这个处理不同基因组区域关系的工具集很不错！
Bedtools是處理基因組信息分析的強大工具集合，本文列出自己學習其官方文檔的幾個點，對后面計算不同樣品peak相似性的腳本做了下更新和調整，使用起來更為簡單方便。
內容摘要
區域注釋，如peak注釋，peak分布分析，peak與調控元件交集等。
區域合并，如求算多樣品peak合集，或合并重疊區域
區域互補，如得到非基因區
利用比對結果對測序廣度和深度評估
多樣品peak相似性計算，評估ChIP類區域結果的樣品相似性。
bedtools主要功能
bedtools: flexible tools for genome arithmetic and DNA sequence analysis.usage: ? bedtools <subcommand> [options]The bedtools sub-commands include:[ Genome arithmetic ]intersect ? ? Find overlapping intervals in various ways.求區域之間的交集，可以用來注釋peak，計算reads比對到的基因組區域不同樣品的peak之間的peak重疊情況。window ? ? ? Find overlapping intervals within a window around an interval.closest ? ? ? Find the closest, potentially non-overlapping interval.尋找最近但可能不重疊的區域coverage ? ? Compute the coverage over defined intervals.計算區域覆蓋度map ? ? ? ? ? Apply a function to a column for each overlapping interval.genomecov ? ? Compute the coverage over an entire genome.merge ? ? ? ? Combine overlapping/nearby intervals into a single interval.合并重疊或相接的區域cluster ? ? ? Cluster (but don't merge) overlapping/nearby intervals.complement ? Extract intervals _not_ represented by an interval file.獲得互補區域subtract ? ? Remove intervals based on overlaps b/w two files.計算區域差集slop ? ? ? ? Adjust the size of intervals.調整區域大小，如獲得轉錄起始位點上下游3 K的區域flank ? ? ? ? Create new intervals from the flanks of existing intervals.sort ? ? ? ? Order the intervals in a file.排序，部分命令需要排序過的bed文件random ? ? ? Generate random intervals in a genome.獲得隨機區域，作為背景集shuffle ? ? ? Randomly redistrubute intervals in a genome.根據給定的bed文件獲得隨機區域，作為背景集sample ? ? ? Sample random records from file using reservoir sampling.spacing ? ? ? Report the gap lengths between intervals in a file.annotate ? ? Annotate coverage of features from multiple files.[ Multi-way file comparisons ]multiinter ? Identifies common intervals among multiple interval files.unionbedg ? ? Combines coverage intervals from multiple BEDGRAPH files.[ Paired-end manipulation ]pairtobed ? ? Find pairs that overlap intervals in various ways.pairtopair ? Find pairs that overlap other pairs in various ways.[ Format conversion ]bamtobed ? ? Convert BAM alignments to BED (& other) formats.bedtobam ? ? Convert intervals to BAM records.bamtofastq ? Convert BAM records to FASTQ records.bedpetobam ? Convert BEDPE intervals to BAM records.bed12tobed6 ? Breaks BED12 intervals into discrete BED6 intervals.[ Fasta manipulation ]getfasta ? ? Use intervals to extract sequences from a FASTA file.提取給定位置的FASTA序列maskfasta ? ? Use intervals to mask sequences from a FASTA file.nuc ? ? ? ? ? Profile the nucleotide content of intervals in a FASTA file.[ BAM focused tools ]multicov ? ? Counts coverage from multiple BAMs at specific intervals.tag ? ? ? ? ? Tag BAM alignments based on overlaps with interval files.