijn Graph,即从打断的文库中提取一定长度的K-mer,然后根据k-1错位相似的方法拼接组装的可能路径,最终确定完整的参考组装转录组。
Trinity根据该原理,将主要操作步骤分为3个模块,分别形象的命名为虫,蛹,蝶:
- 序列延伸 (inchworm) ——虫
- 将 reads切为 k-mers (k bp长度的短片段)
- 利用Overlap关系对k-mers进行延伸 (贪婪算法)
- 输出所有的序列 (“contigs”)
- 构建 de Bruijn graph (chrysalis)——蛹
- 聚类所有相似区域大于k-1bp的 contigs
- 构图 (区分不同的 “components”)
- 将reads比对回 components,进行验证
- 解图,列举转录本 (butterfly)——蝶
- 拆分graph 为线性序列
-
使用reads以及 pairs关系消除错误序列
Trinity 组装流程
Trinity组装流程主要包括以下几个步骤:
- 组装前数据的质控
- 组装
- 组装质量的评估
- 下游分析
- 差异分析
- 富集分析
-
功能分析
STEP0: 准备工作
- 所有培训数据路径
cd /home/tech/NGS-example/
ll
- Trinity数据路径
cd /home/tech/NGS-example/Trinity-example
ll
- 复制原始数据到个人目录
cp -r /home/tech/NGS-example/Trinity-example/RNASEQ_data/ ./
$ls RNASEQ_data/
Sp_ds.left.fq.gz Sp_hs.left.fq.gz Sp_log.left.fq.gz Sp_plat.left.fq.gz
Sp_ds.right.fq.gz Sp_hs.right.fq.gz Sp_log.right.fq.gz Sp_plat.right.fq.gz
STEP1: 组装前质控
fatqc——trimmamatic等去除低质量的reads等
STEP2: 组装
Trinity 基本命令的含义:
-
--seqType
: [fa/fq] 原始数据的格式,可以是fasta或fastq,可以是.gz或不是 -
--left/--right
:针对双端测序,如果是同一样本不同时期的多个文件,可以中间以逗号分隔,没有空格。 -
--single
: 针对单端测序 -
--SS_lib_type
:[RF]—双端链特异测序; -
--output
:输出文件,命名必须带Trinity -
--CPU
:组装使用CPU个数 -
--max_memory
:组装所需内存(eg:10G)
## my_trinity_script.sh
#!/bin/bash
/software/trinityrnaseq-2.2.0/Trinity --seqType fq \
--left RNASEQ_data/Sp_ds.left.fq.gz,RNASEQ_data/Sp_hs.left.fq.gz,RNASEQ_data/Sp_log.left.fq.gz,RNASEQ_data/Sp_plat.left.fq.gz \
--right RNASEQ_data/Sp_ds.right.fq.gz,RNASEQ_data/Sp_hs.right.fq.gz,RNASEQ_data/Sp_log.right.fq.gz,RNASEQ_data/Sp_plat.right.fq.gz \
--CPU 1 \
--max_memory 1G
nohup my_trinity_script.sh>& my_trinity_script.log &
trinity组装结果
会自动生成Trinity_out_dir, 其中Trinity.fasta即组装的初步结果
image组装结果统计
/software/trinityrnaseq-2.2.0/util/TrinityStats.pl trinity_out_dir/Trinity.fasta > ./trinity_out_dir/assembly_report.txt
![image](https://img.haomeiwen.com/i8242255/23e540035140a649.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
STEP3: 组装后质量评估
组装质量评估标准
-
Unigene数量
-
N50
-
比对率--比对率大于80%
-
注释比率--物种近缘性良好CDS序列相对完整60%以上
-
核心蛋白比对率--真核生物中存在一些高度保守区域所编码的蛋白(2748/80%以上)
组装完整性
-
N50长度,可以初步评估,但不是越长越好,对应物种考虑
-
通过统计Unigene对近缘物种基因覆盖度分布
组装准确性
- 组装长度会影响定量的准确性
后续定量准确性
组装冗余度
-
影响定量准确性的最大因素:冗余
-
冗余:组装出的Unigene的数量大大超过基因数;
-
冗余的来源:(1)可变剪切;(2)测序错误引入的“新” 转录本;
-
冗余的最大影响:导致多重比对,给定量带来困难
-
减少冗余策略
(1)去除低质量的reads;(2)是否有外援污染;(3)使用Normalization参数,降低高丰度基因的reads数据,同时提高组装效率;(4) 后续序列聚类或过滤 -
去冗余方法
(1)筛选同一基因的最长转录本作为unigene
(2)软件:TGICL、CAP3通过聚类筛选unigene
# 1.提取最长转录本
/software/trinityrnaseq-2.2.0/util/misc/get_longest_isoform_seq_per_trinity_gene.pl \
