2017 SPARC Japan ワーキンググループキックオフミーティング
Written by bonohu in misc on 水 21 6月 2017.
今年度(2017年度)も引き続き、国際学術情報流通基盤整備事業(SPARC Japan)のセミナー企画ワーキンググループのメンバーとして。そのキックオフミーティングで一ツ橋の国立情報学研究所へ。今年もSPARC JAPANセミナーの開催に貢献することに。
Category: misc
並列版 fastq-dump
Written by bonohu in misc on 火 20 6月 2017.
探したらやはりあった、並列版のfastq-dump。これはpythonによる実装でインストールがちょっと…。さらに探したら、身近にbashでのimplementationを公開している方がいたw。こちらのほうがインストールが楽じゃないかと。そういうわけで、
pfastq-dump --threads 8 --outdir fq/ DRR045547.sra
てな感じで。pfastq-dumpはcurrent directoryに一時ファイルを作る。HD上で実行するとそれはおそくなるかもしれないので、SSD上のどこか、たとえば/tmp/などを指定したら早くなるかもということで。< ペアエンドのファイルに対しては、以下の例のように--split-filesを指定。
pfastq-dump --threads 6 --outdir fq/ DRR068893.sra
--tmpdir /tmp/ --split-files
ベンチマーク取っていないのでどれぐらい早くなったかは現状不明。でもpbzip2と同じく、普段使うコマンドとしてfastq-dumpに置き換えて使っていくつもり。
HIF-1-mediated suppression of mitochondria electron transport chain function
Written by bonohu in misc on 月 19 6月 2017.
confers resistance to lidocaine-induced cell death wordpress_id: 3660 categories:
2006年3月にがんとハイポキシア研究会に初めて出てからすでに10年以上経ったが、ようやくこの研究会つながりの共同研究による論文(doi: 10.1038/s41598-017-03980-7)がpublish!詳しくはDBCLSニュースおよび関西医科大学のプレスリリースを参照。 がんとハイポキシア研究会で知り合ったさまざまな方に研究協力的な活動は細々としてきてはいたが、これまでは論文に貢献するまでには至らず。今回、SRAにあるリードの再利用データ解析というところでやっとそのレベルにまで到達。具体的には、SRAにあるRCC4細胞VHL+/-のRNA-seqデータを再解析して、実験データのsupport evidenceとした。詳しくはこちらを。初めてがんとハイポキシア研究会に参加した際、私の口頭発表の座長をしてくれたのが今回の論文のlast & corresponding authorなのは単なる偶然ではないだろう。 重要なのは、私がデータ解析を全て担当したわけでなく、DRY解析教本でRNA-seqデータ解析法を勉強してもらって実際にやっていただき、わからなかった点と最終的な可視化をコンサルした点。つまり、私がすべてのデータ解析から引き受けてやったわけではない。この種の共同研究スタイルならこちらは破綻せずスケールしそうなので、続けてやっていきたい …
道具の研磨
Written by bonohu in misc on 日 18 6月 2017.
日頃よく使う「道具」のメンテナンス。システム標準のだと効率が悪かったりするので。 このブログでも何回か出てきたgzipとbzip2の並列版、pigzとpbzip2が前の名前で呼び出しても使われるように/usr/local/binにリンク張ったり。
またGNUのtarをgtarではなく、tarという名前で使うやり方、 [shell] brew install -v gnu-tar --with-default-names [/shell] でtarも置き換えてしまったり。もちろん、rsyncも。 [shell] brew install -v rsync [/shell] ファイル操作は普段からよく使うので、「研いで」おきたい、ある程度は(これが重要)。
rsem-calculate-expression for human
Written by bonohu in misc on 金 16 6月 2017.
ようやく、RSEMの実行。bowtie2でだが、以下のコマンドで。 [shell] time rsem-calculate-expression -p 12 --paired-end --bowtie2 --bowtie2-path /usr/local/bin --estimate-rspd --append-names --output-genome-bam hoge_1.fq hoge_2.fq rsem-bowtie2/human rsem_out/hoge [/shell] -pに12設定したが意外に時間がかかった。
real 333m27.062s
user 1795m57.676s
sys 98m26.410s
実時間で約5時間半。そうでなかったらuser+sysで約31.5時間だから、並列化万歳といえよう。。
rsem-prepare-reference for human
Written by bonohu in misc on 木 15 6月 2017.
