
多组装比较先列清“谁对谁”,再提交MUMmer。参考固定的一对多与所有组装两两比较,任务数量和解释都不同。本篇用MUMmer4的nucmer比较三个相似物种内组装,每一对顺序运行,保留原始delta与筛选后坐标,避免并发把盘和内存同时耗尽。
先冻结组装身份和比较方向
准备assemblies.tsv,无表头,每行组装ID和FASTA绝对路径,TAB分隔,例如A、B、C分别对应/data/A.fa等。组装已完成适当质控,序列首个空白前ID在单份FASTA内唯一;参考方向与命名要保留,不能把交换参考、查询后的结果视为同一个表。
| 设计 | 示例任务数 | 使用前提 |
|---|---|---|
| 固定A对B/C | 2 | 围绕统一参考解释坐标 |
| 三组装两两比较 | 3 | 每个无序组合运行一次 |
| N组装两两比较 | N×(N−1)/2 | 公式不包含自比对及反向重复 |
| 筛选后结果 | 本例delta-filter -1 | 保留一对一匹配,非所有同源匹配 |
按清单生成独立任务目录
将代码保存为compare.py。需要MUMmer4与GNU Time;两线程仅为教学额度。它拒绝重复ID、重复文件和缺输入,固定清单顺序形成参考方向。全部组装若很大,先挑具有代表性的一对试跑,不按压缩FASTA大小推断比对输出。
import itertools,re,subprocess
from pathlib import Path
rows=[line.split("\t") for line in Path("assemblies.tsv").read_text().splitlines()]
assert len(rows)>=2 and all(len(r)==2 for r in rows)
ids=[r[0] for r in rows];paths=[Path(r[1]) for r in rows]
assert len(set(ids))==len(ids) and all(re.fullmatch(r"[A-Za-z0-9_-]+",x) for x in ids)
assert all(p.is_absolute() and p.is_file() and p.stat().st_size>0 for p in paths)
assert len({p.resolve() for p in paths})==len(paths)
root=Path("mummer-pairs-001");root.mkdir()
for (a,ref),(b,qry) in itertools.combinations(rows,2):
d=root/f"{a}__{b}";d.mkdir();prefix=d/"raw"
with (d/"run.log").open("w") as log:
subprocess.run(["/usr/bin/time","-v","-o",str(d/"resources.txt"),
"nucmer","--threads","2","-p",str(prefix),ref,qry],
stdout=log,stderr=subprocess.STDOUT,check=True)
delta=prefix.with_suffix(".delta")
assert delta.is_file() and delta.stat().st_size>0
with (d/"one-to-one.delta").open("w") as out:
subprocess.run(["delta-filter","-1",str(delta)],stdout=out,check=True)
with (d/"coords.tsv").open("w") as out:
subprocess.run(["show-coords","-THrd",str(d/"one-to-one.delta")],stdout=out,check=True)
(d/"COMMAND_OK").write_text("inspect delta, coordinates and alignments before accepting\n")
区分命令完成和比对合理
COMMAND_OK只记录命令链通过。检查原始delta前两行的输入与NUCMER标识,抽查coords的参考/查询标签、方向、坐标和一致性;空坐标表可能表示没有保留匹配,应结合原始delta及日志解释。不能因为输出文件有两行头,就宣称组装高度一致。
delta-filter -1会选择一对一匹配,重复区与多拷贝关系可能被排除。研究重复扩张或复杂同源关系时,另立筛选协议并保留原始delta,不拿筛后长度直接充当所有相似序列长度。nucmer适用于较相似的核苷酸组装;序列过远时先判断方法是否合适。
先测一对,再提高同时运行数
分别记参考和查询总长、contig数、重复程度、墙钟、最大RSS、原始与筛后输出体积。三份组装有三对只是组合数示例,实际每一对耗时不相等;最碎或重复最多的组装可能比平均任务更重。外层任务数与每任务线程必须共同计算。
Killed先查作业内存记录;No space left先核当前输出挂载点和临时盘,不仅看系统根盘。输入FASTA错误先修上游。失败保留完整目录,新尝试使用新前缀,确认原始delta可复用后才重做后处理,不将部分坐标表混入总表。
汇总时逐项对照预期组装对,缺一对就记录未完成;记录“无保留匹配”与“运行失败”两种状态。delta、筛选参数、组装校验和及坐标表共同交接,绘图是后续展示,不能替代输入身份和匹配质量验收。
例如项目只研究A坐标上的结构差异,应将固定参考方案写进清单,而不是先跑所有方向再去重。组装间高度重复时,额外保存匹配覆盖分布和未匹配序列清单;一对一筛选后遗漏的片段不能直接解释为生物学缺失。每次改变筛选方法都使用新目录,方便和原始delta对照。
参考资料
需要额外算力时
适用前提:组装比较目标明确,成对比对计算超过现有能力。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