./trinity_out_dir/Trinity.fasta > ./trinity_out_dir/unigene1.fasta
# 2.软件聚类去冗余
cd-hit-est -i ./trinity_out_dir/Trinity.fasta -o output-cdhit -T 1 -M 1000
# unigene长度分布
perl /software/trinityrnaseq-2.2.0/util/misc/fasta_seq_length.pl ./trinity_out_dir/Trinity.fasta > ./trinity_out_dir/length.txt
#R画图
data <- read.table("length.txt",header=T)
data[,2][which(as.numeric(data[,2])>=2000)]<-2000
library(ggplot2)
pdf("length_distribution.pdf",height=7,width=10)
ggplot(as.data.frame(data), aes(x = as.numeric(data[,2])))+geom_histogram(binwidth =100)+
xlab("Transcripts Length Interval")+
ylab("Number ofTranscripts")+
labs(title="Transcripts Length Distribution")+
scale_x_continuous(breaks=seq(100,2000,by=100),
labels=c("100","200","300","400","500","600","700","800","900","1000","1100","1200","1
300","1400","1500","1600","1700","1800","1900",">=2000"))
dev.off()
Trinity组装后下游分析
STEP4: 定量:比对和丰度计算
利用RSEM进行丰度估计,
image# 比对reads评估表达量(每个样品运行一次)
# Sp_log
/software/trinityrnaseq-2.2.0/util/align_and_estimate_abundance.pl \
--transcripts ./trinity_out_dir/unigene1.fasta --seqType fq \
--left RNASEQ_data/Sp_log.left.fq.gz --right RNASEQ_data/Sp_log.right.fq.gz \
--est_method RSEM --aln_method bowtie --trinity_mode --prep_reference \
--output_dir rsem_Sp_log_outdir
# Sp_ds
/software/trinityrnaseq-2.2.0/util/align_and_estimate_abundance.pl \
--transcripts ./trinity_out_dir/unigene1.fasta --seqType fq \
--left RNASEQ_data/Sp_ds.left.fq.gz --right RNASEQ_data/Sp_ds.right.fq.gz \
--est_method RSEM --aln_method bowtie --trinity_mode --prep_reference \
--output_dir rsem_Sp_ds_outdir
# Sp_hs
/software/trinityrnaseq-2.2.0/util/align_and_estimate_abundance.pl \
--transcripts ./trinity_out_dir/unigene1.fasta --seqType fq \
--left RNASEQ_data/Sp_hs.left.fq.gz --right RNASEQ_data/Sp_hs.right.fq.gz \
--est_method RSEM --aln_method bowtie --trinity_mode --prep_reference \
--output_dir rsem_Sp_hs_outdir
# Sp_plat
/software/trinityrnaseq-2.2.0/util/align_and_estimate_abundance.pl \
--transcripts ./trinity_out_dir/unigene1.fasta --seqType fq \
--left RNASEQ_data/Sp_plat.left.fq.gz --right RNASEQ_data/Sp_plat.right.fq.gz \
--est_method RSEM --aln_method bowtie --trinity_mode --prep_reference \
--output_dir rsem_Sp_plat_outdir
-
参数含义:
-
--aln_method
: 默认是bowtie -
--est_method
:丰度评估方法,默认是RSEM,更准确,也可选择eXpress
, 更快和所需RAM少 -
--trinity_mode
: 参考文件来自trinity,如果不是需要一个gene-isoform 比对文件--gene_trans_map
-
-
输出结果
image
查看mapping结果
# ds
perl /software/trinityrnaseq-2.2.0/util/SAM_nameSorted_to_uniq_count_stats.pl rsem_Sp_ds_outdir/bowtie.bam > rsem_Sp_ds_outdir/mapping.out
STEP5: 差异分析
创建数量矩阵
/software/trinityrnaseq-2.2.0/util/abundance_estimates_to_matrix.pl \
--est_method RSEM \
--out_prefix Trinity_trans \
rsem_Sp_ds_outdir/ds_RSEM.isoforms.results \
rsem_Sp_hs_outdir/hs_RSEM.isoforms.results \
rsem_Sp_log_outdir/log_RSEM.isoforms.results \
rsem_Sp_plat_outdir/plat_RSEM.isoforms.results
无生物学重复进行差异表达分析
/software/trinityrnaseq-2.2.0/Analysis/DifferentialExpression/run_DE_analysis.pl \
--matrix trinity_trans.matrix/Trinity_trans.counts.matrix \
--dispersion 0.1 --method edgeR \
--output edgeR
查看差异数
sed '1,1d' edgeR/Trinity_trans.counts.matrix.ds_RSEM_vs_hs_RSEM.edgeR.DE_results | awk '{ if ($5 <= 0.05) print;}' > edgeR/ds_hs_DE_num
sed '1,1d' edgeR/Trinity_trans.counts.matrix.ds_RSEM_vs_log_RSEM.edgeR.DE_results | awk '{ if ($5 <= 0.05) print;}' > edgeR/ds_log_DE_num
sed '1,1d' edgeR/Trinity_trans.counts.matrix.ds_RSEM_vs_plat_RSEM.edgeR.DE_results | awk '{ if ($5 <= 0.05) print;}' > edgeR/ds_plat_DE_num
sed '1,1d' edgeR/Trinity_trans.counts.matrix.hs_RSEM_vs_log_RSEM.edgeR.DE_results | awk '{ if ($5 <= 0.05) print;}' > edgeR/hs_log_DE_num
sed '1,1d' edgeR/Trinity_trans.counts.matrix.hs_RSEM_vs_plat_RSEM.edgeR.DE_results | awk '{ if ($5 <= 0.05) print;}' > edgeR/hs_plat_DE_num
sed '1,1d' edgeR/Trinity_trans.counts.matrix.log_RSEM_vs_plat_RSEM.edgeR.DE_results | awk '{ if ($5 <= 0.05) print;}' > edgeR/log_plat_DE_num
STEP6: 聚类/网络分析
提取差异表达的序列绘制热图
# 提取差异表达的序列绘制热图
cd edgeR/
/software/trinityrnaseq-2.2.0/Analysis/DifferentialExpression/analyze_diff_expr.pl \
--matrix ../trinity_trans.matrix/Trinity_trans.TMM.EXPR.matrix -P 1e-3 -C 2
# 根据聚类图提取子类
/software/trinityrnaseq-2.2.0/Analysis/DifferentialExpression/define_clusters_by_cutting_tree.pl \
--Ptree 60 -R diffExpr.P1e-3_C2.matrix.RData
根据聚类图提取子类
# 提取差异表达的序列绘制热图
cd edgeR/
/software/trinityrnaseq-2.2.0/Analysis/DifferentialExpression/analyze_diff_expr.pl \
--matrix ../trinity_trans.matrix/Trinity_trans.TMM.EXPR.matrix -P 1e-3 -C 2
# 根据聚类图提取子类
/software/trinityrnaseq-2.2.0/Analysis/DifferentialExpression/define_clusters_by_cutting_tree.pl \
--Ptree 60 -R diffExpr.P1e-3_C2.matrix.RData
STEP7: 功能注释和富集分析
使用TransDecoder-对trinity结果进行注释
1. 预测ORF (open-reading-frame) ( DNA -> protein sequence)
/software/TransDecoder/TransDecoder.LongOrfs -t trinity_out_dir/unigene1.fasta
#
/software/TransDecoder/TransDecoder.Predict -t trinity_out_dir/unigene1.fasta
2. 预测基因功能