リファンレンスゲノムとGTFの両方Ensemblから調達。実行時点で最新のEnsembl89を使って検索用のリファレンス作成。 [shell] time rsem-prepare-reference --gtf Homo_sapiens.GRCh38.89.chr.gtf --bowtie2 --bowtie-path /usr/local/bin Homo_sapiens.GRCh38.dna.toplevel.fa rsem-bowtie2/human [/shell] 実行時間はわりとかかる。
2406.83s user 40.73s system 99% cpu 40:51.46 total
これと並行してやっていた実行するためのサンプル配列を取得して、FASTQをdumpして、トリミングするほうがずっと時間結構かかるという罠。
GFF2GTF
Written by bonohu in misc on 水 14 6月 2017.
RSEMを実行する際には、リファレンスを作成する必要がある。それをやるrsem-prepare-referenceコマンドは、GFF(version3)はダメで、GTFしか受け付けない模様。しかもこのGTFのチェックが厳しく、大文字小文字も区別するようだ。その辺を編集しないといけないGTFファイルもあったり。
GTFはGFFのversion2ということであるが、現在よく配布されているGFFはversion3のそれであることが多いようで、違うのである。そこでその変換スクリプトがないかなとググったら、やっぱりあった。
https://github.com/zachcp/ea-utils/blob/master/clipper/gff2gtf
このスクリプトで変換したもので実行するとうまくいった!
(後日談)EnsemblではGFF(version3)以外にGTFでも公開されていることにその直後に気づいた…。最初からこちらを使えばよかった…。
RSEM with bowtie2
Written by bonohu in misc on 火 13 6月 2017.
RSEM (RNA-Seq by Expectation-Maximization)は、内部からaligner programを呼び出して使うタイプの発現定量プログラム。 しっかりしたチュートリアルが用意されていて、それに従って実行。 まずはRSEMで使うリファレンスを準備。
1 2 3 4 5 | |
alignerとしてSTARも選べるが、ゲノム配列が発展途上の非モデル生物のゲノム配列ではSTARのindex作成がうまくいかなかった(メモリ不足になる)ため、今回はチュートリアル通り、bowtie2で。 そして、実行。
1 2 3 4 5 6 7 8 | |
MacPro不具合
Written by bonohu in misc on 月 12 6月 2017.
週末火を落として十分に冷却して見たものの、やはり起動が途中で止まる。そして、shiftを押しながら起動のセーフモードなら立ち上がるのだが、普通に立ち上がらないという状況。 いろいろ調べて見て知った起動時にDを押し続けると立ち上がるApple Hardware Testをやってみたが、とくに異常なし。 そういわけで、最終手段としてcommand + R でリカバリーモード起動して、再インストールしてみた。
MacPro起動せず
Written by bonohu in misc on 金 09 6月 2017.
計算途中に急に再起動がかかる。そして、再起動せず…。一回休みorz
transdecoderがコケる
Written by bonohu in misc on 木 08 6月 2017.
しばらくぶりにtransdecoderを実行したところ、TransDecoder.Predictコマンドでコケた。 エラーメッセージ曰く、
% TransDecoder.Predict -t Trinity.fasta
CMD: /usr/local/Cellar/transdecoder/3.0.1/libexec/util/get_top_longest_fasta_entries.pl Trinity.fasta.transdecoder_dir/longest_orfs.cds 5000 > Trinity.fasta.transdecoder_dir/longest_orfs.cds.top_longest_5000
CMD: /usr/local/opt/cd-hit/bin/cd-hit-est -r 1 -i Trinity.fasta.transdecoder_dir/longest_orfs …ゲノムリスト
Written by bonohu in misc on 水 07 6月 2017.
解読されたゲノムデータのDBとしては、Genome OnLine Database (GOLD)が有名だが、この種のデータの本家NCBIのそれもかなり充実しているのを先日の学会参加で知った。 Genome Listがそれ。Organism/Name以外に、Kingdom, Group, Subgroupのほか、(Genome) Size, Chr(染色体数), Organelles, Plasmidsの数のほか、Assemblyの数がメタデータとして表示されている。 各種メタデータでのsortがクリックだけで可能で、例えばヒトよりもゲノムサイズが大きな生物種はわずか数クリックでリストが得られ、しかも絞り込んだ結果をタブ区切りやコンマ区切りテキストでダウンロードできる。 さすがにその生物種の和名までは出ていないが…。
GATKのライセンス変更
Written by bonohu in misc on 火 06 6月 2017.
