
GenomeScope根据短读段中的k-mer频数分布估计基因组大小、杂合度和重复比例。结果依赖输入质量、计数方式、k值和倍性假设;不能把一个模型点估计直接当作真实基因组大小。以下以单个二倍体短读长WGS样本为例,把k-mer计数与模型拟合拆开留档。
| 阶段 | 固定内容 | 检查结果 |
|---|---|---|
| 计数 | 同一读段集合、k、Meryl版本 | 日志、资源峰值、计数库 |
| 直方图 | 每个频次对应的k-mer数 | 两列整数、频次递增 |
| 拟合 | GenomeScope版本、k、倍性 | 日志、曲线、参数与不确定性 |
先检查输入并完成计数
示例要求已完成接头处理和基本质控的双端FASTQ,并使用Meryl与GNU Time。k=21、4线程和16 GB内存是演示参数,需根据读长、覆盖和服务器额度调整;Meryl的memory参数是计数阶段上限,不代表全流程总内存承诺。先在空目录运行一份材料,保留原始计数库。
set -euo pipefail
r1=/data/material_R1.fastq.gz
r2=/data/material_R2.fastq.gz
test -s "$r1"; test -s "$r2"
gzip -t "$r1" "$r2"
mkdir kmer-profile-001
cd kmer-profile-001
meryl --version > meryl-version.txt 2>&1
/usr/bin/time -v -o count.resources.txt \
meryl k=21 threads=4 memory=16 count "$r1" "$r2" output reads.meryl \
> count.log 2>&1
test -d reads.meryl
meryl histogram reads.meryl > reads.hist 2> histogram.log
test -s reads.hist
核对直方图两列含义
Meryl直方图每行是出现频次和具有该频次的不同k-mer数量。下面的标准库脚本检查两列整数、频次递增并汇总不同k-mer数与观测次数;它只检查文件结构,不判断峰是否生物学合理,也不能证明输入身份。
rows = distinct = observations = previous = 0
with open("reads.hist") as handle:
for line in handle:
if not line.strip(): continue
fields = line.split()
if len(fields) != 2 or not all(x.isdigit() for x in fields):
raise ValueError("expected two integer columns")
multiplicity, count = map(int, fields)
if multiplicity <= previous: raise ValueError("frequency not increasing")
previous = multiplicity; rows += 1; distinct += count
observations += multiplicity * count
if not rows or not distinct: raise ValueError("empty histogram")
print("bins", rows, "distinct", distinct, "observations", observations)
第二列求和是不同k-mer总数;频次乘以该行数量后再求和,才是按直方图计算的总出现次数。不要把两者混为一谈。canonical计数、读段过滤和工具版本也会影响分布,应在分析记录中写明并保持批次一致。若要比较不同k值,应从同一FASTQ重新计数并分别拟合,不能把不同k生成的直方图混在一次模型运行中。
再拟合并判断模型是否适用
只有输入与直方图检查通过后才运行GenomeScope。若样本测序深度不足或质量报告显示明显污染、GC偏倚,先判断是否满足模型输入前提,再决定是否继续估计。二倍体设置应来自样本生物学;倍性未知时先澄清假设,不要为了接近期望结果反复改ploidy或截断低频区。输出目录生成成功只说明程序完成,仍要检查观测曲线与拟合、拟合范围和日志。
set -euo pipefail
/usr/bin/time -v -o model.resources.txt \
genomescope.R -i reads.hist -o profile -k 21 -p 2 > model.log 2>&1
test -d profile
低覆盖、错误尾、污染、GC偏倚或重复复杂度都可能使峰难以区分。若拟合明显偏离主体分布、参数碰到边界或结果对合理k值敏感,应把结论标为探索性并说明限制,保留不同参数的结果,而不是只报告最符合预期的一次。基因组大小、杂合度和重复比例是模型估计,不是组装质量或参考基因组的替代指标。
按实测安排批次资源
计数通常比拟合更消耗时间、内存和工作盘。记录FASTQ散列、过滤流程、Meryl/GenomeScope版本、k、倍性、完整日志、直方图、拟合图、峰值RSS和磁盘峰值。先测最大样本,再逐步测试并发;计数库可能远大于最终直方图,多个样本会叠加内存和I/O。失败时分别排查FASTQ损坏、计数资源不足、直方图格式和模型不收敛;不要把所有失败都归为机器不够用。
下载练习材料
先核对包内SHA256清单,再在独立目录复现。
需要额外算力时
适用前提:k-mer计数输入与方法合理,经实测仍有主机RAM容量缺口;仅批量吞吐不足时另按CPU线程与并发评估。如需额外资源,可评估大内存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。
