find_circ的使用教程

 

---

 

 

find_circ鉴定circRNA的原理

find_circ 的基本原理: find_circ根据Bowtie2比对结果，从没有比对到参考序列的 reads 的两端各提取 20nt 的 anchor 序列，将每一对 anchor 序列再次与参考序列比对。如果 anchor 序列的 5' 端比对到参考序列（起始与终止位点分别记为 A3，A4），anchor 序列的 3' 端比对到此位点的上游（起始与终止位点分别记为 A1，A2），并且在参考序列的 A2 到 A3 之间存在剪接位点（GT-AG），则将此 read 作为候选 circRNA。最后将 read count 大于等于 2 的候选 circRNA 作为鉴定的 circRNA。

 

1.find_circ的安装

#find_circ需要运行在装有python 2.7的64位系统上，同时需要安装numpy和pysam这两个python模块。其运行需要借助bowtie2和samtools来完成基因组mapping的过程。

wget https://github.com/marvin-jens/find_circ/archive/v1.2.tar.gz
tar -xzvf v1.2.tar.gz

 

2.参考基因组的下载

#通过fetch_ucsc.py下载ucsc最新版本的参考基因组

fetch_ucsc.py hg19/hg38/mm9/mm10 ref/kg/ens/fa out

 

3.bowtie2建立参考基因组索引

bowtie2_build hg38.fa hg38

 

4.基于RNA-Seq的基因组比对（pair-end模式）

###bowtie2参数介绍###

#-p 使用多线程

#--very-sensitive 允许多重比对，报告出最好的一个

#--score-min=C,-15,0 设置比对分数函数

#--mm 设置I/O模式。

 

###samtools view参数介绍###

#-h 文件包含header line

#-b 输出bam格式

#-u 输出非压缩的bam格式

#–S 忽略版本兼容

bowtie2 -p 16 --very-sensitive --score-min=C,-15,0 --mm -x /path/to/bowtie2_index -q -1 reads1.fq -2 reads2.fq | samtools view -hbuS - | samtools sort - -o output.bam

 

5.挑出没有比对上的序列，各取两头20bp短序列（anchor)

samtools view -hf 4 output.bam | samtools view -Sb - > unmapped.bam
/path/to/unmapped2anchors.py unmapped.bam | gzip > anchors.fq.gz

 

6.根据anchor比对基因组情况寻找潜在的circRNA

###find_circ.py参数介绍###

#--prefix参数指定的是spliced_sites.bed文件中第四列内容的前缀，建议指定为物种对应的三字母缩写，需要注意的是，在spliced_sites_bed中同时包含了环状RNA和线性RNA,环状RNA的名称用circ标识，线性RNA的名称用norm标识，这里设置为--prefix=hsa_

#--name参数会在生成的spliced_sites.bed文件中指定tissues列的名字

#--reads参数会生成包含spliced reads的fa文件

#--stats参数会生成包含数值统计信息的txt文件

bowtie2 -p 16 --reorder --mm  --score-min=C,-15,0 -q -x /path/to/bowtie2_index -U anchors.fq.gz | /path/to/find_circ.py --genome=/path/to/hg38.fa --prefix=hsa_ --name=my_test_sample --stats=<run folder>/stats.txt --reads=<run folder>/splice_reads.fa > <run folder>/spliced_sites.bed

 

###根据以下规则对结果进行筛选

1.根据关键词CIRCULAR筛选环状RNA

2.去除线粒体上的环状RNA

3.筛选unique junction reads数至少为2的环状RNA

4.去除断裂点不明确的环状RNA

5.过滤掉长度大于100kb的circRNA,这里的100kb为基因组长度，直接用环状RNA的头尾相减即可

grep CIRCULAR spliced_sites.bed | grep -v chrM | gawk '$5>=2' | grep UNAMBIGUOUS_BP | grep ANCHOR_UNIQUE | /path/to/maxlength.py 100000 > find_circ.candidates.bed

 

7.分析多个样本

#如果有多个样本，需要分别用find_circ.py运行，然后将各自的结果合并

/path/to/merge_bed.py sample1.bed sample2.bed [...] >combined.bed

 

8.输出的spliced_sites_bed文件格式

#输出的spliced_sites.bed文件前六列为标准的BED文件格式，剩余的12列关于junction的一些信息

 

column	name	description
1	chrom	chromosome/contig name
2	start	left splice site (zero-based)
3	end	right splice site (zero-based).(Always: end > start. 5' 3' depends on strand)
4	name	(provisional) running number/name assigned to junction
5	n_reads	number of reads supporting the junction (BED 'score')
6	strand	genomic strand (+ or -)
7	n_uniq	number of distinct read sequences supporting the junction
8	uniq_bridges	number of reads with both anchors aligning uniquely
9	best_qual_left	alignment score margin of the best anchor alignment supporting the left splice junction (max=2 * anchor_length)
10	best_qual_right	same for the right splice site
11	tissues	comma-separated, alphabetically sorted list of supporting the left splice junction (max=2 * anchor_length)
12	tiss_counts	comma-separated list of corresponding read-counts
13	edits	number of mismatches in the anchor extension process
14	anchor_overlap	number of nucleotides the breakpoint resides within one anchor
15	breakpoints	number of alternative ways to break the read with flanking GT/AG
16	signal	flanking dinucleotide splice signal (normally GT/AG)
17	strandmatch	'MATCH', 'MISMATCH' or 'NA' for non-stranded analysis
18	category	list of keywords describing the junction. Useful for quick grep filtering

 

2019-12-02

22:20:44