ちょっと前の話題になるが。GATKのバージョン4がGATKのブログで紹介された。それと同時に、GATK4 is completely open sourceというブログエントリもポストされ、GATKのラインセンスが変更となるようである。このポストのコメントを見る限り、商用でも有償ライセンスが不要になる模様。 ま、普通にアカデミアの研究で使っている人には変わりないわけであるが、オープンソースになったことでブラックボックス感が薄れ、また必要であれば自分で改変することも可能となる点では大きな変化である。Congratulations!
データベースを作るということ
Written by bonohu in misc on 土 03 6月 2017.
リトリートに参加してちょっと引っかかったことがあった。データベース(DB)を作るということに関する認識の違いである。 「DBを作る」というのは、おそらくこれまでのやり方では解釈できないぐらい多くのデータを集めたから、なのだろうが、それ自身が目的になってしまってはいないだろうか? そういったDBは、どう使うかを考えて作る場合とそうでない場合がある。後者のような場合には、そういったデータをインターネット上で公開したい、ということであろう。それならTogoDBを使えばできる。そのためにライフサイエンス統合データベースセンター(DBCLS)でこういったツールが作成され、サービスされているわけである。DBCLSはこのTogoDBのような研究開発を専門とするセンターであり、個別のDB作成を代行するセンターではない。 前者のような場合にはどう使うかを教えてくれないことも多い。まあ、そりゃそうだろうけど、それなのにどうしたらいいか教えてくれ的なことを言われたこともあり、大変困惑した経験がある。ひょっとしたら、独自の検索やかっこいいウェブサイトを作りたい、という意図もあるのかもしれない。はたまた、利用可能な公共DBとリンクしてマッシュアップしたコンテンツを、ということもあるだろう。それらを個別に考えるのまではさすがに難しい。2010年代の今は、そこまで含めて生命科学の研究であろう。 仮に作ったとしてもその後の更新はどうするのか?セキュリティ対策も継続してやっていかなければならない。つまり、基本引退するまでそのDBと付き合う覚悟が必要なわけである。生命科学系DBアーカイブというサービスがあり、スプレッドシート型のデータやそれに対応した画像データ等を永代供養してくれるサービスがある。ただ、この場合のDBはそれらの型が決まったデータであって、独自に作り込んだウェブサーバごと …
NIG retreat 2017 2日目
Written by bonohu in misc on 金 02 6月 2017.
引き続き。研究支援としてやっている事業に対して、事あるごとに説明して理解を深めてもらういいチャンスだった。やはり、「看板」として、論文をコンスタントに出しているのが効いている気がする。あと、DRY解析教本の執筆・監修やったのも地味に知られているっぽい。 ポスター発表に来てくれた人も前回より断然多く。そのほとんどが学生さん。あとで「あれが契機だった」という日が来るに違いない。
NIG retreat 2017 1日目
Written by bonohu in misc on 木 01 6月 2017.
帰国して次の朝から遺伝研リトリートへ。 情報発信していることは思っている以上に見られていることが判明(このブログもw)。もっと研究交流の余地があることもわかった。今日のdiscussionが今後のcollaborationにつなげられればいいな。
PAG ASIA 2017 3rd day
Written by bonohu in misc on 水 31 5月 2017.
最終日。やはり、来たら来ただけ、学ぶことがあった。PAG終了後同じホテルで開催された 2017 PacBio APAC User Group Meetingもフライトの時間の関係で最初だけしか出れなかったものの、いろいろと学ぶことだらけ。
学而時習之 不亦説乎
PAG ASIA 2017 2nd day
Written by bonohu in misc on 火 30 5月 2017.
海外なのに時差が全くないのは素晴らしい。シャワートイレだし、メシマズじゃないし。信号もそっくりだが、右側通行なので車にはぐれぐれも注意して。 そして、自分の発表が午後イチに。思ったよりも早めに終了してしまった感。DORとの連携を進めねば。
PAG ASIA 2017 1st day
Written by bonohu in misc on 月 29 5月 2017.
