fastp全新的數(shù)據(jù)質(zhì)控軟件

各位做生信的小伙伴都知道，對于下機的FASTQ數(shù)據(jù)需要進行質(zhì)控和預處理咪惠，以保證下游分析輸入的數(shù)據(jù)都是干凈可靠的朦蕴。通常我們都是使用FASTQC等軟件進行質(zhì)控凹蜂，使用cutadapt軟件去除接頭，使用Trimmomatic等軟件進行剪裁性宏，然后使用一些自已開發(fā)的腳本進行過濾群井。

好了，現(xiàn)在給大家介紹一個發(fā)表在《bioinfomatics》上的測序質(zhì)控軟件--fastp
文章鏈接請移步：https://academic.oup.com/bioinformatics/article/34/17/i884/5093234

通過掃描fastq文件一次毫胜，就完成從質(zhì)控到處理的工作书斜，而且速度也是很讓人舒服诬辈。

因為是C++開發(fā)，而且完美支持多線程＜黾（尖叫１涸恪），所以軟件的運算速度還是很快的样屠。
話不多說有需要了解的直接移步:https://github.com/OpenGene/fastp

我們直接來看看軟件的優(yōu)點

對數(shù)據(jù)自動進行全方位質(zhì)控穿撮，生成人性化的報告。
過濾功能（低質(zhì)量瞧哟，太短混巧，太多N……）。
對每一個序列的頭部或尾部勤揩，計算滑動窗內(nèi)的質(zhì)量均值咧党，并將均值較低的子序列進行切除（類似Trimmomatic的做法，但是快非常多）陨亡。
全局剪裁（在頭/尾部傍衡，不影響去重），對于Illumina下機數(shù)據(jù)往往最后一到兩個cycle需要這樣處理负蠕。
去除接頭污染蛙埂。厲害的是，你不用輸入接頭序列遮糖，因為算法會自動識別接頭序列并進行剪裁绣的。
對于雙端測序（PE）的數(shù)據(jù)，軟件會自動查找每一對read的重疊區(qū)域欲账，并對該重疊區(qū)域中不匹配的堿基對進行校正屡江。
去除尾部的polyG。對于Illumina NextSeq/NovaSeq的測序數(shù)據(jù)赛不，因為是兩色法發(fā)光惩嘉，polyG是常有的事，所以該特性對該兩類測序平臺默認打開踢故。
對于PE數(shù)據(jù)中的overlap區(qū)間中不一致的堿基對文黎，依據(jù)質(zhì)量值進行校正
可以對帶分子標簽（UMI）的數(shù)據(jù)進行預處理，不管UMI在插入片段還是在index上殿较，都可以輕松處理耸峭。
可以將輸出進行分拆，而且支持兩種模式斜脂，分別是指定分拆的個數(shù)抓艳，或者分拆后每個文件的行數(shù)。

fastp軟件會生成HTML格式的報告，而且該報告中沒有任何一張靜態(tài)圖片玷或，所有的圖表都是使用JavaScript動態(tài)繪制儡首，非常具有交互性。想要看一下樣板報告的偏友，可以去以下鏈接：http://opengene.org/fastp/fastp.html

而且軟件的開發(fā)者還充分考慮到了各種自動化分析的需求蔬胯，不但生成了人可讀的HTML報告，還生成了程序可讀性非常強的JSON結(jié)果位他，該JSON報告中的數(shù)據(jù)包含了HTML報告100%的信息氛濒，而且該JSON文件的格式還是特殊定制的，不但程序讀得爽鹅髓，你用任何一款文本編輯器打開舞竿，一眼過去也會看得明明白白。想要看一下JSON結(jié)果長什么樣的窿冯，可以去以下鏈接：http://opengene.org/fastp/fastp.json

1.軟件的安裝

如果你的系統(tǒng)安裝了anaconda的話

conda install -c bioconda fastp

下載安裝

wget http://opengene.org/fastp/fastp
chmod a+x ./fastp

源碼安裝

git clone https://github.com/OpenGene/fastp.git

# build
cd fastp
make

# Install
sudo make install

2.軟件的使用

單端測序數(shù)據(jù)（single-end骗奖，SE）的話

fastp -i in.fq -o out.fq

雙端測序數(shù)據(jù)（paired-end，PE）的話

fastp -i in.R1.fq -o out.R1.fq -I in.R2.fq -O out.R2.fq
#注意大小寫

fastp對于輸入和輸出都支持gzip壓縮醒串，只要文件名的末尾帶有.gz执桌，就會被認為是gzip壓縮文件，會啟用gzip對輸入輸出進行壓縮和解壓處理芜赌。

fastp -i in.R1.fq.gz -I in.R2.fq.gz -o out.R1.fq.gz -O out.R2.fq.gz

4.結(jié)果的分析

1.summary

astp可以對低質(zhì)量序列仰挣，較多N的序列，該功能默認是啟用的缠沈，但可以使用-Q參數(shù)關(guān)閉膘壶。使用-q參數(shù)來指定合格的phred質(zhì)量值，比如-q 15表示質(zhì)量值大于等于Q15的即為合格洲愤，然后使用-u參數(shù)來指定最多可以有多少百分比的質(zhì)量不合格堿基香椎。比如-q 15 -u 40表示一個read最多只能有40%的堿基的質(zhì)量值低于Q15，否則會被扔掉禽篱。使用-n可以限定一個read中最多能有多少個N。

fastp還默認啟用了read長度過濾馍惹，但可以使用-L參數(shù)關(guān)閉躺率。使用-l參數(shù)指定最低要求一個read有多長，比如-l 30表示低于30個堿基的read會被扔掉万矾。這個功能可以用于實現(xiàn)常用的discard模式悼吱，以保證所有輸出的序列都一樣長。

