生信小白记录4-宏基因组上游分析流程记录和常用工具说明

宏基因组上游分析是研究复杂微生物群落基因组的关键步骤，根据是否有参考基因组，可分为有参分析和无参分析。

有参分析（Reference-based Analysis）

优点

• 高准确性：由于有参考基因组，能够准确定位和注释基因。
• 高效：比对过程相对较快，计算资源需求较低。

缺点

• 依赖参考基因组：如果样本中有大量未被参考基因组覆盖的微生物，可能会遗漏重要信息。
• 偏见：存在参考基因组偏向性，可能会忽略一些少见或未知的物种。

无参分析（De novo or Reference-free Analysis）

优点

• 不依赖参考基因组：可以发现样本中未知或未被描述的微生物和基因。
• 全面性：能够全面描述样本中的所有基因信息。

缺点

• 计算资源需求高：de novo组装和注释过程计算复杂度高，需大量计算资源和时间。
• 准确性较低：组装和注释的准确性可能不如有参分析。

两者区别总结

• 依赖性：有参分析依赖于参考基因组，无参分析不依赖。
• 准确性和效率：有参分析通常更准确且高效，而无参分析虽然全面但计算资源需求更高。
• 发现能力：无参分析有更好的发现未知微生物和新基因的能力，而有参分析可能会忽略这些信息。 

上游分析常用工具 

一、质控 (Quality Control)

1. FastQC

   • 特点：用于快速评估高通量测序数据的质量。提供详细的统计和图形显示，以帮助识别潜在的问题。
   • 适用场景：适用于所有高通量测序数据的质量评估。
   • 链接：Babraham Bioinformatics - FastQC A Quality Control tool for High Throughput Sequence Data

2. Trimmomatic

   • 特点：用于修剪和过滤高通量测序数据中的低质量读数和适配子序列。
   • 适用场景：用于清理Illumina数据以提高下游分析的准确性。
   • 链接：USADELLAB.org - Trimmomatic: A flexible read trimming tool for Illumina NGS data

3. Cutadapt

   • 特点：用于从高通量测序数据中去除适配子和其他不需要的序列。
   • 适用场景：广泛用于各种测序数据的初步处理。
   • 链接：Cutadapt — Cutadapt 0.1 documentation

二、序列比对 (Sequence Alignment)

1. Bowtie

   • 特点：一种高效的短序列比对工具，适用于短读长的快速比对。
   • 适用场景：RNA-Seq和ChIP-Seq数据的比对。
   • 链接：Bowtie 2: fast and sensitive read alignment

2. BWA (Burrows-Wheeler Aligner)

   • 特点：一种用于长短序列比对的高效工具，支持短读和长读数据。
   • 适用场景：基因组数据和转录组数据的比对。
   • 链接：Burrows-Wheeler Aligner download | SourceForge.net

3. Samtools

   • 特点：一套用于操作SAM/BAM格式数据的工具。
   • 适用场景：处理和分析比对后的测序数据。
   • 链接：SAMtools

4. Bedtools

   • 特点：一套用于基因组区间操作的工具。
   • 适用场景：基因组区间的交集、差集、合并等操作。
   • 链接：Installation — bedtools 2.31.0 documentation

5. MAFFT

   • 特点：一种高效的多序列比对工具。
   • 适用场景：多序列比对。
   • 链接：MAFFT - a multiple sequence alignment program

三、组装 (Assembly)

1. MEGAHIT

   • 特点：一种用于大规模宏基因组数据快速组装的高效工具。
   • 适用场景：宏基因组数据的de novo组装。
   • 链接：GitHub - voutcn/megahit: Ultra-fast and memory-efficient (meta-)genome assembler

2. SPAdes

   • 特点：一种适用于小型和大型基因组de novo组装的高效工具。
   • 适用场景：细菌基因组、单细胞基因组和转录组数据的组装。
   • 链接：https://github.com/ablab/spades

3. MetaWRAP

   • 特点：一个模块化的管道，用于处理、整合和分析宏基因组数据，集成了多个现有工具，如MEGAHIT、SPAdes等。
   • 适用场景：宏基因组数据的综合分析，从组装、分类注释到功能注释。
   • 链接：MetaWRAPhttps://github.com/bxlab/metaWRAPMetaWRAP

