FASTQ/A file からシーケンスアダプター配列やプライマー配列を除くためのプログラムをまとめてみる。

まず、配列の除去には大別して2つの方向性がある。ひとつは、アダプター配列を含む「リード」を除いてしまう方法。もうひとつは除きたい配列をリードからトリムする方法である。後者のほうが有効リードが増えるメリットが、綺麗に除ききれない場合は、ゲノムへのマップ率が下がる。

気をつける点としては、アダプター/プライマーの reverse complement を検索するかどうか。paired end の際には大事になる。クオリティでトリムできるものや、Paired-end を考慮するものなどもある。アダプター/プライマー配列の文字列を引数として直接入力するものと、multi fasta 形式で指定できるももある。

From Evernote:

シーケンスアダプタ配列除去ツールまとめ

TagDust

http://genome.gsc.riken.jp/osc/english/software/src/nexalign-1.3.5.tgz

http://bioinformatics.oxfordjournals.org/content/25/21/2839.full

インストール:

curl -O http://genome.gsc.riken.jp/osc/english/software/src/tagdust.tgztar zxvf tagdust.tgz

cd tagdust/

make

sudo make install

rehash

使いかた:

tagdust adapter.fasta input.fastq -fdr 0.05 -o output.clean.fastq -a output.artifactual.fastq

解説:

入出力形式は fastq/a が使える。リード全体を除く。速い。アダプター配列を fasta 形式で入力できるのが地味に便利で、これに対応しているものがなかなかない。Muth–Manber algorithm (Approximate multiple string search) を利用。FDRを指定できる。GPL3

FASTX_Toolkit (fastx_clipper)
http://hannonlab.cshl.edu/fastx_toolkit/

http://hannonlab.cshl.edu/fastx_toolkit/commandline.html#fastx_clipper_usage

インストール:
http://hannonlab.cshl.edu/fastx_toolkit/download.html からpre-compiled binary 版を落して、/usr/local/bin とかに入れるだけ。libgtextutils-0.6, PerlIO::gzip, GD::Graph::bars, gnuplot version 4.2 or newer が必要になるので入れておくこと。


(追記: 2012/03/22) CASAVA 1.8 で作成された FASTQ file の場合は、-Q 33 を指定すること。それ以前で illumina 1.3 より後の場合は、-Q 64 を指定する。


使いかた:

fastx_clipper -Q 33 -C -v -i input.fastq -a ACACTCTTTCCCTACACGACGCTGTTCCATCT -o output.fastq > input.fastq.log

解説:
short-read な FASTQ/A をいろいろいぢるツールのなかのひとつのコマンド。リード全体ではなくトリムをするプログラム。トリムしたい位置が決まっている場合は fastx_trimmer を使う。Galaxy に組み込み済み。ちなみにそれぞれのコマンドの動作は Galaxy 内の解説を読むのが一番わかりやすい。図とかあるし。

cutadapt

http://code.google.com/p/cutadapt/

インストール:

curl -O http://peak.telecommunity.com/dist/ez_setup.py

sudo easy_install cut adapt
rehash

使いかた:

cutadapt -a ACACTCTTTCCCTACACGACGCTGTTCCATCT -o output.fastq.gz input.fastq.gz

解説:

トリムができる。アウトプットとインプットファイルの順序を間違えると悲惨な目に>< input/output形式ともに fastq/a のいずれかが使える。gizzped でもよい。maq, bwa 形式での出力も可能。アダプタが3'末端へライゲーションすることを想定している。illumina, SOLiD の場合はそうなる。ただし、-b (--anywhere) を付けると、どの位置にあっても取り除く。アダプタ配列が部分的に存在する場合も取り除く。-e オプションでエラーレートを指定できる。Python で実装されている。Galaxy に組み込むときには、galaxy/ 以下に入れるだけ。MITライセンス。

Novaalign

http://www.novocraft.com/main/index.php

なんかライセンスめんどいので試してない


ほかにもあったら教えてくださいな。


追記:
暇があったら動かしてみる。

• clean_reads: http://bioinf.comav.upv.es/clean_reads/download.html
• ConDeTri: http://code.google.com/p/condetri/
• TagCleaner: http://tagcleaner.sourceforge.net/
• scythe: https://github.com/vsbuffalo/scythe (トリムできる。3'-end コンタミネーションだけ)
• Btrim: http://graphics.med.yale.edu/trim/
• Trimmomatic: http://www.usadellab.org/cms/index.php?page=trimmomatic (トリムする。reverse complement 配列を検索しない。Paired-end 対応でペアリングしてくれるので便利。サマリは標準出力に出るので注意すること。)