[ Statistical relationships ]jaccard ? ? ? Calculate the Jaccard statistic b/w two sets of intervals.計算數據集相似性reldist ? ? ? Calculate the distribution of relative distances b/w two files.fisher ? ? ? Calculate Fisher statistic b/w two feature files.[ Miscellaneous tools ]overlap ? ? ? Computes the amount of overlap from two intervals.igv ? ? ? ? ? Create an IGV snapshot batch script.用于生成一個腳本，批量捕獲IGV截圖links ? ? ? ? Create a HTML page of links to UCSC locations.makewindows ? Make interval "windows" across a genome.把給定區域劃分成指定大小和間隔的小區間 (bin)groupby ? ? ? Group by common cols. & summarize oth. cols. (~ SQL "groupBy")分組結算，不只可以用于bed文件。expand ? ? ? Replicate lines based on lists of values in columns.split ? ? ? ? Split a file into multiple files with equal records or base pairs.安裝bedtools
（Linux - Conda軟件安裝方法）
ct@ehbio:~$ conda install bedtools獲得測試數據集(http://quinlanlab.org/tutorials/bedtools/bedtools.html)
ct@ehbio:~$ mkdir bedtools ct@ehbio:~$ cd bedtools ct@ehbio:~$ url=https://s3.amazonaws.com/bedtools-tutorials/web ct@ehbio:~/bedtools$ curl -O ${url}/maurano.dnaseI.tgz ct@ehbio:~/bedtools$ curl -O ${url}/cpg.bed ct@ehbio:~/bedtools$ curl -O ${url}/exons.bed ct@ehbio:~/bedtools$ curl -O ${url}/gwas.bed ct@ehbio:~/bedtools$ curl -O ${url}/genome.txt ct@ehbio:~/bedtools$ curl -O ${url}/hesc.chromHmm.bed交集 (intersect)
查看輸入文件，bed格式，至少三列，分別是染色體，起始位置(0-based,
包括)，終止位置
(1-based，不包括)。第四列一般為區域名字，第五列一般為空，第六列為鏈的信息。更詳細解釋見http://www.genome.ucsc.edu/FAQ/FAQformat.html#format1。
自己做研究CpG島信息可以從UCSC的Table Browser獲得，具體操作見http://blog.genesino.com/2013/05/ucsc-usages/。
ct@ehbio:~/bedtools$ head -n 3 cpg.bed exons.bed==> cpg.bed <==chr1 ? ?28735 ? 29810 ? CpG:_116 chr1 ? ?135124 ?135563 ?CpG:_30 chr1 ? ?327790 ?328229 ?CpG:_29==> exons.bed <==chr1 ? ?11873 ? 12227 ? NR_046018_exon_0_0_chr1_11874_f 0 ? + chr1 ? ?12612 ? 12721 ? NR_046018_exon_1_0_chr1_12613_f 0 ? + chr1 ? ?13220 ? 14409 ? NR_046018_exon_2_0_chr1_13221_f 0 ? +獲得重疊區域(既是外顯子，又是CpG島的區域)
ct@ehbio:~/bedtools$ bedtools intersect -a cpg.bed -b exons.bed | head -5chr1 ? ?29320 ? 29370 ? CpG:_116 chr1 ? ?135124 ?135563 ?CpG:_30 chr1 ? ?327790 ?328229 ?CpG:_29 chr1 ? ?327790 ?328229 ?CpG:_29 chr1 ? ?327790 ?328229 ?CpG:_29輸出重疊區域對應的原始區域(與外顯子存在交集的CpG島)
ct@ehbio:~/bedtools$ bedtools intersect -a cpg.bed -b exons.bed -wa -wb > | head -5chr1 28735 29810 CpG:_116 chr1 29320 29370
NR_024540_exon_10_0_chr1_29321_r 0 -
chr1 135124 135563 CpG:_30 chr1 134772 139696
NR_039983_exon_0_0_chr1_134773_r 0 -
chr1 327790 328229 CpG:_29 chr1 324438 328581
NR_028322_exon_2_0_chr1_324439_f 0 +
chr1 327790 328229 CpG:_29 chr1 324438 328581
NR_028325_exon_2_0_chr1_324439_f 0 +
chr1 327790 328229 CpG:_29 chr1 327035 328581
NR_028327_exon_3_0_chr1_327036_f 0 +
計算重疊堿基數
