接着前面的內容,這裏再進行下數據庫的處理,看看從參考數據庫就按測序數據處理是不是能提高物種註釋的精度。這裏先預報一下,種的分類結果並不能有明顯的提升,或許是因爲序列長度的缺陷,即使再努力提高技巧,終究不能解決根本的問題,250bp的長度,對比1500bp左右的全長,顯然還是太短了,難以實現精確的分類,所以,要想更精確,只有上16S全長,這隻能寄望於Pacbio,Oxford Nanopore,和10x linked reads或者類似的技術,比如華大的sLtFR等技術提升讀長了。再激進些,等測序成本足夠低,上宏基因組,宏轉錄組了。
Anyway,記錄一下我這次探索的過程。
1.使用qiime2截取V4區域
其實,自己寫腳本也是能搞定的,但是,畢竟自己的水平自己清楚哈,能用大神的就用大神的。大神經驗豐富,能夠解決引物配的問題,比如兩個鹼基模糊匹配,以模擬真實PCR過程中的錯配情況等等。要我做的話,只能簡單正則表達式解決完全匹配的情況,註定要miss一些序列,這會對準確性造成一定影響,特別是碰巧這些序列是你需要的話。以下是我的步驟:
#激活conda和進入qiime環境,如果你需要conda推薦這篇[1]
source ~/Miniconda3/bin/activate
conda activate qiime2-2019.10
#導入Silva132數據庫中的原始序列(99%相似度聚類)
#下載自這裏https://www.arb-silva.de/fileadmin/silva_databases/qiime/Silva_132_release.zip
qiime tools import \
--type 'FeatureData[Sequence]' \
--input-path SILVA_132_QIIME_release/rep_set/rep_set_16S_only/silva_132_99_16S.fna \
--output-path s_otus.qza
##截取V4區域,使用515F-806R, V4最新引物,emp 16s protocol[2]
time qiime feature-classifier extract-reads \
--i-sequences s99_otus.qza \
--p-f-primer GTGYCAGCMGCCGCGGTAA \
--p-r-primer GGACTACNVGGGTWTCTAAT \
--o-reads sref-seqs.qza
2.序列探索和處理
首先,把序列提取出來,qiime2的序列qza文件是可以直接重命名爲zip格式文件解壓的,就解壓sref-seqs.qza後從文件夾裏的data子文件夾裏找到了序列文件,dna-sequences.fasta,368240條序列。
稍微統計了一下序列長度分佈,以及在其中找不找得到引物。發現只有少部分的序列能夠找到引物,一般是隻能找到一端,應該講,軟件是可以直接切去引物的,留下的應該只有v4區的真正序列而已。而這少部分能找到引物的序列,應該是在其他位置錯誤匹配到了引物序列。中間有個小插曲,最後一個序列始終會丟掉,由於幾個月沒怎麼用python,算法有點生疏了,於是只能在獲得的序列直接加了個隨便的序列名暫時解決了。用了個腳本來解決:
def deal_with_seq(seq,seq_name):
'''
簡單的以引物中不存在簡併的幾個鹼基來查找序列中引物存在與否,以及其位置
然後,處理這些序列爲120+10+120
'''
primer_F = 'GCCGCGGTAA'
primer_R = 'ATTAGA'
seq_F = ''
seq_R = ''
if primer_F in seq and primer_R not in seq: #只找到正向引物的情況
seq_F = seq.split(primer_F)[1][1:120] #正向引物後120bp,對應之前的測序reads切到120bp
seq_R = seq.split(primer_F)[1][-120:] #同上
print(len(seq.split(primer_F)[1])) #看下除了引物後的序列長度
seq = seq_F + "NNNNNNNNNN" + seq_R #以10個N連接,對應之前的數據處理
elif primer_R in seq and primer_F not in seq: #只找到反向引物的情況
seq_R = seq.split(primer_R)[0][-120:]
seq_F = seq.split(primer_R)[0][:120]
#print(seq_F, seq_R)
print(len(seq.split(primer_R)[0]))
seq = seq_F + "NNNNNNNNNN" + seq_R
elif primer_F in seq and primer_R in seq: #雙向引物都找到的情況
print(len(seq.strip()))
seq_F = seq.split(primer_F)[1][:120]
seq_R = seq.split(primer_R)[0][-120:]
seq = seq_F + "NNNNNNNNNN" + seq_R
else: #其他的情況,默認是隻有v4區序列了
print(len(seq.strip()))
seq = seq[:120] + "NNNNNNNNNN" + seq[-120:]
return seq
def get_250_otus():
'''
讀取和存儲這些序列
'''
fout = open('250_otus.fasta', 'w')
f_length = open('250_otus_length.txt', 'w')
f_undealed = open('undealed.fasta', 'w')
dic_length = {}
with open('dna-sequences.fasta') as f:
seq_name = ''
seq = ''
for line in f:
if line.startswith('>'):
if seq_name != '':
dic_length[seq_name] = 0
dic_length[seq_name] = len(seq)
seq = deal_with_seq(seq, seq_name)
f_undealed.write(seq_name + seq + '\n')
fout.write(seq_name + seq + '\n')
f_length.write(seq_name + str(dic_length[seq_name]) + '\n')
seq_name = line
seq = ''
else:
seq_name = line
elif line.strip() != '':
seq += line.strip()
fout.close()
f_length.close()
f_undealed.close()
if __name__ == '__main__':
get_250_otus()
統計一下序列長度分佈:
從柱狀圖可以看出,絕大絕大多數是251-260bp的長度,其餘的序列是可以忽略的,這個結果還是比較靠譜的。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-ap0LoKsU-1580622344861)(https://jiawen.zd200572.com/wp-content/uploads/2020/02/250otu.png)]
3.訓練模型,測試物種註釋效果
告別前面自己造的小輪子,迴歸qiime2的流程。
#重新導入序列
qiime tools import \
--type 'FeatureData[Sequence]' \
--input-path /Users/zd200572/Biodata/Refrence/8c74b73b-c49b-44f1-bfba-54df23b1c8d3/data/250_otus.fasta \
--output-path s250_otus.qza
#訓練模型,比較在耗時,特別是我的筆記本性能一般,大概相當於i5一代的水平,16G內存
time qiime feature-classifier fit-classifier-naive-bayes \
--i-reference-reads s250_otus.qza \
--i-reference-taxonomy sref-taxonomy.qza \
--o-classifier classifier_silva_V4.qza
#兩個多小時,8140.54s user 1138.65s system 93% cpu 2:45:32.42 total
#物種註釋
time qiime feature-classifier classify-sklearn \
--i-classifier classifier_silva_V4.qza \
--i-reads rep-seqs.qza \
--o-classification taxonomy250.qza
#754.47s user 57.61s system 80% cpu 16:47.93 total
4.和之前的模型的比較
在其他分類級別上沒有明顯差別,在屬上有明顯地提升從194->283,看了一下基本上分類明確的屬,做的這一切還是比較值得的。但是還要確定是否有假陽性的情況,種上的分類情況就不忍直視了,基本上是未分類種。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-r5IZgdqu-1580622344869)(https://jiawen.zd200572.com/wp-content/uploads/2020/02/youhuahou.jpg)]
再來看看優化後屬的柱狀圖,分類確實更好了:
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-o0KlyrwB-1580622344871)(https://jiawen.zd200572.com/wp-content/uploads/2020/02/barplots.jpg)]
之前的探索
1.ubiome數據分析流程學習筆記1
參考: