零、介绍

  • STAR （Spliced Transcripts Alignment to a Reference），用于将测序的 Read 对齐到参考基因组的比对软件，常用于 RNAseq。
  • 因其具有较高的准确率，映射速度较其他比对软件高 50 多倍，因此作为 ENCODE 项目的御用 pipeline 工具。
  • 它需要占用大量内存，对计算资源有较高的要求。
  • STAR 的默认参数针对哺乳动物基因组进行了优化

一、安装

conda install -c bioconda star

二、使用

1、建立索引

STAR --runMode genomeGenerate \
--runThreadN 50 \
--genomeDir ./hg38_index \
--genomeFastaFiles ./genome.fa \
--sjdbGTFfile ./genes.gtf \
--sjdbOverhang 99

参数：

  • –runMode genomeGenerate：基因组生成模式
  • –runThreadN：启用线程数
  • –genomeDir：索引输出路径
  • –genomeFastaFiles：参考基因组路径
  • –sjdbGTFfile：参考基因组注释文件
  • –sjdbOverhang：对于不同长度的读取，理想值为--sjdbOverhangmax(ReadLength)-1。在大多数情况下，默认值 100 与理想值类似。

2、STAR 比对

STAR --outSAMtype BAM SortedByCoordinate \
--runThreadN 20 \
--genomeDir ./hg38_index \
--readFilesIn  seq_data_1.fastq seq_data_2.fastq \
--outFileNamePrefix ./seq_data

参数：

  • –runThreadN：启用线程数
  • –genomeDir：索引路径
  • –readFilesIn：输入 fastq 的文件路径
  • –outSAMtype BAM SortedByCoordinate：输出排序的 bam 文件
  • –outFileNamePrefix：输出文件前缀

STAR 的默认参数针对哺乳动物基因组进行了优化。**其他物种可能需要对某些对齐参数进行重大修改，尤其具有较小内含子的生物，必须减小最大和最小内含子大小

三、原理

STAR 的比对算法需要两步：

  • 种子搜索
  • 聚类，拼接，评分

种子搜索

STAR 先搜索与参考基因组上，一个或多个位置完全匹配的最长序列。这些最长的匹配序列称为最大可映射前缀 (Maximal Mappable Prefix，**MMP)：

image

匹配到的 Read 的不同部分称为“seed”。所以对齐到基因组的第一个 MMP 称为seed1。

随后 STAR 将再次仅搜索读数的未映射部分，以找到与参考基因组完全匹配的下一个最长序列 MMP，即seed2，以此类推。

image

这种 Read 顺序搜索是 STAR 算法效率的基础。

STAR 使用未压缩的后缀数组 (Suffix Array，SA) 来有效搜索 MMP，这允许针对最大的参考基因组进行快速搜索。其他较慢的比对软件使用的算法通常在拆分 Read 和执行比对之前搜索整个 Read 序列。

意外情况是：

  • 由于不匹配或缺失，STAR 没有为 Read 的每个部分找到精确匹配的序列，则之前的 MMP 将被扩展。

image

  • 如果延伸没有给出良好的比对，那么质量差或接头序列（或其他污染序列）将被软剪切。

image

聚类、拼接和评分

基于与一组‘anchor’种子或非多重映射种子的接近程度将种子聚集在一起，将单独的种子聚集在一起以创建完整的读取。

然后根据读取的最佳对齐方式将种子拼接在一起（基于不匹配、插入缺失、间隙等进行评分）。

image

https://github.com/alexdobin/STAR

https://github.com/alexdobin/STAR/blob/master/doc/STARmanual.pdf

https://academic.oup.com/bioinformatics/article/29/1/15/272537

https://hbctraining.github.io/Intro-to-rnaseq-hpc-O2/lessons/03_alignment.html