Read Mapping Projektmanagement im So3warebereich SeqAn

Transkript

1 Read Mapping Projektmanagement im So3warebereich SeqAn David Weese April 2010

2 Inhalt Einführung Reads erzeugen read simulator SWP Teilprojekte Projektplan

3 EINFÜHRUNG

4 2 nd /Next GeneraGon Sequencing Technologien: 454 Sequencing (Roche) Solexa Sequencing (Illumina) SOLiD Sequencing (Applied Biosystems) Sequenzierdaten pro Durchlauf [2]: Mio. Reads, Länge bps (454) Mio. Reads, Länge bps (Solexa) Mio. Reads, Länge 2050 bps (SOLiD) Solexa Sequencing Technology [2] Julia Karow, Survey: Illumina, SOLiD, and 454 Gain Ground in Research Labs; Most Users Mull AddiBonal Purchases, 2010

5 Anwendungsgebiete Genome Assembly Resequencing De Novo Assembly RNASequencing Gene Expression Analysis Gene AnnotaGon Genome Comparison Structural VariaGons Single NucleoGde Polymorphisms Copy Number VariaGons Metagenomics EpigeneGcs ChIP Seq DNA MethylaGon

6 Read Mapping Grundlage der meisten der NGSProbleme ist das Read Mapping Problem: geg.: Eine Menge von ReadSequenzen R, eine Referenzsequenz G und eine maximale Fehlerzahl k ges.: Alle Paare (r,g) mit r R und g ist Teilstring von G, so dass dist(r,g) k. gebräuchliche DistanzfunkGonen sind Hamming oder editdistanz die Paare (r,g) nennen wir (Read) Matches von r Read Mapper Unzählige Veröffentlichungen in letzten 3 Jahren Aujau im Wesentlichen überall gleich: Eingabe Filter Verifizierer Ausgabe

7

8 Filter pigeonhole qgram coungng

9 READS ERZEUGEN

10 readsim.r Parameter: # Parameters for a tiny example seqlength = 100 # Source sequence length numofreads = 10 # Number of reads to simulate avgreadlength = 10 # Average read length numofrepeats = 2 # Number of copies (repeats,haplotypes,...) amountofsnps = 1 # Number of mismatches per copy amountofindels = 0 # Number of indels per copy indelbaserange = 4:6 # Indel size range errorperbasecall = 0.01 # Sequencing error rate for each base in a read simulatematepairs = 1 # 0 = no mate pairs are simulated, # 1 = all reads are in a mate pair librarysizes = c(30, 40) # Mean library sizes for mate pairs librarysd = c(5, 10) # Standard deviations for library sizes avgrepeatlength = 20 # 0 = Overcompressed repeat is simulated, # otherwise the repeat is implanted into the sequence Erzeugung starten: R CMD BATCH readsim.r

11 Ausgabe Vier Dateien: 1. source.fasta simuliertes Genom (1 ConGg mit Repeats) 2. reads.fasta simulierte Reads mit Sequenzierfehlern 3. repeats.fasta eingebaute Repeats 4. library.txt MatePair Libraries (Means und Standardabw.) reads.fasta: >9471,9432[id=1,mateId=4287,libraryId=2] TGCTACACTAAAGCAATCCCCCTAACCCCCAGCCGCGCG >7335,7374[id=4287,mateId=1,libraryId=2] GCGTAGATCACCTGAGGGAGTTTCGGATGGCCAGCCAGA >5268,5232[id=2,mateId=4288,libraryId=2] GTATCTTATTATCTTAATTAGGTATGTGATCTAATT library.txt: >libraryid=1 (1000,100) >libraryid=2 (2000,200) repeats.fasta: >Repeat1 TTTTATCCTATGAGTGTTTTCGGTGCGAAGTAGCAACATGACTCTGGGCA >Repeat2 TTTTACCCTAATAATGTCACGATTGAGAACCAGGACTGTAGGCA

12 SWP TEILPROJEKTE

13 Teilprojekte (siehe AGABI Wikiseite PMSB_Seqan_2010) Modul 1 Berechnung der Threshold von beliebigen Qgram shapes Modul 2 Filter basierend auf dem Schubfachprinzip Modul 3 Filter basierend auf dem Zählen von Qgrammen Modul 4 Match VerifikaGon und Ausgabe Parameter- wähler (1) Eingabe Filter (2) Filter (3) Verifizierer (4) Ausgabe

14 PROJEKTPLAN

15 Projektplan 20min Vortrag bestehend aus: Benutzte Schnitstelle von vorderen Modulen Vorstellung der eigenen erforderlichen Datenstrukturen Schnitstellen zu hinteren Modulen Algorithmen die benutzt werden Welche davon gibt es schon in SeqAn, welche werden neu implemengert Termin: Montag 26.4., Uhr A6 Raum 017

16 Hinweise SVN Repository: htps:// Kommunika^on/Koopera^on: Nutzt Plauormen zur projektweiten KommunikaGon (Foren, AG Wiki, ) Baut ein gemeinsames Gerüst für die Pipeline Sprecht euch regelmäßig mit Modulnachbarn ab Deployment: Nicht mit dem Testen auf die ersten echten Ergebnisse des/der Vordermanns/frau warten Erst mit kleinen Probleminstanzen beginnen und auf Korrektheit testen Vor dem Einchecken auf Kompilierfähigkeit prüfen Regelmäßig einchecken