测序数据整理¶
1) 匹配双端 reads¶
- 作用： 按名称匹配 R1/R2，并识别缺少配对的记录。
- 计算方法： 去掉 ID 末尾的
/1、/2后匹配，缺失的一端返回None。 - API：
dnakit.bioinformatics.reads.pair_reads(first, second, max_pending=100000, include_orphans=True) - 输入： 两个
Read迭代器；每端规范化后的 ID 不能重复。 - 输出： 返回
ReadPair迭代器，每项包含配对 ID 和两端 reads。 - 示例代码：
from dnakit.bioinformatics.reads import Read, pair_reads
pairs = pair_reads([Read("r1/1", "ACGT")], [Read("r1/2", "TGCA")])
print([(pair.id, pair.first.sequence, pair.second.sequence) for pair in pairs])
- 示例结果：
2) 恢复损坏 FASTQ 中的合法记录¶
- 作用： 从损坏文件中保留可识别的四行 FASTQ 记录。
- 计算方法： 扫描记录头、序列、分隔符与等长质量行，并记录丢弃行数。
- API：
dnakit.bioinformatics.reads.repair_fastq(source, destination, phred_offset=33) - 输入： 损坏 FASTQ 和新输出路径；多行 FASTQ 应用
read_fastx严格读取。 - 输出： 返回
RepairResult，包含修复后 FASTQ 路径、恢复的 reads 数和丢弃的行数。 - 示例代码：
from tempfile import TemporaryDirectory
from pathlib import Path
from dnakit.bioinformatics.reads import repair_fastq
with TemporaryDirectory() as folder:
source = Path(folder) / "broken.fq"
source.write_text("invalid\n@r1\nACGT\n+\nIIII\n")
result = repair_fastq(source, Path(folder) / "repaired.fq")
print(result.recovered_reads, result.discarded_lines)
- 示例结果：
3) 排序、取交集、重命名和校验 reads¶
- 作用： 整理记录顺序、提取共有序列并计算序列摘要。
- 计算方法： 排序或固定种子打乱；按 ID/序列取交集；正则重命名；按记录边界计算 SHA256。
- API：
dnakit.bioinformatics.reads.arrange_reads(reads, operation='sort');dnakit.bioinformatics.reads.common_reads(collections);dnakit.bioinformatics.reads.rename_reads(reads, pattern, replacement);dnakit.bioinformatics.reads.sequence_digest(reads) - 输入：
Read集合；摘要与记录顺序有关，与 ID 无关。 - 输出： 返回排序、交集或重命名后的
Read记录；校验函数返回比较结果。 - 示例代码：
from dnakit.bioinformatics.reads import Read, arrange_reads, common_reads, rename_reads, sequence_digest
reads = [Read("b", "TGCA"), Read("a", "ACGT")]
ordered = arrange_reads(reads)
shared = common_reads([ordered, [Read("a", "ACGT")]])
renamed = list(rename_reads(shared, "^a$", "sample_a"))
print([read.id for read in ordered])
print([read.id for read in renamed])
print(sequence_digest(shared) == sequence_digest(renamed))
- 示例结果：
4) 整理、标记重复并索引 BAM¶
- 作用： 把 SAM/BAM 整理为可用于变异检测的 BAM。
- 计算方法： samtools 依次执行 name-sort、fixmate、坐标排序、markdup、index 和 stats。
- API：
dnakit.bioinformatics.ngs.prepare_bam(source, output_directory, mark_duplicates=True, config=None) - 输入： 已有
aligned.sam或 BAM；samtools 在 PATH 中；新输出目录。 - 输出： 返回
ToolResult，包含后端backend、产物路径artifacts和运行日志log。 - 示例代码：
from dnakit.bioinformatics.ngs import prepare_bam
result = prepare_bam("aligned.sam", "new_bam")
print(result.artifacts["aligned.bam"])
- 示例结果：
返回 ToolResult，含 aligned.bam、索引和统计文件。外部程序示例未执行。