四、物种注释 (Taxonomic Annotation)

1. MetaPhlAn

   • 特点：通过比对已知物种的标志基因来进行宏基因组数据物种注释。
   • 适用场景：宏基因组数据物种组成分析。
   • 链接：MetaPhlAn4 – The Huttenhower Lab

2. Kraken

   • 特点：一种基于k-mer的方法进行快速和准确的物种注释工具。
   • 适用场景：高通量宏基因组数据的物种分类。
   • 链接：Kraken2

3. Mothur

   • 特点：Mothur是一个用于微生物群落分析的软件包，它提供了丰富的工具来处理和分析高通量测序数据，尤其是16S rRNA基因序列数据，其物种注释功能是通过将测序得到的序列与数据库中的已知序列进行比较来实现。
   • 适用场景：16S rRNA基因数据的分析。
   • 链接：mothur website

4. QIIME2

   • 特点：一种用于微生物群落序列数据分析的综合性平台。关于物种注释，QIIME2 可以使用不同的分类器将序列注释到具体的分类级别（如门、纲、目、科、属、种）。它支持使用预训练的分类器，也可以通过自己提供的参考数据库进行注释。常见的方法包括朴素贝叶斯分类器、BLAST 和 VSEARCH。
   • 适用场景：16S rRNA基因和其他微生物群落数据的分析。
   • 链接：QIIME 2 user documentation — QIIME 2 2024.5.0 documentation

五、功能注释 (Functional Annotation)

1. HUMAnN

   • 特点：用于宏基因组数据功能注释和通路分析的工具。
   • 适用场景：宏基因组数据的功能分析。
   • 链接：Index of /databases/HUMAnN

2. EggNOG

   • 特点：用于将序列比对到EggNOG数据库以进行功能注释的工具。
   • 适用场景：基因组和宏基因组数据的功能注释。
   • 链接：EggNOG Database | Orthology predictions and functional annnotaion

3. InterProScan

   • 特点：通过整合多个数据库来进行蛋白质功能预测和注释。
   • 适用场景：基因组和转录组数据的蛋白质功能注释。
   • 链接：https://www.ebi.ac.uk/jdispatcher/

4. CAZy

   • 特点：用于注释碳水化合物活性酶（CAZymes）的功能工具。
   • 适用场景：基因组和宏基因组数据中的CAZymes注释。
   • 链接：CAZy - Home

5. Diamond

   • 特点：一种快速的蛋白质序列比对工具，适用于大规模序列数据集。
   • 适用场景：大规模蛋白质序列比对。
   • 链接：GitHub - bbuchfink/diamond: Accelerated BLAST compatible local sequence aligner.

6. Blast

   • 特点：一种用于核酸和蛋白质序列比对的广泛使用的工具。
   • 适用场景：序列比对和注释。
   • 链接：BLAST: Basic Local Alignment Search Tool

7. HMMER

   • 特点：用于隐马尔可夫模型（HMMs）搜索蛋白质序列数据库的工具。
   • 适用场景：蛋白质家族和结构域的注释。
   • 链接：HMMER

六、基因预测 (Gene Prediction)

1. salmon

   • 特点：用于快速、准确定量RNA-Seq数据中的转录本丰度。
   • 适用场景：RNA-Seq数据的转录本定量分析。
   • 链接：Overview – Salmon: Fast, accurate and bias-aware transcript quantification from RNA-seq data

2. Prodigal

   • 特点：用于基因组数据中高效、准确的基因预测（位点）。
   • 适用场景：原核生物基因组的基因标注。
   • 链接：GitHub - hyattpd/Prodigal: Prodigal Gene Prediction Software

3. MetaGeneMark

   • 特点：用于宏基因组数据基因预测的工具（位点）。
   • 适用场景：宏基因组数据中基因的快速标注。
   • 链接：GeneMark™ download

七、构建非冗余基因集 (Non-Redundant Gene Set Construction)

1. CD-HIT
   • 特点：用于快速聚类并移除冗余序列的工具。
   • 适用场景：基因组和宏基因组数据的非冗余基因集构建。
   • 链接：https://sites.google.com/view/cd-hit

 大概分类展示，仅供粗略了解和参考，更新ing