gce基因组特征评估 2019-07-24

GCE下载安装

在Linux系统下，直接在下载链接ftp中下载安装。

GCE主要包含两个主程序：kmer_freq_hash，用于k-mer频数统计；gce，用于基因组特征评估。

gce，基因组特征评估

可首先使用“gce -h”查看参数。

其中，常用参数选项说明：

-f，k-mer频数统计表；

-c，k-mer频数统计结果的“主峰”对应的频数，即k-mer曲线的主峰所对应的横坐标；

-g，k-mer片段总数，缺省时默认使用输入k-mer频数统计表文件计算k-mer总数；

-b，数据是（1）否（0，默认）有bias；

-H，使用杂合模式（1），或者单倍体模式（0，默认）；

-m，估算模型的选择，离散型（0，默认）或连续型（1）；

-M，设定计算时所支持的最大k-mer频数，默认256；

-D，期望值精度，默认为 1；若-m参数选择1，推荐该值设定为8；

非杂合模式示例

此处使用上述得到的k-mer频数统计结果文件“test.freq.stat”进行基因组特征评估。

输入文件“test.freq.stat”，该文件中，峰值对应k-mer频数等于58的位置，不再指定k-mer片段总数而是默认使用输入k-mer频数统计表文件计算k-mer总数，已知该物种基因组为单倍体，故不使用杂合模式，使用连续型估算模型且期望值精度设定为8，设置计算时所支持的最大k-mer频数256（若k-mer频数表由kmer_freq_hash得到，则可缺省，非kmer_freq_hash所得结果一定要设置该参数）。

程序运行完毕得到结果文件“test.gce.stat”和“test.gce.log”。

“test.gce.stat”为中间计算结果输出，一般情况下无需关注。

“test.gce.log”为程序运行的日志文件，同时记录了物种基因组特征评估结果。评估统计结果同样在该文件的最下方，

raw_peak，k-mer频数统计结果的“主峰”频数；

now_node，k-mer的种类数；

low_kmer，低覆盖度的k-mer数；

now_kmer，过滤低覆盖度的k-mer数后的k-mer总数；

cvg，估算出的测序平均深度；

genome_size，估算出的基因组大小，genome_size = now_kmer / cvg ；

a[1]，仅出现1次的k-mer种类数占k-mer种类数总数的比值；

b[1]，仅出现1次的k-mer片段数量占k-mer片段总数量的比值；该值可用于表征基因组中拷贝数为1的序列比例，则1-b[1]可认定为重复序列比例。

杂合模式示例

若测序物种的基因组高杂合（如通过k-mer曲线判断，例如曲线中存在杂合峰），我们可考虑运行杂合模式，此时相较于非杂合模式的运行结果会更佳。当然，若测序物种的基因组仅为简单基因组（无杂合），则是不能使用杂合模式运行的，强行运行杂合模式结果将相当不可靠。

此处继续使用上述得到的k-mer频数统计结果文件“test.freq.stat”进行基因组特征评估。虽然该测序物种的k-mer曲线显示其为单倍体，不可以使用杂合模式；但此处作为示例主要演示软件的使用，因此请无需在意该操作的正确性。

输入文件“test.freq.stat”，同上述，该文件中峰值对应k-mer频数等于58的位置，不再指定k-mer片段总数而是默认使用输入k-mer频数统计表文件计算k-mer总数，此处使用杂合模式，并使用连续型估算模型且期望值精度设定为8，设置计算时所支持的最大k-mer频数256（若k-mer频数表由kmer_freq_hash得到，则可缺省，非kmer_freq_hash所得结果一定要设置该参数）。

与上述结果一致，程序运行完毕得到结果文件“test.gce.stat”和“test.gce.log”。然后我们关注“test.gce.log”最下方的统计结果。

前面几项统计指标（raw_peak、now_node、genome_size等）是固定的，但统计结果与非杂合模式略有不同，需要注意。

此处多了杂合度评估结果，其中：

a[1/2]，杂合k-mer种类数占k-mer种类数总数的比值；此时，kmer-species heterozygous ratio = a[1/2] / ( 2- a[1/2])，杂合率 = kmer-species heterozygous ratio / k-mer长度（例如本示例中为17）；

b[1/2]，杂合k-mer片段数量占k-mer片段总数量的比值；此时，1-b[1]-b[1/2]可认定为重复序列比例。

结合其它K-mer分析工具一起使用

由于GCE的kmer_freq_hash程序统计k-mer频数时，支持的最大频数深度为225，出现次数大于255的k-mer数量会与出现次数等于255的k-mer数量合并，因此有时可能无法满足分析需求。因此，我们可以考虑将GCE结合其它k-mer分析工具一起使用。

如下示例，依然使用了本次的测试数据。首先使用JELLYFISH进行k-mer频数统计，之后将JELLYFISH的结果输入至GCE中，评估物种基因组大小、重复序列含量等信息。由于JELLYFISH支持最大k-mer频数为10000，因此我们可知，结合JELLYFISH（JELLYFISH+gce）一起分析的结果与只使用GCE（kmer_freq_hash+gce）分析的结果相比会更加准确。

其中，JELLYFISH使用说明可参见：http://blog.sciencenet.cn/blog-3406804-1161522.html

基因组特征最终评估结果如下所示。特别注意，由于JELLYFISH支持最大k-mer频数为10000，因此在此处的gce参数中，-M设定为10001。