ct@ehbio:~/bedtools$ bedtools intersect -a cpg.bed -b exons.bed -wo | head -10chr1 28735 29810 CpG:_116 chr1 29320 29370
NR_024540_exon_10_0_chr1_29321_r 0 - 50
chr1 135124 135563 CpG:_30 chr1 134772 139696
NR_039983_exon_0_0_chr1_134773_r 0 - 439
chr1 327790 328229 CpG:_29 chr1 324438 328581
NR_028322_exon_2_0_chr1_324439_f 0 + 439
chr1 327790 328229 CpG:_29 chr1 324438 328581
NR_028325_exon_2_0_chr1_324439_f 0 + 439
chr1 327790 328229 CpG:_29 chr1 327035 328581
NR_028327_exon_3_0_chr1_327036_f 0 + 439
chr1 713984 714547 CpG:_60 chr1 713663 714068
NR_033908_exon_6_0_chr1_713664_r 0 - 84
chr1 762416 763445 CpG:_115 chr1 761585 762902
NR_024321_exon_0_0_chr1_761586_r 0 - 486
chr1 762416 763445 CpG:_115 chr1 762970 763155
NR_015368_exon_0_0_chr1_762971_f 0 + 185
chr1 762416 763445 CpG:_115 chr1 762970 763155
NR_047519_exon_0_0_chr1_762971_f 0 + 185
chr1 762416 763445 CpG:_115 chr1 762970 763155
NR_047520_exon_0_0_chr1_762971_f 0 + 185
計算第一個(-a)bed區域有多少個重疊的第二個(-b)bed文件中有多少個區域
ct@ehbio:~/bedtools$ bedtools intersect -a cpg.bed -b exons.bed -c | headchr1 ? ?28735 ? 29810 ? CpG:_116 ? ?1 chr1 ? ?135124 ?135563 ?CpG:_30 1 chr1 ? ?327790 ?328229 ?CpG:_29 3 chr1 ? ?437151 ?438164 ?CpG:_84 0 chr1 ? ?533219 ?534114 ?CpG:_94 0 chr1 ? ?544738 ?546649 ?CpG:_171 ? ?0 chr1 ? ?713984 ?714547 ?CpG:_60 1 chr1 ? ?762416 ?763445 ?CpG:_115 ? ?10 chr1 ? ?788863 ?789211 ?CpG:_28 9另外還有-v取出不重疊的區域,
-f限定重疊最小比例，-sorted可以對按sort -k1,1 -k2,2n排序好的文件加速操作。
同時對多個區域求交集 (可以用于peak的多維注釋)
# -names標注注釋來源 # -sorted: 如果使用了這個參數，提供的一定是排序好的bed文件ct@ehbio:~/bedtools$ bedtools intersect -a exons.bed \-b cpg.bed gwas.bed hesc.chromHmm.bed -sorted -wa -wb -names cpg gwas chromhmm \| head -10000 ?| tail -10chr1 27632676 27635124
NM_001276252_exon_15_0_chr1_27632677_chromhmm chr1 27633213
27635013 5_Strong_Enhancer
chr1 27632676 27635124
NM_001276252_exon_15_0_chr1_27632677_chromhmm chr1 27635013
27635413 7_Weak_Enhancer
chr1 27632676 27635124 NM_015023_exon_15_0_chr1_27632677_f
chromhmm chr1 27632613 27632813 6_Weak_Enhancer
chr1 27632676 27635124 NM_015023_exon_15_0_chr1_27632677_f
chromhmm chr1 27632813 27633213 7_Weak_Enhancer
chr1 27632676 27635124 NM_015023_exon_15_0_chr1_27632677_f
chromhmm chr1 27633213 27635013 5_Strong_Enhancer
chr1 27632676 27635124 NM_015023_exon_15_0_chr1_27632677_f
chromhmm chr1 27635013 27635413 7_Weak_Enhancer
chr1 27648635 27648882 NM_032125_exon_0_0_chr1_27648636_f cpg
chr1 27648453 27649006 CpG:_63
chr1 27648635 27648882 NM_032125_exon_0_0_chr1_27648636_f
chromhmm chr1 27648613 27649413 1_Active_Promoter
chr1 27648635 27648882 NR_037576_exon_0_0_chr1_27648636_f cpg
chr1 27648453 27649006 CpG:_63
chr1 27648635 27648882 NR_037576_exon_0_0_chr1_27648636_f
chromhmm chr1 27648613 27649413 1_Active_Promoter
合并區域
bedtools merge輸入的是按sort -k1,1 -k2,2n排序好的bed文件。
