数据模拟软件ART

有些时候，我们需要用到一些数据模拟工具生成模拟数据对软件进行测试，下面我就为大家介绍一款比较流行的模拟数据软件ART。

该款软件于2012年发表在Bioinformatics上，目前被引次数高达476次。ART可以模拟生成三大主流二代测序平台Illumina's Solexa, Roche's 454和Applied Biosystems' SOLiD的single-end, paired-end/mate-pair reads，同时也可以对序列比对、无参组装、call SNP等进行打分，可以说是功能相当全面。ART在1000 Genomes Project里被用作主要的模拟数据工具，采用C++编写，同时内置了Perl脚本，有着优化的算法和极高的效率，但目前并不支持多线程。输出的格式有FASTQ、alignments in the ALN format、SAM等，可以通过内置的脚本将ALN转换成BED格式。

目前ART不但可以在linux和Macos下使用，同时也有相关版本在windows笔记本上运行。通过官方地址（https://www.niehs.nih.gov/research/resources/software/biostatistics/art/）我们找到最新的linux版本下载地址，下载后tar解压缩即可直接使用ART内置的程序。

鉴于目前常用的是illumina平台的测序数据，这里就以ART里illumina相关的程序进行使用说明。art_illumina运行代码如下：

./art_illumina  -ss HS25 -i ./testSeq.fa -o ./paired_end_com -l 150 -f 10 -p -m 500 -s 10 -sam

./art_illumina是需要运行的程序

-i 需要输入的参考基因组

-o 需要输出的数据，paired_end_com是输出文件的前缀

-p 表示输出是paired-end数据，如果-m参数给出的值>=2000，则自动升级成mate-pair

-m 表示paired-end的片段大小

-s  表示-m片段的偏差

-f  表示输出数据的覆盖度，这里是10X

-l 150 表示是150bp的双端数据

-sam  同时生成sam文件

-ef    加上-ef可以使输出的模拟数据没有错误值，加不加看自己的需求。

-ss The name of Illumina sequencing system of the built-in profile used for simulation，illumina不同平台有不同的固定表示，具体如下所示，其中HS25目前比较常见。

GA1 - GenomeAnalyzer I (36bp,44bp)

GA2 - GenomeAnalyzer II (50bp, 75bp)

HS10 - HiSeq 1000 (100bp)

HS20 - HiSeq 2000 (100bp)

HS25 - HiSeq 2500 (125bp, 150bp)

HSXn - HiSeqX PCR free (150bp)

HSXt - HiSeqX TruSeq (150bp)

MinS - MiniSeq TruSeq (50bp)

MSv1 - MiSeq v1 (250bp)

MSv3 - MiSeq v3 (250bp)

NS50 - NextSeq500 v2 (75bp)

下面使用3.1G大小的人类基因组hg38.fa作为参考基因组，生成10X的模拟数据的运行结果：

我们可以看到CPU运行时间为5165秒，大约80多分钟，虽然是单核运行但是效率确实不错。对运行结果文件截图如下：

humantest1是输出前缀，结果文件有五个，分别是双端的两个aln文件，两个fq文件和一个sam文件，所有文件加起来共占用了194GB的空间。

官方还提供了aln转bed格式的脚本，具体使用如下

./aln2bed.pl paired_end_com.bed  paired_end_com1.aln  paired_end_com2.aln

以上就是本期的ART的教程，同时针对数据模拟软件，2016年Nat Rev Genet上有一篇论文《A comparison of tools for the simulation of genomic next-generation sequencing data》针对多种模拟软件进行了评测，兴趣的同学可以看一下。

 转自生信草堂公众号，已授权