A review of bioinformatics pipeline framework 的作者对已有的工具进行很好的分类 作者的看法: implicit,也就是Make rule语法更适合用于整合不同执行工具 基于配置的流程更加稳定,也比较适合用于集群分配任务。
最后作者建议是: 如果实验室既不是纯粹的生物学试验(不需要workbench这种UI界面),也不需要高性能基于类的流程设计, 不太好选, 主要原则是投入和产出比 如果实验室进行的是重复性的研究,那么就需要对数据和软件进行版本控制, 建议是 configuration-based pipelines 如果实验室做的是探索性的概念证明类工作(exploratory proofs-of-concept),那么需要的是 DSL-based pipeline。 如果实验室用不到高性能计算机(HPC),只能用云服务器,就是server-based frameworks.
目前已有的流程可以在awesome-pipeline 进行查找。 就目前来看,pipeline frameworks & library 这部分的框架中 nextflow 是点赞数最多的生物学相关框架。只可惜nextflow在运行时需要创建fifo,而在NTFS文件系统上无法创建,所以我选择 snakemake , 一个基于Python写的DSL流程框架。 为了能够顺利完成这部分的教程,请准备一个Linux环境,如果使用Windows,则按照biostarhandbook(一)分析环境和数据可重复部署一个虚拟机,并安装miniconda3。 如下步骤会下载所需数据,并安装所需要的软件,并且启动工作环境。 wget https://bitbucket.org/snakemake/snakemake-tutorial/get/v3.11.0.tar.bz2
tar -xf v3.11.0.tar.bz2 --strip 1
cd snakemake-snakemake-tutorial-623791d7ec6d
conda env create --name snakemake-tutorial --file environment.yaml
source activate snakemake-tutorial
# 退出当前环境
source deactivate
当前环境下的所有文件 ├── data
│ ├── genome.fa
│ ├── genome.fa.amb
│ ├── genome.fa.ann
│ ├── genome.fa.bwt
│ ├── genome.fa.fai
│ ├── genome.fa.pac
│ ├── genome.fa.sa
│ └── samples
│ ├── A.fastq
│ ├── B.fastq
│ └── C.fastq
├── environment.yaml
└── README.md
如果你编译过软件,那你应该见过和用过 make , 但是你估计也没有仔细想过make是干嘛用的。Make是最常用的软件构建工具,诞生于1977年,主要用于C语言的项目,是为了处理编译时存在各种依赖关系,尤其是部分文件更新后,Make能够重新生成需要更新的文件以及其对应的文件。 Snakemake 和Make功能一致,只不过用Python实现,增加了许多Python的特性,并且和Python一样非常容易阅读。下面将使用Snakemake写一个变异检测流程。
Snakemake非常简单,就是写各种rule来完成不同的任务。我们第一条rule就是将序列比对到参考基因组上。如果在命令行下就是 bwa mem data/genome.fa data/samples/A.fastq | samtools view -Sb - > mapped_reads/A.bam 。 但是按照Snakemake的规则就是下面的写法。 # 用你擅长的文本编辑器
vim Snakefile
# 编辑如下内容
rule bwa_map:
input:
'data/genome.fa',
'data/samples/A.fastq'
output:
'mapped_reads/A.bam'
shell:
'''
bwa mem {input} | samtools view -Sb - > {output}
'''
解释一下:这几行定义了一个规则(rule),在这个规则下,输入(input)有两个,而输出(output)只有一个,在 shell 中运行命令,只不过里面的文件都用 {} 形式替代。伪执行一下: snakemake -np mapped_reads/A.bam 检查一下是否会出错,真实运行情况如下(不带规则,默认执行第一个规则): 如果仅仅是上面这样子处理一个文件,还无法体现 snakemake 的用途,毕竟还不如手动敲代码来的方便。 snakemake 的一个有点在于它能够使用文件名通配的方式对一类文件进行处理。将上面的 A 改成 {sample} ,就可以将符合 *.fastq 的文件处理成 *.bam . rule bwa_map:
input:
'data/genome.fa',
'data/samples/{sample}.fastq'
output:
'mapped_reads/{sample}.bam'
shell:
'''
bwa mem {input} | samtools view -Sb - > {output}
'''
那么,用 snakemake -np mapped_reads/{A,B,C}.bam ,就会发现,他非常机智的就比对了 B.fastq 和 C.fastq ,而不会再比对一遍A.fastq, 也不需要你写一堆的判断语句去手动处理。 当然,如果你用 touch data/samples/A.fastq 改变A.fastq的时间戳,他就会认位A.fastq文件发生了改变,那么重复之前的命令就会比对A.fastq。 比对后的文件还需要进一步的排序,才能用于后续分析,那么规则该如何写呢? rule samtools_sort:
input:
'mapped_reads/{sample}.bam'
output:
'sorted_reads/{sample}.bam'
shell:
'samtools sort -T sorted_reads/{wildcards.sample}'
' -O bam {input} > {output}'
以之前的输出作为输出文件名,输出到另一个文件夹中。和之前的规则基本相同,只不过这里用到了 wildcards.sample 来获取通配名用作 -T 的临时文件的前缀 sample 实际名字。 运行 snakemake -np sorted_reads/B.bam ,你就会发现他就会非常智能的先比对再排序。这是因为 snakemake 会自动解决依赖关系,并且按照依赖的前后顺序进行执行。 这里我们再写一个规则,对之前的排序后的BAM文件建立索引。 rule samtools_index:
input:
'sorted_reads/{sample}.bam'
output:
'sorted_reads/{sample}.bam.bai'
shell:
'samtools index {input}'
目前已经写了三个规则,那么这些规则的执行和依赖关系如何呢? snakemake 提供了 --dag 选项用于 dot 命令进行可视化 snakemake --dag sorted_reads/{A,B}.bam.bai | dot -Tsvg > dag.svg
基因组变异识别需要整合之前所有的BAM文件,你可能会打算这样写 rule bcftools_call:
input:
fa='data/genome.fa',
bamA='sorted_reads/A.bam'