2017年国立遺伝学研究所 国際シンポジウム 最終日は研究者向けの英語での講演。その後、中座してNHDへ。実は今日から始まっているPAG ASIA 2017へ。 旅程も短く、油断しているのか、いつもは持って行くノイズキャンセリングヘッドホンを持ってくるの忘れていたり。油断しているわけではないのだが。締まっていかねば。
DDBJ 30周年記念シンポジウム
Written by bonohu in misc on 日 28 5月 2017.
2017年国立遺伝学研究所 国際シンポジウムとして、DDBJ 30周年記念シンポジウムが三島にて。 Janet ThorntonさんはBritish Airwaysのシステム障害のため、飛行機が飛ばず来れずにキャンセルとのことで残念だったが、Peer Borkさんのメタゲノムの話は大変参考になった。また、ヒトゲノム計画を牽引されて来た榊佳之先生の話は、現在の研究においても示唆を含む内容だった。
[「初期の自動車が馬のように上手に走れないから価値がないと言っているようなものだ。このレフェリーの評価の間違いは歴史が示すであろう」](https://twitter.com/bonohu/status/868691804811440128)
[研究費を獲得するための応援の「外圧」と判断した](https://twitter.com/bonohu/status/868695024136892417)
[“作成されたデータについては作成から24時間を基本として全て公開して全ての研究者が自由に利用できるようにするという項目を含む、バミューダ原則”](https://twitter.com/bonohu/status/868695964801875968)
とくに、みんなと画一的である必要はない、いろんなタイプの人が居ていい、という高校生へのメッセージは響いて欲しいな、と。また、我らが統合DBの高木利久先生による話は
[「DBは研究のインフラでありフロンティア」](https …
All-in-one 合同講習会 2017
Written by bonohu in misc on 土 27 5月 2017.
生命科学データベースの構築・管理・運営を担う
の4つの組織が連携して、ここ数年合同講習会を開催してきたのが、今回は三島での開催。自分は、それの統合TV撮影部隊として業務参加。
第一部は、前日まで行われていたINSDCメンバーのうち、NCBIの3人とEBIの1人が今日まで残ってくれて素晴らしい話をしてくれた。その感動したフレーズをtwitterで流した。
[データベースは学問のインフラ=公共基盤であり、普段無意識に使って居るが、使えなくなって初めて重要性に気がつく](https://twitter.com/bonohu/status/868321448359636992)
[全世界の科学研究のためにオープンデータ=科学情報の公開・共有を](https://twitter.com/bonohu/status/868322604322398208)
[あなたのデータの最もよい使い道は、あなた以外の他の誰かが思いつくかもしれない](https://twitter.com/bonohu/status/868332772896555008)
とくに追加説明はいらないだろう …
Spliced Transcripts Alignment to a Reference (STAR)
Written by bonohu in misc on 金 26 5月 2017.
また別のtranscript alignerのSpliced Transcripts Alignment to a Reference (STAR)によるgenome mappingを試してみた。まずは、STAR用のReference genomeのindex作成から。 [shell] time STAR --runThreadN 12 --runMode genomeGenerate --genomeDir genome4star --genomeFastaFiles hogenome.fa [/shell] メモリが足りないといわれたら、--limitGenomeGenerateRAM=3200000000のようなオプションを追加して。パラメータの渡し方が他とは違って=で指定しないといけないらしい。 そして、mapping本体は以下のように。 [shell] time STAR --runThreadN 24 --genomeDir genome4star --readFilesCommand pigz -dc --outFileNamePrefix hogenome --readFilesIn fuga_1.fq …
Genome-guided Trinity
Written by bonohu in misc on 木 25 5月 2017.
ゲノム配列も読んである場合に使えるGenome-guided Trinity De novo Transcriptome Assembly。まずは、TopHatやSTARなどでリードをゲノム配列マッピング(RNA用)して、その結果のBAMファイル(以下の例ではhogenome.bam)でde novo transcriptome assemblyを実行できる。 [shell] time Trinity --genome_guided_bam hogenome.bam --genome_guided_max_intron 10000 --max_memory 64G --CPU 24 [/shell]
SAMファイルをmerge?
Written by bonohu in misc on 水 24 5月 2017.
