software

SyRI 关掉 SNP 检测后还有 6 条 DEL,该怎样读两套组装的差异?

作者:发布于 2026-11-15约 10 分钟阅读
关掉 SNP,还有 6 条缺失?。拟南芥第四号染色体,从上层重排区追到内部差异。。上层倒位,2 个候选,包含 75 个比对片段,不能把每段反向比对都数成一个独立倒位。关闭小变异,SNP 从 70060 变为 0,DEL 仍有 6 条,开关作用于比对内部的识别步骤。更换输入,256 条上层结构坐标逐条一致,作者的 PAF、BAM 及关闭小变异三轮对照。

同一对拟南芥组装,同一份全基因组比对。第一次运行 SyRI,输出七万零六十个单核苷酸差异,第二次关闭比对内部的小变异识别,单核苷酸记录消失,缺失记录却还剩六条。如果据此认定参数没起作用,就会错过 SyRI 的输出结构。我们用作者公开的第四号染色体测试数据跑了三次,既核对各类记录的数量,也逐条核对大结构在两份组装上的坐标。这个例子可以帮你决定,文章中应该报多少个倒位,哪些差异可以交给引物设计,以及怎样避免把同一个区域重复计算。

先理解一条结构记录还能有很多子记录

SyRI 从两个已经组装好的基因组及它们之间的比对出发,先识别共线区域及倒位、易位、复制等重排,再在这些关系的背景下定位更小的序列差异。因此一段倒位既可以有一条代表完整候选区域的上层记录,也可以有若干组成它的比对片段,内部还可能存在多个碱基替换或小插缺。把结果表里出现“倒位”字样的所有行直接相加,就像把一个基因和它的十个外显子都算作十一个基因。报告时需要先选定事件层、比对层或碱基层,再考虑每一层的统计单位。SyRI 方法论文 · 官方输出字段说明

更实际的问题是,做不同实验需要哪一种输出。如果目标是观察两个组装有没有跨过一大段的反向排列,先找倒位区域,再查看它两端的比对支撑。如果目标是在那段区域内部寻找影响蛋白的碱基差异,就需要下钻到区域内的小变异,并确保使用与注释一致的坐标版本。若只是估计可比较的序列范围,则还要考虑未比对区域。组装的一段在这份比对里没有找到伙伴,既可能是样本特有序列,也可能来自组装缺口、重复导致的歧义或比对参数,单凭这一层输出无法区分。

关掉 SNP,还有 6 条缺失?。拟南芥第四号染色体,从上层重排区追到内部差异。。上层倒位,2 个候选,包含 75 个比对片段,不能把每段反向比对都数成一个独立倒位。关闭小变异,SNP 从 70060 变为 0,DEL 仍有 6 条,开关作用于比对内部的识别步骤。更换输入,256 条上层结构坐标逐条一致,作者的 PAF、BAM 及关闭小变异三轮对照。
拟南芥第四号染色体,从上层重排区追到内部差异。

实跑经验 · 两种输入格式,一次有针对性的关闭

实际使用 SyRI v1.8.2。参考采用作者测试中的 TAIR10 第四号染色体,查询采用测试中标作 Ler 的对应序列。第一轮读取作者准备的 PAF,第二轮读取同一份 PAF 并加上跳过比对内部替换和插缺识别的选项,第三轮读取作者提供的 BAM。三轮均保持参考与查询方向不变。为避免把重新比对导致的变化混进测试,这里直接使用作者公开的比对文件。练习包含四个原始文件的下载命令、输入摘要和逐类计数,运行时为每个条件指定独立目录。作者的测试输入 · 实跑脚本与结果

syri -c out.paf -r tair10_chr4.fa.gz -q ler_chr4.fa.gz -F P --prefix paf_
syri -c out.paf -r tair10_chr4.fa.gz -q ler_chr4.fa.gz -F P --nosnp --prefix off_
syri -c out.bam -r tair10_chr4.fa.gz -q ler_chr4.fa.gz -F B --prefix bam_
记录类型或比较口径 PAF 正常运行 同一 PAF 加 –nosnp BAM 正常运行
共线区 SYN 21 21 21
倒位 INV 2 2 2
倒位的比对片段 INVAL 75 75 75
单核苷酸差异 SNP 70060 0 70060
插入 INS 7132 0 7132
缺失 DEL 7095 6 7095
六类上层结构的双侧坐标条数 256 256 256

