Question

我想计算成绩单表达式，因此我需要获取bam文件中所有读取的映射数。我目前的程序是使用Bio :: DB :: Sam获取整体成绩单并获取映射到其上的读数。结果存储在一个散列中，其中read_name为键（10个字母），number_of_mappings为值（整数）。

以下是我正在使用的代码：

use Bio::DB:Sam;
use strict;

my %global_read_occurrences;


sub getGlobalReadOccurrences {

 my ($ids, $bam_file) = @_;

 $sam = Bio::DB::Sam -> new (-bam => $bam_file);

 foreach my $id (@{$ids}){
   my $alignments = $sam -> get_features_by_location(-seq_id => $transcript_id, -iterator => 1);


  while (my $alignment = $alignments -> next_seq){

   my $read_name = $alignment -> query -> name;

   if (exists($global_read_occurrences{$read_name})){
    $global_read_occurrences{$read_name}++;
   }
   else {
    $global_read_occurrences{$read_name} = 1;
   }
  }
 }
}

我的问题：还有其他可能性，我可以直接获得每次读取的全局映射数量，并且我不必查看所有成绩单吗？我在Bio :: DB :: Sam中找不到任何潜水员，比如$ sam - ＆gt; getNumberOfMappings（$ read_name）;

我正在使用超过5000万映射读取的bam文件，因此散列需要大量内存资源（有时大约40 GB）这实际上是否可能或者是否来自其他地方？还有其他任何可能用较少的内存存储数据吗？

非常感谢！

Answer 1

BAM文件通常按染色体位置排序，而不是按读取名称排序，因此读取映射可以位于文件中的任何位置。最简单的方法是转到SAM文件并运行一个简单的shell命令：

 cut -f1,1 myfile.sam | sort | uniq -c

这将生成如下文件：

  2 HWI-EAS299_4_30M2BAAXX:2:99:965:826
  2 HWI-EAS299_4_30M2BAAXX:2:99:966:1932
  2 HWI-EAS299_4_30M2BAAXX:2:99:971:146
  2 HWI-EAS299_4_30M2BAAXX:2:9:997:1263
  2 HWI-EAS299_4_30M2BAAXX:2:99:972:281
  2 HWI-EAS299_4_30M2BAAXX:2:99:973:1904
  1 HWI-EAS299_4_30M2BAAXX:2:99:976:186
  2 HWI-EAS299_4_30M2BAAXX:2:99:986:687
  6 HWI-EAS299_4_30M2BAAXX:2:99:987:165
  2 HWI-EAS299_4_30M2BAAXX:2:99:99:1582
  2 HWI-EAS299_4_30M2BAAXX:2:99:99:160
  2 HWI-EAS299_4_30M2BAAXX:2:99:998:1139

第一列是映射计数。第二个是读取名称。

Bio :: DB :: Sam - 获取bam文件中所有读取的映射数

1 个答案: