PacBio长序列纠错软件之LoRDEC

三代数据中错误主要是随机错误和Indel，一方面可以通过CCS、Arrow等三代内部自纠错，另一方面也可借助二代高通量短序列进行进一步纠错。目前已经有几款工具，本文主要介绍LoRDEC。

LORDEC官网

一、三代纠错软件

三代纠错软件

二、LoRDEC工作原理

（1）特点

用简洁的deBruijn图代表二代数据；比相似的软件快6倍，存储少93%

（2）原理

首先，利用准确度高的二代数据（NGS数据）构建简洁的de Bruijn Graph（DBG）；然后，依次对每条PacBio长读长Reads进行纠错。该软件使用C++语言编写，运行速度快，借助k-mer构建DBG图内存空间较小。

（3）步骤

1. 过滤掉weak的kmer；

2. 使用solid kmers构建DBG并通过GATB存储；

3. 依次将每条三代长读长序列遍历DBG进行纠错；

    3.1 序列内部纠错

        （1） 选取1对source、target solidkmer；

        （2） 通过source kmer 、target kmer和branch找到DBG里面的相应的路径；

        （3） 以最小编辑距离的原则，选取最优路径纠正错误区域；

        （4） 考虑到第一步过滤得到的solid序列仍有假阳性，故设定多对source、target solid kmer。

    3.2 序列头、尾纠错（Head/Tail）

        （1） 只有source kmer ，缺少target kmer；

        （2）通过source kmer在DBG上查找所有路径（直到branch太多或者是末节点）；

        （3）按照得分选取最优路径；

        （4）当内部错误找不到source、target solid kmer时，按照Head错误的方式进行纠错。

三、LoRDEC的使用

（1）下载

可以从官网直接下载最新版本： https://gite.lirmm.fr/lordec/lordec-releases/wikis/home，需要安装一些配套的资源，下载、安装均可参考其说明。

但也有整合好第三方支持的编译好的版本：http://gatb-tools.gforge.inria.fr/versions/bin/，我这里下载的是0.5.3版本。

（2）使用

    1. 校正PacBio reads

     lordec-correct -k 19 -s 3 -a 5 -2 NGS.fq -i  Iso.fa -T 4 -S statistics.txt -m 20G -o CorrectHQ.fa

      k-mer（-k）：小基因组设置为19； 大基因组设置为21；丰度阈值（-s）设置为2或3

    2. 统计

     lordec-stat -T 2 -a 5 -i Iso.fa -2 NGS.fq -k 19 -s 3 -S lordec_stat.txt

    3. trim校正后的PacBio序列

      lordec-trim -i CorrectHQ.fa -o lordec_trimmed_reads.fa

    4. trim和分割校正后的PacBio序列

      lordec-trim -i CorrectHQ.fa -o lordec_trimmed_reads.fa

    5. 建立和保存二代数据的DBG

     lordec-build-SR-graph -T 6 -m 20000 -a 5 -k 19 -s 3 -2 NGS.fq -g graph_file.txt

四、参考资料

[1] https://www.cnblogs.com/leezx/p/6098362.html

[2] http://www.atgc-montpellier.fr/lordec/

[3] https://doi.org/10.1093/bioinformatics/btu538