bamB='sorted_reads/B.bam'
baiA='sorted_reads/A.bam.bai'
baiB='sorted_reads/B.bam.bai'
output:
'calls/all.vcf'
shell:
'samtools mpileup -g -f {input.fa} {input.bamA} {input.bamB} | '
'bcftools call -mv - > {output}'
这样写的却没有问题,但是以后每多一个样本就需要多写一个输入,太麻烦了。这里就体现出Snakemake和Python所带来的特性了,我们可以用列表推导式的方法搞定。 ['sorted_reads/{}.bam'.format(sample) for sample in ['A','B']]
进一步,可以在规则外定义 SAMPLES=['A','B'] ,则规则内的输入可以写成 bam=['sorted_reads/{}.bam'.format(sample) for sample in SAMPLES] . 由于列表推导式比较常用,但是写起来有点麻烦,snakemake定义了 expand 进行简化, 上面可以继续改写成 expand('sorted_reads/{sample}.bam', sample=SAMPLES) 那么最后的规则就是 SAMPLES=['A','B']
rule bcftools_call:
input:
fa='data/genome.fa',
bam=expand('sorted_reads/{sample}.bam', sample=SAMPLES),
bai=expand('sorted_reads/{sample}.bam.bai', sample=SAMPLES)
output:
'calls/all.vcf'
shell:
'samtools mpileup -g -f {input.fa} {input.bam} | '
'bcftools call -mv - > {output}'
小练习: 请用snakemake生成当前的DAG图。 上面都是在规则里执行shell脚本,snakemake的一个优点就是可以在规则里面写Python脚本,只需要把 shell 改成 run ,此外还不需要用到引号。 rule report:
input:
'calls/all.vcf'
output:
'report.html'
run:
from snakemake.utils import report
with open(input[0]) as vcf:
n_calls = sum(1 for l in vcf if not l.startswith('#'))
report('''
An example variant calling workflow
===================================
Reads were mapped to the Yeast
reference genome and variants were called jointly with
SAMtools/BCFtools.
This resulted in {n_calls} variants (see Table T1_).
''', output[0], T1=input[0])
这里还用到了 snakemake 的一个函数,report,可以对markdown语法进行渲染生成网页。 之前运行snakemake都是用的 snakemake 目标文件名 , 除了目标文件名外,snakemake还支持规则名作为目标。通常我们按照习惯定义一个 all 规则,来生成结果文件。 rule all:
input:
'report.html
总结以下学习过程,知识点如下:
Snakemake基于规则执行命令,规则一般由 input, output,shell 三部分组成。 Snakemake可以自动确定不同规则的输入输出的依赖关系,根据时间戳来判断文件是否需要重新生成 Snakemake 以{sample}.fa 形式进行文件名通配,用 {wildcards.sample} 获取sample的实际文件名 Snakemake用 expand() 生成多个文件名,本质是Python的列表推导式 Snakemake可以在规则外直接写Python代码,在规则内的 run 里也可以写Python代码。 Snakefile的第一个规则通常是 rule all ,因为默snakemake默认执行第一条规则
最后附上代码如下, 希望你喜欢: SAMPLES = ['A', 'B']
rule all:
input:
'report.html'
rule bwa_map:
input:
'data/genome.fa',
'data/samples/{sample}.fastq'
output:
'mapped_reads/{sample}.bam'
shell:
'bwa mem {input} | samtools view -Sb - > {output}'
rule samtools_sort:
input:
'mapped_reads/{sample}.bam'
output:
'sorted_reads/{sample}.bam'
shell:
'samtools sort -T sorted_reads/{wildcards.sample} '
'-O bam {input} > {output}'
rule samtools_index:
input:
'sorted_reads/{sample}.bam'
output:
'sorted_reads/{sample}.bam.bai'
shell:
'samtools index {input}'
rule bcftools_call:
input:
fa='data/genome.fa',
bam=expand('sorted_reads/{sample}.bam', sample=SAMPLES),
bai=expand('sorted_reads/{sample}.bam.bai', sample=SAMPLES)
output:
'calls/all.vcf'
shell:
'samtools mpileup -g -f {input.fa} {input.bam} | '
'bcftools call -mv - > {output}'
rule report:
input:
'calls/all.vcf'
output:
'report.html'
run:
from snakemake.utils import report
with open(input[0]) as vcf:
n_calls = sum(1 for l in vcf if not l.startswith('#'))
report('''
An example variant calling workflow
===================================
Reads were mapped to the Yeast
reference genome and variants were called jointly with
SAMtools/BCFtools.
This resulted in {n_calls} variants (see Table T1_).
''', output[0], T1=input[0])
http://snakemake./en/latest/tutorial/basics.html http://sequana./en/master/ https:///posts/2017-10-17/
|