【原】使用SOAPfuse进行融合基因的分析

SOAPfuse是华大开发的一款，专门针对human的融合基因进行分析的工具，项目链接如下

http://soap./soapfuse.html

在对应的文献中，将该工具与其他几款软件进行了比较

从图中可以看出，SOAPfuse运行时间快，内存消耗小，敏感性好。在我看来，内存消耗做的是真的不错，其他两点的话因为参考数据的不同，不太有参考价值。

sourceforge上保存了最新版的soapfuse, 直接下载解压即可。

wget https:///projects/soapfuse/files/SOAPfuse_Package/SOAPfuse-v1.27.tar.gz tar xzvf SOAPfuse-v1.27.tar.gz

在运行SOAPfuse之前，需要准备以下几个文件

1. reference database

和其他软件类似，SOAPfuse也需要建立物种对应的数据库，在软件安装的source目录下，提供了建立数据库的脚本，用法如下

perl SOAPfuse-S00-Generate_SOAPfuse_database.pl -wg  hg19.fa -gtf Homo_sapiens.GRCh37.85.chr.gtf -cbd cytoBand.txt.gz -gf HGNC_Gene_Family.tsv -sd /software/SOAPfuse-v1.27 -dd /database/hg19 -rft chr.gtp

wg参数代表基因组的fasta文件，gtf参数代表gtf文件，cbd代表从UCSC下载的cytoband文件，gf代表从HGNC下载的基因信息，sd代表软件的安装目录，rft代表gtf文件中的染色体名称和fasta文件中的染色体名称的对应关系。
对于需要从数据库下载的文件，在该脚本的帮助信息中给出了非常详尽的提示, 这里就不赘述，对于rft文件，内容为\t分隔的两列，示例如下

1    chr1 2    chr2

第一列代表gtf文件中的染色体编号，第二列代表fasta文件中的染色体编号。

2. sample list

SOAPfuse通过sample.list文件读取样本信息，该文件内容如下

\t分隔的4列，第一列代表样本名称，第二列代表为lane ID，第三列代表run ID, 第四列代表读长。之所以每个样本需要提供lane ID和run ID, 是出于测序时一个样本会有多条lane的考虑，对于多条lane的数据，因为属于同一个样本，所以需要合并起来。

在实际分析时，我们只有每个样本对应的R1和R2端数据，所以lane ID和run ID自己随便定义就好了，下面是一个实际的例子，共6例样本

A1 Lib-A1 Run-A1 150 A2 Lib-A2 Run-A2 150 A3 Lib-A3 Run-A3 150 B1 Lib-B1 Run-B1 150 B2 Lib-B2 Run-B2 150 B3 Lib-B3 Run-B3 150

3. sample sequence directory

sample.list中只提供了样本的名称等信息，在分析时肯定需要知道每个样本对应的测序数据的路径。在SOAPfuse中，通过一个固定的目录结构来实现，示意如下

所有的样本的测序数据位于一个总的目录下，称之为WHOLE_SEQ-DATA_DIR，在该目录下，每个样本是一个子目录，名称必须和sample.list文件中的样本名一致；在每个样本的目录下，是每个lane ID对应的目录;在lane ID的目录下，就是样本的原始数据，以run ID作为前缀。

对于样本的测序数据，要求是gzip压缩的格式，支持fasta和fastq两种格式；文件名称要求以对应的run ID开头，双端数据用_1, _2区分，后缀的话只需要所有样本统一即可，具体的后缀可以在配置文件中设置。

4. config

在软件安装的config目录下，有一个名为config.txt的模板配置文件，我们需要对其进行修改，主要修改以下几个内容

DB_db_dir = /software/SOAPfuse-v1.27/db/ PG_pg_dir = /software/SOAPfuse-v1.27/source/bin PS_ps_dir = /software/SOAPfuse-v1.27/source PA_all_fq_postfix = fq.gz

DB_db_dir代表第一步建好的数据库的目录，后面两个选项只需要替换成soapfuse实际的安装目录就行了，PA_all_fq_postfix代表测序原始数据文件名的后缀，默认是fq.gz。

以上四点内容都准备好之后，就可以进行分析了，代码如下

perl SOAPfuse-RUN.pl -c config.txt -fd raw_data -l sample.list -o out_dir

-c指定配置文件，-fd指定测序数据存放的目录，-l指定样本的sample.list文件，-o指定结果的输出目录。

SOAPfuse的输出文件很多，会同时给出融合基因和融合转录本的信息，里面的信息和其他软件的输出基本类似，更加详细的解读请参考官网的说明文档。

·end·