NextPolish批量校正不能把同一份BAM反复交给不同轮次。本篇固定NextPolish 1.4.1的短读长路线:以一份初始组装和一对已质控的双端reads,先完成可追溯试跑,再扩到多个组装。NextPolish2及其他reads路线另有接口,不混用配置。
安装环境须已通过官方测试数据,并具备该版本需要的BWA、samtools等依赖。配置里的task安排校正模块,rerun控制失败任务重试,两者不是同一概念。两个模块按序执行时,后续映射应以相应阶段的组装为参考;直接复用旧参考的比对会破坏这个前提。
| 项目 | 本例设置 | 含义 |
|---|---|---|
| task | 1212 | 两组1→2短读长模块,按官方任务定义执行 |
| rerun | 0 | 先暴露失败原因,非校正轮数 |
| parallel_jobs / multithread_jobs | 1 / 2 | 教学试跑值,非通用配置 |
| rewrite / deltmp | no / no | 保留失败现场与中间证据 |
以下在Linux Bash执行。三个输入使用无空白的绝对路径;reads来自同一配对文库,已检查接头、污染和配对关系。复制组装用于保护原始版本,reads保持只读引用。sgs.fofn每行一个文件,R1、R2按对相邻排列,不写成一行两个路径。
set -euo pipefail
r1=/data/A_R1.fastq.gz
r2=/data/A_R2.fastq.gz
asm=/data/assembly-A.fa
for f in "$r1" "$r2" "$asm"; do
test -s "$f"
[[ "$f" != *[[:space:]]* ]]
done
gzip -t "$r1" "$r2"
mkdir polish-A-001
root="$PWD/polish-A-001"
[[ "$root" != *[[:space:]]* ]]
cp "$asm" "$root/input.fa"
printf '%s\n' "$r1" "$r2" > "$root/sgs.fofn"
cat > "$root/run.cfg" <<EOF
[General]
job_type = local
job_prefix = polish_A
task = 1212
rewrite = no
deltmp = no
rerun = 0
parallel_jobs = 1
multithread_jobs = 2
genome = $root/input.fa
genome_size = auto
workdir = $root/work
polish_options = -p {multithread_jobs}
[sgs_option]
sgs_fofn = $root/sgs.fofn
sgs_options = -max_depth 100 -bwa
EOF
sha256sum "$root/input.fa" "$r1" "$r2" "$root/run.cfg" > "$root/inputs.sha256"
/usr/bin/time -v -o "$root/run.time" nextPolish "$root/run.cfg" \
> "$root/console.txt" 2>&1
test -s "$root/work/genome.nextpolish.fasta"
test -s "$root/work/genome.nextpolish.fasta.stat"
读取console和子任务日志,确认配置中的模块均结束,输出确由本次输入产生;仅有某个BAM或FASTA不能证明整条任务完成。官方最终输出位于workdir,统计文件记录校正信息。保留软件版本及安装来源,可用原始输入的SHA重新确认本次任务没有读错组装。
不要仅比较N50判断校正好坏。比较校正前后总长度、序列名称、校正位置与reads支持,结合独立的完整性或错误评估。输出中的大小写可能携带处理信息,不为了格式统一直接覆盖最终文件;确需转换时另存派生文件并记录操作。
失败先查首个未完成模块的命令、参考索引及磁盘,再查reads路径和依赖版本;不要通过增加rerun掩盖稳定复现的输入错误。更换reads、参数或初始组装时建立新目录,避免rewrite设置与旧中间结果造成混合。每个组装保留自己的配置、FOFN、日志和结果,不能让多个任务共写一个workdir。
先记录一个完整任务的墙钟、RSS及工作盘高水位。外层同时启动多个组装会叠加内部子任务,不能只用multithread_jobs估计整机占用。GNU time的RSS不能完整代表多进程同时峰值,必要时从调度器或cgroup读取任务总峰值。完成单组装后,每次只增加一个并发层级,并确认队列中每项都有最终FASTA、统计和检查记录。
gzip -t只验证压缩内容可解码,不检查R1/R2记录数和名称对应。提交前另外核对配对记录数、首末记录及文库来源,FOFN增加多个文库时也按对登记。验收表逐项写原始组装SHA、文库、task字符串、完成模块、最终FASTA及统计路径;下一轮显式以哪一份序列为参考,也要能从日志回查。