Programme

• Présentation des intervenants, organisation

• Rappel sur les formats de fichiers

• Bedtools (Quinlan and Hall, 2010)

• TP en mode distanciation sociale

Rappels sur les formats de fichiers

Rappels sur les formats de fichiers

FASTA

>foo
ATGCC
>bar other optional text could go here
CCGTA
>bidou
ACTGCAGT
TTCGN
>repeatmasker
ATGTGTcggggggATTTT
>prot2; my_favourite_prot
MTSRRSVKSGPREVPRDEYEDLYYTPSSGMASP

FASTQ

@SEQ_ID
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT
+
!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65

SAM/BAM

• Sequence Alignment Map

• Contient les informations des alignements des lectures sur le génome

• 2 sections

  • le header
  • les alignements

• Se manipule avec

  • samtools (Li, Handsaker, Wysoker, Fennell, Ruan, Homer, Marth, Abecasis, and Durbin, 2009),
  • bedtools (Quinlan and Hall, 2010),
  • Picard tools (Broad Institute, 2018),
  • ...

• Toujours travailler avec le BAM, trié et indexé

SAM/BAM

BED

• Browser Extensible Data

• Ce sont des formats "d'intervalles". Chaque ligne contient un intervalle de coordonnées génomiques avec au minimum 3 colonnes :

# BED 3 columns
#chromosome  start  end
chr1  145  200
chr1  345  500
chr1  600  1000

• Plus d'informations avec 6 colonnes :

# BED 6 columns
#chromosome  start  end  name  score  strand
chr1  145  200  i1  0  +
chr1  345  500  i2  0  +
chr1  600  1000  i3  0  +

BED

GFF

• General Feature Format

• GFF puis GFF2 puis GFF3

• GFF3 actuellement en vigueur : documentation

• Format utilisé pour localiser et décrire toute zone caractéristique d'un génome (ex : un exon)

• Un header

##gff-version 3

• 9 colonnes décrivant des features

ctg123 . mRNA            1300  9000  .  +  .  ID=mrna0001;Name=sonichedgehog
ctg123 . exon            1300  1500  .  +  .  ID=exon00001;Parent=mrna0001
ctg123 . exon            1050  1500  .  +  .  ID=exon00002;Parent=mrna0001
ctg123 . exon            3000  3902  .  +  .  ID=exon00003;Parent=mrna0001
ctg123 . exon            5000  5500  .  +  .  ID=exon00004;Parent=mrna0001
ctg123 . exon            7000  9000  .  +  .  ID=exon00005;Parent=mrna0001

GFF3

1. seqid - Nom du chromosome ou scaffold
2. source - Nom du programme utilisé pour générer ce fichier
3. type - Type d'élément (feature). Doit correspondre à l'ontologie SOFA (Eilbeck, Lewis, Mungall, Yandell, Stein, Durbin, and Ashburner, 2005)
4. start - Début (1-based)
5. end - Fin
6. score - Score décimal
7. strand - Brin + (forward) ou - (reverse).
8. phase - Phase : 0, 1 ou 2 (base du codon)
9. attributes - Liste de paires tag-valeur, par exemple ID, Name, Alias, Parent...

#seqid source type  start  end   score  strand  phase  attributes
ctg123 .      mRNA  1300   9000  .      +       .      ID=mrna0001;Name=bidou;Parent=gene001

GTF

• Dérivé du GFF
• 8 premières colonnes identiques
• La 9ème (attributes) doit contenir gene_id ou transcript_id
• Spécialisé dans l'annotation des gènes
  • gene_id obligatoire
  • transcript_id obligatoire
• GTF == GFF2

chr1    Cufflinks    transcript    62948    63887    1000    +    .    gene_id "ENSG00000240361"; transcript_id "ENST00000492842"; FPKM "0.1133032705"; frac "1.596713"; conf_lo "0.000000"; conf_hi "0.312052"; cov "0.351936"; full_read_support "yes";

VCF

• Variant Calling Format

• En migration vers gVCF ()

• Header décrivant le format et l'obtention du fichier

• Une ligne par variant (SNV, INSERTION, DELETION...)

VCF

Système de coordonnées

ACTGACTG
012345678

ACTGACTG
12345678

BEDTOOLS

• Le couteau suisse pour travailler sur des fichiers d'intervalles et croiser différents types de données

• Permet de nombreuses manipulations et croisement sur :

  • BAM
  • BED
  • GFF/GTF
  • VCF

Une super documentation !

• Avec des schémas

• Une documentation complète

• De nombreux exemples

Exemple pour l'outil intersect

Performance

• Pas de multithreading avec Bedtools
• Sur de gros jeux de données, il faut que les fichiers soient triés (de la même manière bien sûr)

TP : Données à croiser

Ce document vous permettra de suivre pas à pas le TP associé à la suite BEDtools

References

Broad Institute (2018). Picard Tools. http://broadinstitute.github.io/picard/.

Eilbeck, K., S. E. Lewis, C. J. Mungall, et al. (2005). “The Sequence Ontology: a tool for the unification of genome annotations”. In: Genome biology 6.5, p. R44.

Li, H., B. Handsaker, A. Wysoker, et al. (2009). “The sequence alignment/map format and SAMtools”. In: Bioinformatics 25.16, pp. 2078–2079.

Quinlan, A. R. and I. M. Hall (2010). “BEDTools: a flexible suite of utilities for comparing genomic features”. In: Bioinformatics 26.6, pp. 841–842.