如何高效地从BAM文件中提取fastq

Posted 2023-05-09

参考技术A

在一年前，我写过一篇文章，叫做 如何从BAM文件中提取fastq ，之前也发现了从BAM里面提取Fastq是有些麻烦，只不过最后通过 samtools 的子命令实现了数据提取，实现功能之后也没有再去思考如何提高效率。

最近读到 每周文献-190419-植物单细胞BAM重比对以及假基因研究 时，发现里面提到了一个工具叫做 bazam , 功能就是提取Fastq文件，文章发表在 Genome Biology 上。

软件地址为 https://github.com/ssadedin/bazam ，因为他是个Groovy工具（据说Groovy比Java好写）所以安装很方便，

可以通过如下命令检查是否安装成功

假如你原来的BAM文件是双端测序，想提取成两个文件，那么可以用如下命令。 注 ：这里的your.bam 指的是你实际BAM文件

此外，bazam还支持使用 -L 指定区间来提取某个区间的数据。

这里补充下为啥从BAM文件中提取双端序列那么麻烦，这是因为一般而言BAM文件都是按照位置信息排序，想要找到配对的reads，要么是根据read的编号进行排序（这个方法要求额外的内存和存储空间），或者就是在提取的时候记录当前的read的ID，再找到另一端ID后释放内存空间。

Pysam 处理bam文件

Pysam可用来处理bam文件

安装：

用 pip 或者 conda即可

 

使用：

Pysam的函数有很多，主要的读取函数有：

• AlignmentFile：读取BAM/CRAM/SAM文件

• VariantFile：读取变异数据（VCF或者BCF）

• TabixFile：读取由tabix索引的文件；

• FastaFile：读取fasta序列文件；

• FastqFile：读取fastq测序序列文件

一般常用的是第一个和第二个。

 

例子：

import pysam

bf = pysam.AlignmentFile("in.bam","rb");  其中r = read， b：binary.  二进制文件。   bam文件index

bf是一个迭代器，可以next（）或者for读取

for i in bf:

    print i.reference_name,i.pos,i.mapq,i.isize

结果：

ctg000331_np121 144935 27 -284
ctg000331_np121 144940 48 291
ctg000331_np121 144941 48 309
ctg000331_np121 144944 48 255
ctg000331_np121 144946 27 -370
ctg000331_np121 144947 27 -346

• i.reference_name代表read比对到的参考序列染色体id；

• i.pos代表read比对的位置；

• i.mapq代表read的比对质量值；

• i.isize代表PE read直接的插入片段长度，有时也称Fragment长度；

 

一些功能：

• check_index() 

          检测index文件是否存在存在即为true

• close（）

          用完记得关闭

• count(self，contig=None, start=None, stop=None, region=None, until_eof=False, read_callback=‘nofilter‘, reference=None，end=None)

             计算目标区域内比对上的reads数目

           bf.count(contig="ctg000331_np121", start=1, stop=6000)
           24

• count_coverage(self, contig=None, start=None, stop=None, region=None, quality_threshold=15, read_callback=‘all‘, reference=None, end=None)

         计算目标区域内的覆盖度。返回1个4维的array，代表ACGT的覆盖度，而每个维度的array长度为100，里面的数字代表该碱基在各个位置上的覆盖度。

       bf.count_coverage(contig="ctg000331_np121",start=1,stop=100)

• fetch(self, contig=None, start=None, stop=None, region=None, tid=None, until_eof=False, multiple_iterators=False, reference=None, end=None)

          提取出比对到目标区域内的全部reads。返回的是一个迭代器，可以通过for循环或者next函数从中取出reads，我们使用next()函数取出第一条reads，reads是用         AlignedSegment对象表示，可以通过该对象的内置方法再对这条reads进行一些查询操作。

          allreads=bf.fetch(contig="ctg000331_np121",start=1,stop=10000)

　　　是一个迭代器，可以用for循环获得

• get_index_statistics(self)
  通过index统计该BAM文件中在各个染色体上mapped/unmapped的reads个数。

bf.get_index_statistics()