Lib.rs

› 科学 › 生物学
#基因 #dna #蛋白质

bin+lib frag_gene_scan_rs

短读长和错误读长基因预测模型的Rust实现

作者：Felix Van der Jeugt

2个稳定版本

1.1.0 2021年10月8日
1.0.1 2021年8月25日

#142 in 生物学

GPL-3.0-or-later

2MB
2.5K SLoC

FragGeneScanRs

安装

从版本

下载适用于您平台的最新版本构建，并将其解压缩到路径中某个位置。

从源码

FragGeneScanRs是用Rust编写的，因此首先请参阅他们的安装说明。之后，您可以使用cargo install frag_gene_scan_rs从crates.io安装crate，或者您可以从这里安装。克隆此存储库或下载最新版本的源代码。在此目录下，运行cargo install --path .进行安装。安装过程可能会提示您将目录添加到路径中，以便您可以轻松执行它。

用法

您可以使用FragGeneScanRs与FragGeneScan的简短选项一起使用，但它还提供长格式选项和一些附加选项。它默认从标准输入读取并写入标准输出，允许在您只需要预测的蛋白质的情况下进行更短的调用。

# get predictions for 454 pyrosequencing reads with about 1% error rate
FragGeneScanRs -t 454_10 < example/NC_000913-454.fna > example/NC_000913-454.faa

# get predictions for complete reads
FragGeneScanRs -t complete -w 1 < example/NC_000913.fna > example/NC_000913.faa

向下兼容模式

FragGeneScanRs -s seq_file_name -o output_file_name -w [0 or 1] -t train_file_name -p num_threads

其中

  • seq_file_name是需要进行基因预测的DNA序列的FASTA文件的绝对路径

  • output_file_name是三个输出文件的绝对路径和前缀。将分别创建扩展名为.out、.faa和.ffn的文件，分别包含基因预测元数据、预测基因的蛋白质翻译和预测基因的DNA序列。

  • 0或1用于短序列读数或完整的基因组序列。

  • train_file_name用于选择以下类型之一的训练文件：

    • complete用于完整的基因组序列或无测序错误的短序列读数
    • sanger_5 用于约0.5%错误率的Sanger测序读取
    • sanger_10 用于约1%错误率的Sanger测序读取
    • 454_5 用于约0.5%错误率的454焦磷酸测序读取
    • 454_10 用于约1%错误率的454焦磷酸测序读取
    • 454_30 用于约3%错误率的454焦磷酸测序读取
    • illumina_5 用于约0.5%错误率的Illumina测序读取
    • illumina_10 用于约1%错误率的Illumina测序读取

    相应的文件应位于工作目录下的子目录 train 中。其他文件可以在此处添加和选择。

  • num_threads 是要使用的线程数。默认为1。

其他选项

  • -m meta_file、-n nucleotide_file、-a aa_file 和 -g gff_file 可用于将输出写入特定文件，而不是让程序创建具有预定扩展名的文件名。这些选项优先于 -o 选项。

  • 省略 -o 选项或使用名称 stdout 将导致 FragGeneScanRs 只将预测的蛋白质写入标准输出。其他文件仍可以使用上述特定选项请求。

  • 省略 -s 选项将导致 FragGeneScanRs 从标准输入读取序列。

  • -r train_file_dir 允许显式指定包含训练文件的目录路径，因此您可以在系统上的任何位置执行命令。

  • 选项 -u 可用于在使用多线程时提供一些额外的速度和减少内存。输出将不再按输入顺序排列（如FGS和FGS+所示）。

当运行 FragGeneScanRs --help 时，将打印出完整的选项列表。

执行时间（版本1.0.0）

使用 meta/benchmark.sh 脚本在16核心Intel(R) Xeon(R) CPU E5-2650 v2 @ 2.60GHz和195GB RAM的机器上进行了基准测试。使用的数据集是 FragGeneScan 提供的示例数据集。下表显示了5次运行的平均执行时间。详细结果可以在 meta/benchmark.csv 中找到。对于短读（80bp），FragGeneScanRs 比FragGeneScan快约22倍，比FragGeneScanPlus快1.2倍。对于长读（1328bp）和完整基因组（大肠杆菌K-12亚种MG1655，4639675bp），FragGeneScanRs 分别比FragGeneScan快4.3倍和2.2倍，比FGS+快1.6倍和233.6倍。

single threaded absolute execution times

parallelization efficiency

短读 1 线程 2 线程 4 线程 8 线程 16 线程
FragGeneScan 731 r/s 1257 r/s 2158 r/s 3408 r/s 3371 r/s
FragGeneScanPlus 13830 r/s 23997 r/s 37882 r/s 54610 r/s /
FragGeneScanRs 16119 r/s 29326 r/s 48593 r/s 73965 r/s 99885 r/s
长读 1 线程 2 线程 4 线程 8 线程 16 线程
FragGeneScan 317 r/s 545 r/s 1053 r/s 1715 r/s 1968 r/s
FragGeneScanPlus 863 r/s 1596 r/s 2910 r/s 5573 r/s /
FragGeneScanRs 1358 r/s 2674 r/s 5051 r/s 8803 r/s 14343 r/s
完整基因组 1 线程
FragGeneScan 6.668 秒
FragGeneScanPlus 712.265 秒
FragGeneScanRs 3.049 秒

用于这些基准测试的命令和参数是

./FragGeneScan -t 454_10 -s example/NC_000913-454.fna -o example/NC_000913-454 -w 0
./FGS+ -t 454_10 -s example/NC_000913-454.fna -o example/NC_000913-454 -w 0
./FragGeneScanRs -t 454_10 -s example/NC_000913-454.fna -o example/NC_000913-454 -w 0

./FragGeneScan -t complete -s example/contigs.fna -o example/contigs -w 1
./FGS+ -t complete -s example/contigs.fna -o example/contigs -w 1
./FragGeneScanRs -t complete -s example/contigs.fna -o example/contigs -w 1

./FragGeneScan -t complete -s example/NC_000913.fna -o example/NC_000913 -w 1
./FGS+ -t complete -s example/NC_000913.fna -o example/NC_000913 -w 1
./FragGeneScanRs -t complete -s example/NC_000913.fna -o example/NC_000913 -w 1

默认情况下，FragGeneScanPlus只输出预测的基因，不输出元数据和DNA文件。以下是在FragGeneScanRs也没有生成这些文件时的测量结果。

短读 1 线程 2 线程 4 线程 8 线程
FragGeneScanPlus 13765 次/秒 24500 次/秒 39548 次/秒 57147 次/秒
FragGeneScanRs 16815 次/秒 28784 次/秒 50157 次/秒 75397 次/秒

这里使用的命令是

./FGS+ -t 454_10 -s example/NC_000913-454.fna -o stdout -w 0 > /dev/null
./FragGeneScanRs -t 454_10 -s example/NC_000913-454.fna -o stdout -w 0 > /dev/null

内存使用（版本1.0.0）

下方的图表显示了FGS、FGS+和FGSrs在长读长（1328 bp）上的多线程执行内存占用。总内存占用（堆、栈和内存映射文件I/O）使用Valgrind的Massif堆分析器测量，并带有--pages-as-heap选项。在10个线程以上时，FGS+的竞争条件会一直阻止执行。FGS和FGSrs生成DNA序列、蛋白质翻译和元数据，而FGS+仅生成蛋白质翻译，因为生成其他输出时软件会崩溃。FGS和FGS+报告基因预测的顺序与默认的顺序报告不同，FGSrs使用了默认的顺序报告。

memory usage

依赖项

约5MB
约93K SLoC