云生信学生物信息学

YaHS辅助挂载实操:配对比对、输入检查与组装结果核对

作者:发布于 2026-11-22更新于 2026-11-15约 10 分钟阅读
YaHS挂载先核对BAM与连接

YaHS挂载先核对BAM与连接:核对FASTA与BAM字典;固定排序和过滤方案;分别记录排序及组装资源;用AGP和联系图审查连接
本文操作与检查路径示意。

YaHS利用Hi-C配对联系把contig排列成scaffold。最先要确认BAM确实比对到当前这版contig,而不是仅仅文件名相同。排序方式也影响联系计算:官方说明读名排序和其他排序使用的read位置不同,且质量阈值行为不同。下面固定为读名排序流程;如果上游处理方式不同,应先做小规模对照,不要直接比较结果。

检查项 本例要求 发现异常
参考版本 FASTA索引与BAM字典ID、长度一致 回到原组装重比对
BAM quickcheck通过,来源样本明确 查传输、read group及比对记录
排序与过滤 固定读名排序后应用-q 10 按官方说明检查阈值是否生效
结果 同时检查AGP、FASTA和联系图 标记可疑连接,不能只看N50

先核字典,再启动任务

准备contig FASTA及同一文件生成的FAI、Hi-C BAM。脚本先比较完整序列字典,再按读名排序并运行YaHS。排序和YaHS阶段分别记录时间及峰值内存。SORT_MEM是samtools sort每线程的近似内存预算,不等于整个进程总上限;排序临时空间也要单独预留。

set -euo pipefail
: "${ASM:?contig FASTA绝对路径}" "${BAM:?Hi-C BAM绝对路径}"
: "${SORT_THREADS:?获配排序线程数}" "${SORT_MEM:?例如512M,每线程近似预算}"
: "${OUT:?本次全新目录}"
[[ "$SORT_THREADS" =~ ^[1-9][0-9]*$ ]] || exit 2
for f in "$ASM" "$ASM.fai" "$BAM"; do test -s "$f" || exit 2; done
test ! -e "$OUT" && test ! -L "$OUT" || exit 2
mkdir "$OUT"
yahs --version > "$OUT/version.txt" 2>&1
sha256sum "$ASM" "$ASM.fai" "$BAM" > "$OUT/inputs.sha256"
samtools quickcheck -v "$BAM"
samtools view -H "$BAM" > "$OUT/header.sam"
python check_reference.py "$ASM.fai" "$OUT/header.sam"
samtools sort -n -@ "$SORT_THREADS" -m "$SORT_MEM" \
  -T "$OUT/name-sort" -o "$OUT/name-sorted.bam" "$BAM"
samtools quickcheck -v "$OUT/name-sorted.bam"
/usr/bin/time -v -o "$OUT/yahs.time.txt" \
  yahs -q 10 -o "$OUT/yahs" "$ASM" "$OUT/name-sorted.bam" \
  > "$OUT/yahs.log" 2>&1
test -s "$OUT/yahs_scaffolds_final.agp"
test -s "$OUT/yahs_scaffolds_final.fa"
samtools faidx "$OUT/yahs_scaffolds_final.fa"
printf '%s\n' COMMAND_AND_FILES_OK > "$OUT/status.txt"

下面的检查器比较FASTA索引和BAM的@SQ项,能发现常见的ID/长度错配,但不能证明BAM来自正确样本或每条read都比对正确。

import sys

def add(d, name, length):
    length = int(length)
    if not name or name in d or length <= 0:
        raise ValueError("重复ID或非法长度")
    d[name] = length

fai, sq = {}, {}
with open(sys.argv[1]) as f:
    for line in f:
        fields = line.rstrip("\n").split("\t")
        if len(fields) < 2:
            raise ValueError("FAI列不足")
        add(fai, fields[0], fields[1])
with open(sys.argv[2]) as f:
    for line in f:
        if line.startswith("@SQ\t"):
            tags = dict(x.split(":", 1)
                        for x in line.rstrip("\n").split("\t")[1:])
            add(sq, tags["SN"], tags["LN"])
if not fai or fai != sq:
    raise ValueError("FASTA与BAM的全部序列ID/长度不一致")
print("REFERENCE_DICTIONARY_OK", len(fai))

排错时分清排序与YaHS阶段

若samtools sort在输入后很久没有进展,先看工作盘可用空间、临时目录权限和配额,再检查磁盘I/O;排序会写出大型临时块,最终BAM尚未生成时不要将其当作可用输入。若排序完成但YaHS快速退出,核对命令参数、FASTA与BAM是否匹配以及日志中的具体阶段。脚本通过set -e让任一步失败都会停止,不会写入成功标记;保留stderr和time报告有助于区分输入问题、资源不足和工具错误。

抽查连接,而不是只比较统计值

选择几条最长scaffold和几处跨重复区的连接,利用AGP把scaffold坐标映射回原始contig,检查方向、顺序和插入的gap长度。随后在Hi-C联系图中观察连接两侧是否有连续支持,留意孤立强信号、跨染色体块和连接处明显断层。联系图需要结合物种倍性、重复程度和文库质量解释;异常区域应列出坐标并由熟悉样本的研究人员复核,不宜自动改断点。

资源估算从小批次记录开始

先选代表性BAM完成一次排序和挂载,记录文件大小、耗时、峰值RSS及临时目录峰值,再用同一硬件和参数比较后续样本。不要仅按BAM压缩体积推断内存:排序临时文件、参考序列、读段数量及并行度都会改变峰值。排序阶段和YaHS阶段分开测量,才能判断增加磁盘、内存或CPU中哪项有帮助。多组装并发前还需把每个任务的峰值相加,给系统与缓存留出空间。

对照不同过滤设置时,保持assembly和排序策略不变,一次只改变一个参数,并比较有效联系数、断点位置和人工抽查结果。若多个设置都能产生更长scaffold,但连接证据不一致,应报告差异而不是选N50最高的一次。最终选择要结合样本实验方案、独立证据和项目用途。

如何判断结果值得复核

正常结束至少应有最终AGP与FASTA。抽查AGP中的contig坐标、方向和缺口,再查看长连接、重复区连接及低支持区域的Hi-C联系图。YaHS可能纠错并拆分contig,因此不要套用“每条输入contig必须原样完整出现一次”的简单检查。若连接处信号断裂或跨区域冲突,回查原始联系和比对过滤;N50上升只表示序列更连续,不证明连接正确。

每个组装独立保存输入哈希、YaHS/samtools版本、排序方式、过滤参数、完整命令、AGP、FASTA、日志和资源报告。失败时看排序日志、临时盘余量和YaHS退出阶段,在新目录重跑,保留失败记录。改变过滤或排序策略时建立新结果版本,避免覆盖可复核基线。

提交或交接时同时给出原始contig版本、最终scaffold版本、AGP和联系图审阅记录;下游注释与变异分析要绑定明确的FASTA版本。若缺少长读段或遗传图谱验证,应把结果表述为候选scaffold,并说明证据边界。

下载练习材料

下载教程 PDF · 下载代码与示例数据 ZIP

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:组装与Hi-C输入满足工具要求,挂载规模经试跑确认需要额外计算资源。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 ↗