在fastp的HTML報告中良狈，最頭上的Summary表格很清楚地顯示了過濾的統(tǒng)計信息

summary

2.接頭

fastp默認啟用了接頭處理后添，但是可以使用-A命令來關(guān)掉。fastp可以自動化地查找接頭序列并進行剪裁薪丁，也就是說你可以不輸入任何的接頭序列遇西，fastp全自動搞定了馅精！

對于SE數(shù)據(jù)，你還是可以-a參數(shù)來輸入你的接頭粱檀，而對于PE數(shù)據(jù)則完全沒有必要洲敢，fastp基于PE數(shù)據(jù)的overlap分析可以更準確地查找接頭，去得更干凈茄蚯，而且對于一些接頭本身就有堿基不匹配情況處理得更好压彭。fastp對于接頭去除會有一個匯總的報告。

image.png

3.滑窗質(zhì)量剪裁

很多時候渗常，一個read的低質(zhì)量序列都是集中在read的末端壮不，也有少部分是在read的開頭。fastp支持像Trimmomatic那樣對滑動窗口中的堿基計算平均質(zhì)量值皱碘，然后將不符合的滑窗直接剪裁掉询一。使用-5參數(shù)開啟在5’端，也就是read的開頭的剪裁尸执，使用-3參數(shù)開啟在3’端家凯，也就是read的末尾的剪裁。使用-W參數(shù)指定滑動窗大小如失，默認是4绊诲，使用-M參數(shù)指定要求的平均質(zhì)量值，默認是20褪贵，也就是Q20掂之。

4.過濾短序列

默認開啟多序列過濾，默認值為15脆丁，使用-L（--disable_length_filtering）禁止此默認選項世舰。或使用-l（--length_required）自定義最短序列槽卫。

5.雙端測序堿基校正

fastp支持對PE數(shù)據(jù)的每一對read進行分析跟压，查找它們的overlap區(qū)間，然后對于overlap區(qū)間中不一致的堿基歼培，如果發(fā)現(xiàn)其中一個質(zhì)量非常高震蒋，而另一個非常低，則可以將非常低質(zhì)量的堿基改為相應的非常高質(zhì)量值的堿基值躲庄。此選項默認關(guān)閉查剖，可使用-c（--correction）開啟。

6.polyG剪裁

對于兩色發(fā)光法的Illumina設備（NextSeq /NovaSeq）噪窘，因為在沒有光信號情況下base calling的結(jié)果會返回G笋庄，所以在序列的尾端可能會出現(xiàn)較多的polyG，需要被去除。

fastp會自動化地識別NextSeq / NovaSeq的數(shù)據(jù)直砂，然后進行polyG識別和剪裁菌仁。如果你想強制開啟該功能，可以指定-g參數(shù)哆键，如果想強制關(guān)閉該功能掘托，則可以指定-G參數(shù)。

7.分子標簽UMI處理

UMI在處理ctDNA類似的超低頻突變檢測應用中是十分有用的籍嘹，為了更好地對帶UMI的FASTQ文件進行預處理闪盔，fastp也很好地支持了UMI預處理功能。該功能默認沒有啟用辱士，需要使用-U參數(shù)開啟泪掀，另外需要使用--umi_loc來指定UMI所在的位置，它可以是（index1颂碘、 index2异赫、 read1、 read2头岔、 per_index塔拳、 per_read ）中的一種，分別表示UMI是在index位置上峡竣，還是在插入片段中靠抑。如果指定了是在插入序列中，還需要使用 --umi_len 參數(shù)來指定UMI所占的堿基長度适掰。

8.質(zhì)量過濾

fastp可以對低質(zhì)量序列颂碧，較多N的序列，該功能默認是啟用的类浪，但可以使用-Q參數(shù)關(guān)閉载城。使用-q參數(shù)來指定合格的phred質(zhì)量值，比如-q 15表示質(zhì)量值大于等于Q15的即為合格费就，然后使用-u參數(shù)來指定最多可以有多少百分比的質(zhì)量不合格堿基诉瓦。比如-q 15 -u 40表示一個read最多只能有40%的堿基的質(zhì)量值低于Q15，否則會被扔掉力细。使用-n可以限定一個read中最多能有多少個N垦搬。

具體參數(shù)的解讀可以移步喵小媛的博客里面就有很詳細的講解

其實大部分功能也用的不是很多軟件最快樂的地方當然是簡單了

最后我們看一下在實際中的應用情況：

for i in {1..18};
do
        fastp -i R${i}_1.fq.gz -o R${i}_1.out.fq -I R${i}_2.fq.gz -O R${i}_2.out.fq -w 8
done

然后就會生成快樂的html文件

參考：

1.fastp: 一款超快速全功能的FASTQ文件自動化質(zhì)控+過濾+校正+預處理軟件

2.質(zhì)控軟件fastp常用參數(shù)說明