SAMファイルをmergeしてからBAMファイルに変換してsortしようとしたが。一度、BAMに変換してからsortするしかないのか? まず1ファイルづつ、SAM->BAM変換。 [shell] for f in .sam; do g="${f%.}" time samtools view -@ 4 -bS $f > $g.bam done [/shell] それらをmergeして、そのままsort。 [shell] time samtools merge -@ 4 - *.bam | time samtools sort -@ 4 -o merged.bam - [/shell] sortする際のtemporary領域を/tmp以下に指定した方がなおよいかも。具体的には-T /tmp/hogeのオプションををsortのコマンドに足す。
StringTie
Written by bonohu in misc on 火 23 5月 2017.
RNA-seqのためのtranscript assemblyとquantificationのプログラムStringTie。またオプションが変わっているかもしれんが、前に動かした時のそれ。 [shell] stringtie fuga.bam -p 4 -o fuga.gtf -G hogenome.gff -A fuga_abd.txt [/shell] -Gで指定しているhogenome.gffはGuideとなるreference annotation。-Aのそれがgene abundance estimation。-oでassembled transcriptsの出力を指定(GTFファイル)。
hisat2
Written by bonohu in misc on 月 22 5月 2017.
hisat2でreference genomeにmappingする場合。hisat2のウェブサイトにすでにindexずみのそれがある場合はしなくていいが、まずはindex作成。hisat2-buildコマンドにて。 [shell] hisat2-build -p 4 hogenome.fa hoge [/shell] そして、実際のmapping。 [shell] hisat2 -p 4 -x hoge -1 fuga_1.fastq -2 fuga_2.fastq -S fuga.sam [/shell] 出力はSAM形式であることに注意。
pip update
Written by bonohu in misc on 金 19 5月 2017.
pip updateコマンドはないので、pipで入れたパッケージのアップデートは以下のようにする。 [shell] pip3 list --outdated | awk '{print $1}' | xargs pip3 install -U [/shell] そろそろ、python3をデフォルトのpythonにして、version3系のpipをpip3と打たないで済むようにしたいところ。
ChIPデータのアノテーション
Written by bonohu in misc on 木 18 5月 2017.
近頃はChromatin ImmunoPrecipitation(ChIP)データの再利用がしやすくなっている。それらのデータをアノテーションしているDBとして、UCSC Genome BrowserのTrackにも入っているthe Open Regulatory Annotation database (ORegAnno)に注目していたが。現状temporalなページになっていて、だがデータはダウンロードできる状況。そのうち、復活するのだろうか?
SPARQLthon56 day2
Written by bonohu in misc on 火 16 5月 2017.
統合TVのコンテンツ(.movファイル)だけでなく、Togo Picture Galleryのコンテンツも生命科学系データベースアーカイブに移行。統合TV関連コンテンツの完全クラウド化が実現した。そしてついに、この日を持ってtdiary版統合TVウェブインターフェースが廃止となった。「togotv+キーワード」でググった時にそちらが優先的に出るのがずっと気になっていたのだが、今回の廃止でついに現在の三代目インターフェースに統一されることに。関係者の皆さん、おつかれさまでした! AOEの更新は結局終わらず、継続課題に。
SPARQLthon56 day1
Written by bonohu in misc on 月 15 5月 2017.
AOEの追加機能の計算をpythonでやろうとするが、データがでかすぎて思うようにできず。できる手段を探しつつ、データをまとめて減らすことも検討。 メタデータの仕様に変更があったようで、それの原因究明。やはり、これまで取れていたメタデータがなくなっている。どこからそれを取ってくるか、要検討。
転置するUNIXコマンド
Written by bonohu in misc on 金 12 5月 2017.
きっとあるだろうと思ったら、やっぱりググって出て来たこのページを参考に。 transposeというコマンドもあるらしいが、ここは手堅くawkで。とおもったら、メモリ不足で途中でkillされた。以下のdatamashコマンドを使うやり方だと数万x数十万の行列の転置が(少々かかったが)できた。 [shell] brew install -v datamash datamash transpose < matrix.txt > transposed.txt [/shell] いよいよpythonでのコーディング覚醒の悪寒。
みんなのPython勉強会#24
Written by bonohu in misc on 水 10 5月 2017.
みんなのPython勉強会に参加してきた。今回、奇しくも第24回目。月1回なので、ちょうど丸2年ということだった。 内容的にはそれぞれの方の会社で開発されているツールやそれにまつわる周辺情報。この種の会への参加が久しぶりだったので、勉強になったし、新鮮だった。
Mishima.syk#10開催打ち合わせ
Written by bonohu in misc on 月 08 5月 2017.
Mishima.syk開催打ち合わせで、三島広小路のあの店へ。その際の写真はこちらに。個人的には、生姜まみれのホタルイカが圧巻だった。次回はついに10回目のMishima.syk。いろんな意味で期待。
ぶらっとBLAT
Written by bonohu in misc on 日 07 5月 2017.
BLATはThe BLAST Like Alignment Toolで、UCSC Genome Browser のサイトにあるリファレンスゲノム配列に特化した配列類似性というか配列マッピングツールである。ゲノムランディングツールとも呼ばれる。だが、商用利用にはライセンスが必要なためか、便利なのだが広まっていない。そういうツールだからHomebrewにはまさか入っていないだろう、と。 ぶらっと [shell] brew install -v blat [/shell] してみたら、インストールが始まった…。商用でなければアカデミア、非商用、個人利用はライセンスいらない模様。ちなみに [shell] blat refgenome.fa query.fa output.psl [/shell] という感じで使い、出力はPSL形式で<kbd.output.pslに。BWAやbowtie、BLASTのように実行前に特別なindexingは必要ない。
ゲゲゲのゲノム
Written by bonohu in misc on 土 06 5月 2017.
配列パターン検索はリファレンスゲノム中に探すのであれば、ゲゲゲのゲノムことGGGenomeでやるのが手っ取り早い。ゲノム中で一気に探しておいて、その領域がどういった場所であったかは後で絞り込むというやり方で。 AGGTCANNNTGACCTというパターンに一塩基ミスマッチを許してヒトリファレンスゲノム(hg38)中に探すのであれば、以下のURLで。
<a href="http://gggenome.dbcls.jp/hg38/1/AGGTCANNNTGACCT" target="_blank">http://gggenome.dbcls.jp/hg38/1/AGGTCANNNTGACCT</a>
また、この結果を大量取得するには。例えばGFF3で保存するときにはURLの最後に.gffをつければGFF3形式で保存できる。 [shell] curl -O http://gggenome.dbcls.jp/hg38/1/AGGTCANNNTGACCT.gff [/shell] てな具合に。結果はカレントディレクトリにAGGTCANNNTGACCT.gffというファイル名で。GFF3形式の他に、単なるテキスト(txt …
曖昧配列パターン検索
Written by bonohu in misc on 金 05 5月 2017.
配列パターン検索はUNIX的にはgrepでできるが、バイオな配列に対してだと、パターン中に改行が入った場合やヘッダ行中の「誤爆」を防ぎたい。さらには、いくつかのミスマッチも許容するには、EMBOSSパッケージのfuzznuc(塩基配列)やfuzzpro(タンパク質配列)を使えばよい。例えば、1塩基のミスマッチまで許して、AGGTCAというパターンをFASTA形式のファイルhoge.faに探す際には以下のようにする。 [shell] fuzznuc -sequence hoge.fa -pattern AGGTCA -pmismatch 1 -outfile hoge.fuzznuc [/shell] -pmismatchというオプションがキモ。
非モデル生物での転写因子結合サイト予測
Written by bonohu in misc on 木 04 5月 2017.
もちろん、ChIP-seqのデータがあればそれを利用すればいいのだが、多くの場合そういったデータのない非モデル生物種では、転写因子の結合の有無を調べるのに、転写因子結合サイトを予測する。 TRANSFACがそのデータベースとして老舗だが、有料になっている。 しばらくフォローしてなかったけど、JASPARが良くなっている。JASPAR CORE databaseとしてVertebrata, Nematoda, Insecta, Plantae, Fungiと生物グループごとにセットが分けられていて便利になっている。それ自体は狭山茶やっていた10年前に比べて増えているが、予測法自体は変わってない模様で、やはり閾値は自分で決めないといけないのと、生物学的にはfalse positiveが多い。
UTRの抽出
Written by bonohu in misc on 水 03 5月 2017.