表里的最后一行使用了明确的集合定义,纳入共线、倒位、易位、倒置易位、复制、倒置复制六类上层记录,把类型以及参考、查询两边的序列名和起止坐标一起作为标识。三轮输出的集合逐条相同,交集均为二百五十六,双方独有记录数均为零。这个数包含二十一个共线区,不能把它汇报成二百五十六次染色体重排。对于不同版本的软件或自己重新生成的比对,也不宜只看到总数碰巧相等就宣布结果相同。这里之所以能说坐标一致,是因为实际做了分别取差集的检查。

那六条缺失为什么还在

这个选项跳过的是对已比对片段内部的单核苷酸差异和插缺识别,其他步骤依然运行。较大尺度的区域与比对片段之间仍然可以留下缺失类型的记录。因此筛掉某个计算步骤,并不意味着结果文件中某个单词必然完全消失。看三次计数就知道,大量原来属于比对内部处理的记录已经退出,但仍有六条缺失在其余流程中产生。要复核这种解释,先对照作者当前版本中该选项实际控制的代码位置,再把留下的每一行按父区域和双侧坐标查回。该版本命令和处理流程

其中一条例子在参考第四号染色体的四十六万零四百七十八到四十六万零四百八十四,查询一侧的两个坐标都落在八十四万一千一百六十一。它在关闭条件的输出里指向一个共线父区域。另一条参考区间从一百一十九万八千七百一十三到一百一十九万九千五百八十三,查询一侧也呈现为同一锚定坐标。两条记录的参考跨度差别很大,第一条的存在尤其能提醒我们,“保留下来”不能简单理解为“长度大于某个固定阈值”。这个开关按识别步骤起作用,因此需要检查各类记录究竟来自哪一步。

复核时可以先用下面的命令打印少量记录,只列双侧位置、标识、父标识和类型。打开完整输出再查询父标识,确定它属于怎样的区域。不同运行产生的事件编号可能变化,跨文件匹配应使用稳定的双侧位置与类型,不能假定编号一样就必然是同一个事件。若结构边界在不同软件间有少量偏差,另定一套允许的端点容差,并把严格相等和只在容差内相符的数量分开,便于后来解释差异。

awk -F '\t' '$11=="DEL" {print $1,$2,$3,$6,$7,$8,$9,$10,$11}' off_syri.out
awk -F '\t' '$11=="INV" {print $1,$2,$3,$6,$7,$8,$9}' paf_syri.out
awk -F '\t' '$11=="INVAL" {n[$10]++} END{for(k in n) print k,n[k]}' paf_syri.out

两条倒位和七十五段反向比对,哪一个能写进文章

如果问题是这个测试在这对序列上报告了多少个倒位候选,答案是两条。七十五是归入倒位背景的比对片段总数。看其中一个候选,参考侧从一百六十一万二千六百零六到二百七十八万二千六百二十一,查询侧从二百零六万五千一百四十九到三百二十八万二千八百六十四。以首尾都计入的方式计算,两边跨度分别为一百一十七万零一十六和一百二十一万七千七百一十六个碱基。两侧跨度能不同,因为一段总体呈反向关系的区域内部仍然可能夹着比如插缺、局部重复和不连续比对。仅凭这两个跨度的差额不能推断某个单一事件的长度。

打算用断点做实验时,先把这一大段分成左右两个边界,分别查看内侧的反向比对和外侧的邻接关系。若边界附近是一串高度相似重复,若干相邻位置可能都能解释比对,不适合直接拿区域头部坐标作单碱基断点设计。可以记录最后一个可靠的外侧锚点和第一个可靠的内侧锚点,确定待检查区间,再寻找跨越这两个候选边界的长读段或者独立组装。只要有一端无法唯一定位,就应在交付中标出那一端的定位范围,以免下游围绕看似精确的数字重复失败。

