
RagTag scaffold按参考同源关系排列和定向query序列。合适的参考应在物种、亲缘关系、倍性及组装质量上有依据,不能只选N50最大的文件。参考与样本存在真实倒位或易位时,强行顺从参考可能掩盖生物学差异;挂载结果需要独立证据支持。
一、先限定本次方法
本例仅运行scaffold,使用默认minimap2比对,不混入correct或patch。query FASTA应有唯一序列ID,并提前建立配套.fai。多组装清单至少保存assembly_id、query绝对路径、参考版本和哈希;每条任务使用新目录,先顺序通过一个组装,再按测得的总内存和磁盘开销安排并发。
| 选项或文件 | 本例含义 | 常见误用 |
|---|---|---|
| -t | 默认minimap2线程 | 自定义–mm2-params会覆盖它 |
| -u | 输出序列名统一追加_RagTag | 误以为只改未挂载序列 |
| 输出目录 | 每个组装独立 | 旧比对结果被默认复用 |
| scaffold | 排列定向完整query | 把它当内部错误校正 |
二、运行与显式验收
保存运行脚本,并设置真实路径及获配线程。当前官方主线ragtag.py包装器调用子命令后没有透传其返回码;本例直接调用官方安装的ragtag_scaffold.py,让批次更可靠地接收失败状态。运行前用command -v确认该入口存在,不能用空成功状态代替实际结果检查。
set -euo pipefail
: "${REF:?参考FASTA绝对路径}" "${QUERY:?待挂载FASTA绝对路径}"
: "${THREADS:?获配线程数}" "${OUT:?本次全新目录}"
[[ "$THREADS" =~ ^[1-9][0-9]*$ ]] || exit 2
for f in "$REF" "$QUERY" "$QUERY.fai"; do test -s "$f" || exit 2; done
test ! -e "$OUT" && test ! -L "$OUT" || exit 2
mkdir "$OUT"
ragtag.py --version > "$OUT/version.txt"
sha256sum "$REF" "$QUERY" "$QUERY.fai" > "$OUT/inputs.sha256"
/usr/bin/time -v -o "$OUT/resource.txt" \
ragtag_scaffold.py "$REF" "$QUERY" -t "$THREADS" -u \
-o "$OUT/results" > "$OUT/run.log" 2>&1
for suffix in agp fasta stats; do
test -s "$OUT/results/ragtag.scaffold.$suffix" || exit 1
done
samtools faidx "$OUT/results/ragtag.scaffold.fasta"
python check_agp.py "$QUERY.fai" \
"$OUT/results/ragtag.scaffold.fasta.fai" \
"$OUT/results/ragtag.scaffold.agp" > "$OUT/agp-check.txt"
printf '%s\n' COMMAND_AND_STRUCTURE_OK > "$OUT/status.txt"
将下面保存为check_agp.py。这个检查器限定于本例的完整query挂载模式,不用于correct后的分段AGP。它检查坐标连续、组件不重复不遗漏,以及输出索引长度一致;不会验证序列内容逐碱基正确,也不能判定连接的生物学真实性。
import sys
def fai(path):
d = {}
with open(path) as f:
for line in f:
a = line.rstrip("\n").split("\t")
if len(a) < 2 or a[0] in d or not a[0] or int(a[1]) <= 0:
raise ValueError("非法FAI")
d[a[0]] = int(a[1])
if not d:
raise ValueError("空FAI")
return d
query, output = fai(sys.argv[1]), fai(sys.argv[2])
ends, parts, used = {}, {}, set()
with open(sys.argv[3]) as f:
for line in f:
if not line.strip() or line.startswith("#"):
continue
a = line.rstrip("\n").split("\t")
if len(a) != 9:
raise ValueError("AGP不是9列")
obj, start, end, part, kind = a[:5]
start, end, part = map(int, (start, end, part))
if start != ends.get(obj, 0) + 1 or end < start:
raise ValueError("对象坐标不连续")
if part != parts.get(obj, 0) + 1:
raise ValueError("组件编号不连续")
if kind in {"N", "U"}:
if int(a[5]) != end - start + 1:
raise ValueError("gap长度不符")
elif kind == "W":
name, first, last, orientation = a[5:]
if name not in query or name in used:
raise ValueError("未知或重复query")
if int(first) != 1 or int(last) != query[name]:
raise ValueError("并非完整query组件")
if end - start + 1 != query[name] or orientation not in {"+", "-", "?", "0"}:
raise ValueError("组件跨度或方向非法")
used.add(name)
else:
raise ValueError("本检查器只接受W/N/U组件")
ends[obj], parts[obj] = end, part
if used != set(query) or ends != output:
raise ValueError("query缺失或输出FAI长度不符")
print("AGP_STRUCTURE_OK", len(used), len(ends))
三、失败处理和结构复核
正常结果应同时有AGP、FASTA、统计表和结构检查记录。逐组装比较已挂载、未挂载及总长度,查看置信度与比对证据,对突然跨染色体的连接单独检查。用Hi-C、长读段或已有共线性证据复核可疑区域,不把更长的scaffold或更少的序列条数直接当改进。
缺少比对器时修复明确的依赖;中断或输出不全时保留本次日志,在新的目录重跑。不要为省时无条件加-w覆盖,也不要把上一次参考的中间文件复制给新任务。若改变参考、比对参数或query内容,应按新分析记录哈希和版本;资源比较只在这些条件一致时进行,增加并发也要计入每个任务的比对峰值。
实际批次可按组装编号建立记录,每条包含query长度、序列条数、参考发布号、命令退出码及结果检查状态。先确认这些字段完整再写总表,未运行或中断的组装必须明确保留为失败状态。输出命名统一添加后缀后,下游注释或坐标文件也需使用新名称,不能把旧序列名直接拼接回结果。
抽查时至少覆盖高置信度长序列、低置信度序列和未挂载序列,检查相对参考的覆盖、方向及多位置比对。若同一query在参考多个区域有相似证据,记录歧义而非只接受默认归属。批量比较中,参考改变会同时改变排序依据,不能把两次统计当作纯硬件对照。
需要额外算力时
适用前提:参考适用性经研究判断确认,批量比对计算超过本地能力。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。
咨询本任务的服务器配置
留下手机号,我们会结合本文任务与您沟通服务器配置和报价。 也可联系云生信企业微信客服,说明本文任务。咨询本任务的服务器配置
参考与版本核对
按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。