モデル生物ではきっちりアノテーションがなされ、UTR(UnTranslated Region)の配列抽出とか、EnsemblのBiomartを使えば簡単にできる。Ensemblにない生物種でも、Ensembl Genomesのそれを使えば良いのであるが、こちらの場合生物種によってはUTRのアノテーションがなくて抽出できないことがある(あった)。アノテーションがきっちりなされていない非モデル生物のUTRの配列抽出は大変である。 しかしながら、簡単にやる方法があった。それなりにdeepなRNA-seqデータがある場合に、であるが。それはTrinityによるde novo transcript assemblyとその結果を元にOpen Reading Frame(ORF)を予測するTransdecoderによるアノテーションを利用するというものである。Transdecoderを実行(過去のブログエントリ参照)した後に出て来る結果のGFF3形式の出力をBEDファイルとして保存して、それを元に部分配列抽出する。 [shell] grep UTR Trinity.fasta.transdecoder.gff3 > UTR.gff3 bedtools getfasta -fi Trinity.fasta -bed UTR.gff3 -fo UTR.fasta …
samtools indexも並列化
Written by bonohu in misc on 火 02 5月 2017.
割とすぐに終わるからこれまで特に気にしていなかったが。調べてみたら、やはりsamtools indexもスレッドオプションがあった。他のコマンドと同じで-@のあとに上限スレッド数を指定する。この例の場合、4。 [shell] for f in *.bam; do samtools index -@ 4 $f done [/shell] 並列化の効果あって、結果が得られるのが早くなった。「indexがない！」と別のアプリケーション(例えば、IGV)で怒られてindexを作ることが多いので、早く返ってくるのは嬉しいかと。最初から作っとけよ、という話もないではないが…。 複数のファイルを引数指定できるといいのだが、上述のように書けば済む話なのでよしとする。
samtools merge の並列化と sort へのパイプライン処理
Written by bonohu in misc on 月 01 5月 2017.
今日から5月。絶好のデータ解析日和ということで(^_^)。 TopHatの結果を処理するコマンドは以前はやっつけでinteractiveに処理していたが、バッチ化というか並列化というか。中間ファイルがかさばるのでパイプライン処理して一気にsortされたファイルだけを出力しようということで先日覚えた-(マイナス)オプションの練習がてら。 状況としては、TopHatの結果のBAMファイルがhoge1,hoge2,hoge3のようなディレクトリの中にaccepted_hits.bamというファイルで入っているのが前提で、そのディレクトリがあるところと同じ階層にhoge.bamというファイル名で新規のソートされたBAMファイルを作成する。
1 2 3 4 5 6 | |
というスクリプトをsamtools-merge_sort.shという名前で保存して、 [shell] sh samtools-merge_sort.sh …
BAMからCRAMへのバッチ変換
Written by bonohu in misc on 金 28 4月 2017.
ファイル変換weekになってしまったので、BAMからCRAMへのバッチスクリプトも紹介しておく。 SAMBAM変換とは異なり、リファレンスゲノム配列が必要で、それは各環境で違う場所にあると思うので、それは自分の環境のそれを指定しないといけないことに注意。
1 2 3 4 5 6 7 8 | |
上記のスクリプト(bam2cram.shとする)を、BAMファイルの置いてあるディレクトリに移動してから、実行する …
SAMからBAMへのバッチ変換
Written by bonohu in misc on 木 27 4月 2017.
SAMからBAMに変換して、そのまま中間ファイルを作らずにBAMをソートする。それをバッチで処理するには。 SAMファイルの置いてあるディレクトリに移動(cd)してから、以下のようなスクリプトを実行。
1 2 3 4 5 6 7 8 | |
samtoolsの行の一番最後の-(マイナス記号)がポイント。これが標準入力から入力を受けることを示すコマンドで …
FAST5からFASTQへの変換
Written by bonohu in misc on 水 26 4月 2017.
現在お世話になっている研究所でOxford Nanopore Technologies のセミナーがあり、参加させていただいた。 大変興味深く聞かせてもらったが、MinIONからの塩基配列データはFAST5という形式で出てくるらしい。そのFAST5から、一般によく使われる配列フォーマットFASTQへの変換をするには、poretoolsというのを使えばよい、となかのひとに教えてもらった。そのporetoolsはやはりHomebrewにあって、 [shell] brew install -v poretools [/shell] でインストールできる。 Usage examplesにあるように [shell] poretools fastq test_data/*.fast5 [/shell] で変換可能。
Quanto論文
Written by bonohu in misc on 火 25 4月 2017.
