云生信学生物信息学

modkit队列处理教程:修饰标签核对、分区汇总与空间预算

作者:发布于 2026-11-22更新于 2026-11-15约 7 分钟阅读
modkit先核标签,再汇总计数

modkit先核标签,再汇总计数:核对模型与修饰标签;保留抽样和过滤日志;核验计数、分母与百分比;比较分区边界及空间
本文操作与检查路径示意。

modkit把读段上的修饰调用汇总到基因组位置。若输入没有有效MM/ML标签,增加CPU也不能生成原本不存在的修饰证据。本篇用已有ONT DNA修饰比对,演示CpG双链合并、输出检查与批处理边界;不包含上游basecalling或差异修饰检验。

先核对修饰调用与参考

输入是坐标排序、索引有效的modBAM,参考FASTA及索引与比对一致。记录basecaller、修饰模型、标签规则与过滤设置;同为m代码也要核对实际模型含义。普通BAM通过quickcheck只说明基本文件结构可读,不代表MM/ML有效或修饰准确。

检查项 本例做法 需要确认
标签 核对MM、ML及模型说明 序列裁剪或转换后是否仍一致
summary 保留抽样汇总和警告 抽样不能证明全文件无坏记录
pileup CG第零位、合并双链 CpG回文适用,方向信息会丢失
输出 bedMethyl计数及分母 缺失位点不能默认修饰率为零

单样本汇总后检查计数

以下按已安装版帮助核对threads、reference与motif参数,先保存版本和帮助。例中4线程只控制对应处理;解压、采样等阶段可能有独立线程设置。summary通常抽样读取,检查其数量、过滤与失败原因,正式pileup仍需完整验收。

#!/usr/bin/env bash
set -euo pipefail
bam=/data/S1.mod.bam
ref=/refs/genome.fa
test -s "$bam"
test -s "$ref"
test -s "$ref.fai"
samtools quickcheck -v "$bam"
mkdir modkit-S1-001
root="$PWD/modkit-S1-001"
modkit --version > "$root/version.txt" 2>&1
modkit pileup --help > "$root/pileup.help.txt" 2>&1
modkit summary "$bam" --threads 4 > "$root/summary.txt" 2> "$root/summary.log"
/usr/bin/time -v -o "$root/resources.txt"   modkit pileup "$bam" "$root/cpg.bed" --reference "$ref"   --motif CG 0 --combine-strands --threads 4   --log-filepath "$root/pileup.log" > "$root/stdout.txt" 2> "$root/stderr.txt"
test -s "$root/cpg.bed"
python3 - "$root/cpg.bed" <<'PY'
import math,sys
rows=0
with open(sys.argv[1]) as f:
    for line in f:
        if not line.strip() or line.startswith('#'):continue
        x=line.split();assert len(x)>=18
        start,end=int(x[1]),int(x[2]);assert 0<=start<end
        valid=int(x[9]);counts=list(map(int,x[11:18]))
        assert valid>=0 and all(v>=0 for v in counts)
        assert int(x[4])==valid and sum(counts[:3])==valid
        percent=float(x[10]);assert math.isfinite(percent) and 0<=percent<=100
        if valid:assert abs(percent-100*counts[0]/valid)<=0.02
        rows+=1
assert rows>0
print('checked rows',rows)
PY

检查器按官方扩展bedMethyl列定义核对有效覆盖、修饰、canonical与其他修饰计数。第十一列是百分数形式,不能再把100写成比例一百;多种修饰仍按各自代码解释。双链合并的strand为点号,不能据此恢复正负链。此检查不评价标签模型的准确率。

切区间时保持同一过滤合同

先完整处理一个代表样本。需要分区时固定同一输入、过滤阈值和方法,记录互不重叠的输出范围并核对CpG边界归属。若每个分片各自抽样估计阈值,过滤合同可能变化;不能只拼接文件后声称与整样本等价,须先做一致性比较。

同一位置、修饰与合并规则的计数汇总时,先加分子和有效分母再计算百分比,不能简单平均百分数。跨位点平均和按覆盖加权回答不同问题,分析方案应事先定义。不同样本保留独立表,不因坐标相同就相加为一个样本。

按展开后的输出安排空间

bedMethyl是逐位置文本,输出大小取决于覆盖、修饰代码、motif和分区方式,不能用BAM压缩体积直接预测。实测记录输入、输出、临时文件和归档同时存在的高峰,压缩及索引前先确认下游兼容格式;不要在成功验收前删除modBAM。

标签解析失败先查上游转换和模型;参考序列缺失先查组装;空表先查范围、标签和过滤日志,不统一归为内存不足。队列逐样本保留版本、命令、阈值、处理范围和验收状态;缺修饰位点、低覆盖与零修饰分别标识,便于后续统计正确处理。

抽取少量读段时保留原始序列与完整修饰标签,查看警告是否集中在某次裁剪、重比对或文件合并之后。不能只统计出现MM标签的行数,因为标签位置及概率数量仍可能不一致。若原模型同时调用m与h,本例没有把两种修饰折叠成同一种,后续比较需明确选择哪一类,并保留其他调用进入分母的规则。已知变更先用独立小区域对照。

需要额外算力时

适用前提:上游修饰标签有效且批量汇总任务存在计算或工作盘缺口。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

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。

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。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