只需要輸入一個排序好的bed文件，默認合并重疊或鄰接區域。
ct@ehbio:~/bedtools$ bedtools merge -i exons.bed | head -n 5chr1 ? ?11873 ? 12227 chr1 ? ?12612 ? 12721 chr1 ? ?13220 ? 14829 chr1 ? ?14969 ? 15038 chr1 ? ?15795 ? 15947合并區域并輸出此合并后區域是由幾個區域合并來的
ct@ehbio:~/bedtools$ bedtools merge -i exons.bed -c 1 -o count | head -n 5chr1 ? ?11873 ? 12227 ? 1 chr1 ? ?12612 ? 12721 ? 1 chr1 ? ?13220 ? 14829 ? 2 chr1 ? ?14969 ? 15038 ? 1 chr1 ? ?15795 ? 15947 ? 1合并相距90 nt內的區域，并輸出是由哪些區域合并來的
# -c: 指定對哪些列進行操作 # -o: 與-c對應，表示對指定列進行哪些操作 # 這里的用法是對第一列做計數操作，輸出這個區域是由幾個區域合并來的 # 對第4列做收集操作，記錄合并的區域的名字，并逗號分隔顯示出來ct@ehbio:~/bedtools$ bedtools merge -i exons.bed -d 340 -c 1,4 -o count,collapse | head -4chr1 ? ?11873 ? 12227 ? 1 ? NR_046018_exon_0_0_chr1_11874_f chr1 ? ?12612 ? 12721 ? 1 ? NR_046018_exon_1_0_chr1_12613_f chr1 ? ?13220 ? 15038 ? 3 ? NR_046018_exon_2_0_chr1_13221_f,NR_024540_exon_0_0_chr1_14362_r,NR_024540_exon_1_0_chr1_14970_r chr1 ? ?15795 ? 15947 ? 1 ? NR_024540_exon_2_0_chr1_15796_r計算互補區域
給定一個全集，再給定一個子集，求另一個子集。比如給定每條染色體長度和外顯子區域，求非外顯子區域。給定基因區，求非基因區。給定重復序列，求非重復序列等。
重復序列區域的獲取也可以用下面提供的鏈接：http://blog.genesino.com/2013/05/ucsc-usages/。
ct@ehbio:~/bedtools$ head genome.txtchr1 ? ?249250621 chr10 ? 135534747 chr11 ? 135006516 chr11_gl000202_random ? 40103 chr12 ? 133851895 chr13 ? 115169878 chr14 ? 107349540 chr15 ? 102531392ct@ehbio:~/bedtools$ bedtools complement -i exons.bed -g genome.txt | head -n 5chr1 ? ?0 ? 11873 chr1 ? ?12227 ? 12612 chr1 ? ?12721 ? 13220 chr1 ? ?14829 ? 14969 chr1 ? ?15038 ? 15795基因組覆蓋廣度和深度
計算基因組某個區域是否被覆蓋，覆蓋深度多少。有下圖多種輸出格式，也支持RNA-seq數據，計算junction-reads覆蓋。
genome.txt里面的內容就是染色體及對應的長度。
# 對單行FASTA，可如此計算 # 如果是多行FASTA，則需要累加ct@ehbio:~/bedtools$ awk 'BEGIN{OFS=FS="\t"}{\if($0~/>/) {seq_name=$0;sub(">","",seq_name);} \else {print seq_name,length;} }' ../bio/genome.fa | tee ../bio/genome.txtchr1 ? 60001 chr2 ? 54001 chr3 ? 54001 chr4 ? 60001ct@ehbio:~/bedtools$ bedtools genomecov -ibam ../bio/map.sortP.bam -bga \-g ../bio/genome.txt | head# 這個warning很有意思，因為BAM中已經有這個信息了，就不需要提供了***** *****WARNING: Genome (-g) files are ignored when BAM input is provided. *****# bedgraph文件，前3列與bed相同，最后一列表示前3列指定的區域的覆蓋度。chr1 ? ?0 ? 11 ?0 chr1 ? 11 17 1 chr1 ? 17 20 2 chr1 ? 20 31 3 chr1 ? 31 36 4 chr1 ? 36 43 6 chr1 ? 43 44 7 chr1 ? 44 46 8 chr1 ? 46 48 9 chr1 ? 48 54 10兩個思考題：
怎么計算有多少基因組區域被測到了？
怎么計算平均測序深度是多少？
數據集相似性
bedtools jaccard計算的是給定的兩個bed文件之間交集區域(interp)占總區域(union-interp)的比例(jaccard)和交集的數目(n_interps)。
ct@ehbio:~/bedtools$ bedtools jaccard \-a fHeart-DS16621.hotspot.twopass.fdr0.05.merge.bed \-b fHeart-DS15839.hotspot.twopass.fdr0.05.merge.bedinterp ? ?union-interp ?jaccard n_interps 81269248 ? ?160493950 ? 0.50637 130852小思考：1. 如何用bedtools其它工具算出這個結果？2. 如果需要比較的文件很多，怎么充分利用計算資源？
一個辦法是使用for循環,
雙層嵌套。這種用法也很常見，不管是單層還是雙層for循環，都有利于簡化重復運算。