ぼうのブログによると、2009年の7月29日に初めてDBCLSに来てくれた当時M1の学生さんだった。その後、Research Assistantとして統合牧場でUNIXとしてのMacの使い方を身につけ、そして学んだことをブログや統合TVとしてまとめてくれた。その後、そのままDBCLSに残ってくれて、後輩RAの指導、ときには自ら統合TVのコンテンツとなり、統合DBプロジェクトを盛り上げる一方、Sequence Read ArchiveのデータをFastQCで計算してその結果を可視化する、というプロジェクトに挑み、それを論文という形にすべく頑張ってくれた。 そして本日、ついに筆頭著者論文をpublish。おめでとう!今後、ますますの活躍を期待しています。
満を持して
Written by bonohu in misc on 月 24 4月 2017.
ついにこの日がやってきた。各所に働きかけた末に。
That's one small step for (a) man, one giant leap for mankind.
ただの盛り上がったミーティングに過ぎないと思われるが、実はそうでない。 これから快進撃が続くことは、すべて「ゼーレのシナリオ通り」なのである。
背水の陣
Written by bonohu in misc on 金 21 4月 2017.
配列データ解析、頑張らないと。それを後押しする事象発生。折しもそれ関連の計算を始めていたのは、虫が知らせたか?自分自身の解析からそういうのが見つけられるかどうか、正念場。しまっていこう。
CRAMによる圧縮効率
Written by bonohu in misc on 木 20 4月 2017.
昨日のエントリの続きで、複数のBAMファイルをCRAMに変換し、そのサイズを比べてみた。
それぞれのファイルサイズを同一行に来るように1行ごとにデータを作って(cram.txtとbam.txt)、その圧縮率をちゃらっとawkで計算。 [shell] paste cram.txt bam.txt | awk '{ print $1,$2, $1/$2 }' [/shell] 結果が以下の通り。見ての通り、3カラム目がその圧縮率となる。
5660626395 9438014937 0.599769
4654129817 7896095631 0.589422
5087289649 8493424101 0.598968
5002310872 8382697420 0.596742
4117487398 7031097146 0.585611
4507556734 7565563208 0.595799
502823996 …BAMからCRAMへの変換、そしてその逆
Written by bonohu in misc on 火 18 4月 2017.
BAMからCRAMへの変換を試してみた。samtoolsを使えば良いだけの模様。 [shell] samtools view -@ 4 -T hogenome.fa -C -o hoge.cram hoge.bam [/shell] 3,091,833,154byteあったファイルサイズが、2,325,565,061byteに。約75%になったとは、すごい!CPU時間的には
263.48s user 45.58s system 205% cpu 2:30.72 total
複数CPUを指定効果もあったようだ。これぐらいの時間なら普段はCRAMにしておいて使うときだけBAMというのが実現可能か?
また、逆にCRAMからBAMへの変換もsamtoolsで。 [shell] samtools view -@ 4 -T …
アクセッション番号すら諸行無常
Written by bonohu in misc on 火 18 4月 2017.
dottupの説明を書くため、EMBOSSのチュートリアルを見ていたら、XL23808というアクセッション番号の配列が使われていた。チュートリアルに出ている配列だし、自分もこれで例を作ろうと、これが何かをDDBJ/ENA/GenBankで検索しても、ググっても出てこない。 別ページにあったFASTA形式のファイルのヘッダにある機能アノテーション情報
Xenopus laevis rhodopsin gene, complete cds.
からググって解決。なんと、IDにもinsertionが入ってXLU23808になっていたというオチ。 そういえば、RefSeqも始まった当初から数字の部分の桁数が増えて、システムによっては異なる遺伝子がリンクされたりということがあったな。 諸行無常である。
春の心の嵐
Written by bonohu in misc on 月 17 4月 2017.
直接は被っていないものの、それでも学生委員会の同窓会で最近も何回か会った、同学年の同志の訃報。そんな私にも誕生日メッセージを送ってくるなど、私などは足下にも及ばない気配りの人でした。 またアウトリーチ活動に力を入れていた草の根研究者で、私の今の職場のような研究機関で働いていることをいいというばかりか、羨ましいとまで言ってくれた数少ない知己だった。 彼の分も、そっちも頑張ろう。自分がやれることから、微力だけれども。 お悔やみ申し上げます。