RNA-seq 数据处理（二）StringTie 转录本组装

2023-09-18 19:43 浏览:973 搜索引擎搜索“富博农业网”
温馨提示：信息一旦丢失不一定找得到，请务必收藏信息以备急用！本站所有信息均是注册会员发布如遇到侵权请联系文章中的联系方式或客服删除！
联系我时，请说明是在富博农业网看到的信息，谢谢。

StringTie 是用于 RNA-seq 的转录本组装和定量软件。

本文只是个笔记记录，更详细的内容还是要看说明书。

StringTie: Transcript assembly and quantification for RNA-Seq

1. 输入文件

StringTie takes as input a SAM, BAM or CRAM file sorted by coordinate (genomic location).

其中，TopHat 的输出文件已经是排序的，而 HISAT2 的输出文件需要进行排序，HISTA2 处理测序得到的 fq 文件的流程见：

RNA-seq 数据处理（一）HISAT2 序列比对

假定这一步得到的输出文件为 test_sort.bam，然后进一步下一步。

2. 命令行格式及命令选项

默认的命令行格式如下：

stringtie [-o <output.gtf>] [other_options] <read_alignments.bam>

常用参数描述

-o # 后跟输出 gtf 文件名，可以指定完整目录，将输出 assembled 转录本；

-G # 后跟注释文件，需要 GTF 或 GFF3 格式；输出将包括表达的 ref transcripts 和其它新的转录本，该选项配合 -B、-b、-e、-C 使用；

-A # 后跟 tab 文件名，在给定输出文件中报告基因丰度；

-B # 该选项允许输出包含 reference transcripts 覆盖数据的 *.ctab 文件；

-b # 后跟目录，同 -B 一样，允许输出 *.ctab 文件，但这些文件将在 -b 指定的目录下创建，而非 -o 指定的目录下；

-C # 后跟一个 gtf 文件名，输出一个具有给定名称的文件，包含 reference transcripts 中被全覆盖的所有转录本；

-e # 允许进行表达估计，将估计 -G 选项指定的转录本的覆盖率，只统计可以匹配-G提交的参考 gtf 中的转录本，不再对新的转录本做预测；

-m # 设置预测转录本的最小长度，默认为 200；

-p # 线程数，默认为1；

-l # 设置输出转录本的前缀，默认为 STRG；

举例：

指定 8 个线程运行，输入文件为 test_sort.bam，组装的转录本输出文件为 test.gtf，转录丰度输出文件为 test.tab，不再预测新的转录本。

stringtie -p 8 -o test.gtf -B -e -A test.tab -G ref.gtf test_sort.bam

如果不需要寻找新的转录本，记得加 -e，否则可能会影响 reference 中转录本的统计。

3. 结果文件解读

首先看一下 -o 输出的组装的转录本 gtf 文件。

下图为文件的第 1 到 8 列：

下图为文件的第 9 列：

从第一列到第九列分别为：

seqname: 染色体名；

source: GTF文件的来源；

feature: 类型，比如：exon, transcript, mRNA, 5'UTR；

start: 起始位置；

end: 终止位置；

score: A confidence score for the assembled transcript.

strand: 方向；

frame: frame or phase of CDS features.

attributes: 以分号分隔的 tag-value pairs 列表，提供了每个 feature 的详细信息；