ct@ehbio:~/bedtools$ for i in *.merge.bed; do \for j in *.merge.bed; do \bedtools jaccard -a $i -b $j | cut -f3 | tail -n +2 | sed "s/^/$i\t$j\t/"; \done; done >total.similarity另一個辦法是用parallel，不只可以批量，更可以并行。
root@ehbio:~# yum install parallel.noarch # parallel 后面雙引號("")內的內容為希望用parallel執行的命令， # 整體寫法與Linux下命令寫法一致。 # 雙引號后面的 三個相鄰冒號 (:::)默認用來傳遞參數的，可多個連寫。 # 每個三冒號后面的參數會被循環調用，而在命令中的引用則是根據其出現的位置，分別用{1}, {2} # 表示第一個三冒號后的參數，第二個三冒號后的參數。 # # 這個命令可以替換原文檔里面的整合和替換, 相比于原文命令生成多個文件，這里對每個輸出結果 # 先進行了比對信息的增加，最后結果可以輸入一個文件中。 #ct@ehbio:~/bedtools$ parallel "bedtools jaccard -a {1} -b {2} | awk 'NR> | cut -f 3 \| sed 's/^/{1}\t{2}\t/'" ::: `ls *.merge.bed` ::: `ls *.merge.bed` ?>totalSimilarity.2# 上面的命令也有個小隱患，并行計算時的輸出沖突問題，可以修改為輸出到單個文件,再cat到一起 ct@ehbio:~/bedtools$ parallel "bedtools jaccard -a {1} -b {2} | awk 'NR> | cut -f 3 \| sed 's/^/{1}\t{2}\t/' >{1}.{2}.totalSimilarity_tmp" ::: `ls *.merge.bed` ::: `ls *.merge.bed` ct@ehbio:~/bedtools$ cat *.totalSimilarity_tmp >totalSimilarity.2# 替換掉無關信息ct@ehbio:~/bedtools$ sed -i -e 's/.hotspot.twopass.fdr0.05.merge.bed//' \-e 's/.hg19//' totalSimilarity.2 ?totalSimilarity.2數據表格式如下 (數據是假的)：
fMusle_leg-DS19115 ? ?fMusle_back-DS18454 ? ?0.55 fMusle_leg-DS19115 ? ?fHeart-DS15643 ? ?0.4 fHeart-DS15643 ? ?fHeart-DS16621 ? ?0.8 fHeart-DS15643 ? ?fHeart-DS15839 ? ?0.7 fHeart-DS16621 ? ?fHeart-DS15839 ? ?0.7得到結果后，就可以繪制相關性熱圖或PCA了。
也可以使用下面的命令轉換成Wide format矩陣，用高顏值可定制在線繪圖工具-第三版繪制。
# 這里面b和c可以用一個，因為是一個對稱陣 # 如果2和3列內容不同，此腳本也可用 ct@ehbio:~/bedtools$ awk 'BEGIN{OFS=FS="\t"}{a[$1, $2]=$3; b[$1]=1; c[$2]=1;}END\{printf("ID"); for(i in c) printf("\t%s", ?i); \for (i in b) {printf("%s", i); for(j in c) {printf("\t%s", a[i, j]);} print "";}}原文檔(http://quinlanlab.org/tutorials/bedtools/bedtools.html)的命令，稍微有些復雜，利于學習不同命令的組合。使用時推薦使用上面的命令。
ct@ehbio:~/bedtools$ parallel "bedtools jaccard -a {1} -b {2} \| awk 'NR>1' | cut -f 3 \> {1}.{2}.jaccard" \::: `ls *.merge.bed` ::: `ls *.merge.bed`This command will create a single file containing the pairwise Jaccard
measurements from all 400 tests.
find . \| grep jaccard \| xargs grep "" \| sed -e s"/\.\///" \| perl -pi -e "s/.bed./.bed\t/" \| perl -pi -e "s/.jaccard:/\t/" \> pairwise.dnase.txtA bit of cleanup to use more intelligible names for each of the samples.
cat pairwise.dnase.txt \ | sed -e 's/.hotspot.twopass.fdr0.05.merge.bed//g' \ | sed -e 's/.hg19//g' \ > pairwise.dnase.shortnames.txtNow let’s make a 20x20 matrix of the Jaccard statistic. This will allow
the data to play nicely with R.
awk 'NF==3' pairwise.dnase.shortnames.txt \ | awk '$1 ~ /^f/ && $2 ~ /^f/' \ | python make-matrix.py \ > dnase.shortnames.distance.matrix往期精品(點擊圖片直達文字對應教程)
后臺回復“生信寶典福利第一波”或點擊閱讀原文獲取教程合集
總結
以上是生活随笔為你收集整理的这个处理不同基因组区域关系的工具集很不错！的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Windows10系统下虚拟环境的安装与
- 下一篇： Maple使用教程