对于位于倒位内部的注释基因,先确认自己使用哪份组装的基因坐标。把参考基因的坐标投到查询侧时,不能只加一个常数偏移,也不能忘记方向翻转。内部的小插缺会让简单的线性变换逐渐走偏。可从附近的可靠比对块开始,沿比对关系转换具体外显子位置,再用翻译方向、剪接结构和邻域基因做核对。一个在参考坐标表上位于重排区域的基因,是否真实丢失、被截断或表达改变,属于后续需要独立材料的问题。

要比较倒位内外的小变异密度,分母也要重新设计。假设把所有落在倒位区域范围内的替换作为分子,却把区内所有碱基都当成可检测的分母,组装空缺和无法唯一比对的区域也会被算进去。更可比的做法是在同一侧取明确可比对的区间并集,把空缺和按预定规则排除的区域扣除,再分别统计这些位置上的替换。共线区域使用完全相同的筛选标准。若某类区域本身更富含重复,两类可比对比例往往不同,应把各自可检测的碱基数一同给出,让读者能看出密度差异是否依赖覆盖范围。

复制记录还有另一个统计陷阱。同一小块参考序列可以在查询里对应多个位置,参考侧和查询侧去重后的覆盖长度不一定一样。若问题是参考基因组多少区域涉及重复映射,就在参考侧合并。若关心查询组装要人工审阅多少候选片段,就在查询侧合并。记录每一个事件的双侧坐标可以保留一对多关系,而只交一个已经合并的区间文件,后来便难以还原哪两个拷贝曾经对应同一参考。两套表可以同时提供,但应明确一个用于位置归并,一个用来追查配对。

还可以把输入中的未比对部分单独作为抽查层。先看它是否处于染色体端部、着丝粒附近或长串未知碱基旁边,再检查它两侧最近的可比对锚点是否仍保持顺序。如果左右边界都没有足够可靠的配对,最诚实的记录是“该区域在当前比对中没有可定位的对应序列”。若两端都锚定、查询中间也有连续完整组装,再去寻找跨过候选缺口的独立读段,就能有针对性地区分真正的序列差异和比对遗漏。

怎样把格式对照变成自己数据上的质量检查

本例 PAF 正常运行和 BAM 正常运行的特征数量相同,六类上层结构逐条一致。这个结果只对作者给出的这两份匹配输入和这里运行的版本成立。在自己的数据中,把一种比对格式转成另一种时,往往还伴随次级比对过滤、坐标约定变化、链方向转换或比对操作串缺失。用于推断小变异时,表里仅有粗略起止坐标并不等于保留了足够细节。可以先数两份文件中的主要染色体对、各方向比对条数和总覆盖,再选一段已知含小插缺或替换的区间实际验证。若问题已经在输入转换中出现,不必从最终结构分类算法开始排错。

区分参考和查询还关系到结果怎样给生物学命名。“相对参考有一个插入”的描述依赖你把哪套组装放在参考侧。仅比较两个现生样本,通常不足以判断插入发生在哪条进化分支。若研究要重建事件方向,可引入合适外群或已知祖先状态,并检查候选区在多个样本里的实际序列。对报告则可以先用中性而精确的写法,列出参考和查询品系、组装版本、两侧坐标与类型。这样即使读者后续换了参考方向,仍清楚这个差异对应哪两段序列。

最后挑一条共线记录、一条倒位上层记录、属于它的一个比对片段和一条小变异,做成四行示例,展示父子层级及参考查询位置。交付结构汇总时给出去重规则,小变异表则保留父区域,便于按共线和重排背景分别统计。想算多少基因组碱基参与重排,改用同一侧的区间并集,并把共线和未比对等类别按问题单独处理。这样从两条倒位到七十五个比对片段,再到每个碱基的差异,读者都知道每一个数在数什么。

多套染色体级组装需要成对比对并保留各层输出时,可按实际基因组大小、样本配对数和已测的中间文件规模联系云生信生物分析服务器团队估算批量分析条件。

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 ↗