bedtools 使用小结

  • A+
所属分类:Genomics

概述

BEDTools是可用于genomic features的比较,相关操作及进行注释的工具。而genomic features通常使用Browser Extensible Data (BED) 或者 General Feature Format (GFF)文件表示,用UCSC Genome Browser进行可视化比较。

与BEDTools使用相关的基本概念

已有的一些genome features信息一般由BED格式或者GFF格式进行存储。
genome features: 功能元素(gene), 遗传多态性 (SNPs, INDELs, or structural variants), 已经由测序或者其他方法得到的注释信息,也可以是自定义的一些特征信息。
Overlapping/intersecting features: 两个genome features的区域至少有一个bp的共同片段。

BED和GFF文件的一个差异

BED文件中起始坐标为0,结束坐标至少是1,; GFF中起始坐标是1而结束坐标至少是1。

相关格式

BED format

BEDTools主要使用BED格式的前三列,BED可以最多有12列。BED格式的常用列描述如下:
chrom: 染色体信息, 如chr1, III, myCHrom, contig1112.23, 必须有
start: genome feature的起始位点,从0开始, 必须有
end: genome feature的终止位点,至少为1, 必须有
score: 可以是p值等等一些可以刻量化的数值信息
strands: 正反链信息

GFF format

seqname - name of the chromosome or scaffold; chromosome names can be given with or without the ‘chr’ prefix. Important note: the seqname must be one used within Ensembl, i.e. a standard chromosome name or an Ensembl identifier such as a scaffold ID, without any additional content such as species or assembly. See the example GFF output below.

source - name of the program that generated this feature, or the data source (database or project name)

feature - feature type name, e.g. Gene, Variation, Similarity

start - Start position of the feature, with sequence numbering starting at 1.end - End position of the feature, with sequence numbering starting at 1.

score - A floating point value.strand - defined as + (forward) or - (reverse).

frame - One of ‘0’, ‘1’ or ‘2’. ‘0’ indicates that the first base of the feature is the first base of a codon, ‘1’ that the second base is the first base of a codon, and so on..

attribute - A semicolon-separated list of tag-value pairs, providing additional information about each feature.

See more from http://www.ensembl.org/info/website/upload/gff.html

genome files

BEDTools中的一些工具(genomeCoverageBed, complementBed, slopBed)需要物种的染色体大小的信息,genome file一般就是每行都是tab隔开,两列,一列为染色体的名字,第二列为这个染色体的大小。一般常用物种的genome file在BEDTools安装目录的/genome里面
自定义基因组genome files文件生成方法见我的另一篇博文:批量求fasta格式序列长度

BEDTools使用总结

intersect/intersectBed:计算 Overlaps

用来求两个BED或者BAM文件中的overlap,overlap可以进行自定义是整个genome features的overlap还是局部。

默认的结果描述如下图:
bedtools 使用小结

加-wa参数可以报告出原始的在A文件中的feature, 如下图
bedtools 使用小结

加-wb参数可以报告出原始的在B文件中的feature, 加-c参数可以报告出两个文件中的overlap的feature的数量。

当用bedtools intersect 处理大文件时比较耗内存,有效的方法是对A和B文件按照染色体名字(chromosome)和位置(position)排序(sort -k1,1 -k2,2n),然后用-sorted参数重新intersect。

其他参数:

-wo 返回overlap碱基数

-v 返回非overlap区间

-s 相同链上的feature

-c 两个文件中的overlap的feature的数量

complement:返回基因组非覆盖区

Slop:增加特征区间大小

要求:单个输入bed文件(-i指定)和genome files


-l 3 -r 5:增加左3右5

flank:提取特定区域(启动子区)

要求:基因组GTF文件(-i指定)和genome files


getfasta:提取序列

要求:基因组fasta文件(-fi指定)和提取区间GTF文件(-bed指定)


-tab Report extract sequences in a tab-delimited format instead of in FASTA format.

提取序列之samtools(速度较快)


nuc: 计算GC含量即各碱基数


输出结果解释:在原bed文件每行结尾增加以下几列


genomecov:染色体和全基因组覆盖度计算

要求:单个输入bed文件(-i指定)和genome files;如果输入为bam(-ibam指定)文件,则不需要genome files。


 

  • ranges-cov.bed文件需提前排序sort -k1,1 ranges-cov.bed > ranges-cov-sorted.bed
  • -bg参数可得到每个碱基的覆盖度。

 

coverage:计算染色体给定区间覆盖度


贡献来源

http://www.plob.org/2012/09/26/3748.html

http://bedtools.readthedocs.org/en/latest/content/bedtools-suite.html

https://code.google.com/archive/p/bedtools/wikis/Usage.wiki

https://code.google.com/archive/p/bedtools/wikis/UsageAdvanced.wiki

 

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen:

目前评论:1   其中:访客  1   博主  0

    • kingsire kingsire 0

      赞,学习了~