cd-hit 去除冗余序列

最近一篇NG中使用到的软件，用来去除冗余的contigs，现简单记录。

CD-HIT早先是一个蛋白聚类的软件，其主要的特定就是快！（ps：不是所有快的都是好的）

其去除冗余序列的大概思路就是：

首先对所有序列长度进行排序，从最长的开始，形成一个序列类，然后依次对序列进行处理，如果下一条序列和代表的序列相似性在cutoff，则将其加入同一类，否则得到新的类。

所以快主要是两个方面的原因：一个是使用了word过滤方法，即如果两条序列之间的相似性在80%（假设序列长度为100），那么它们至少有60个相同的长度为2的word，至少有40个相同的长度为3的word，至少有20个相同的长度为4的word。基于这个原则，在处理新的序列的时候，如果新的序列与已有序列的相同word的长度不能满足这些要求则不需要进行比对了，这极大的降低了时间消耗；另外一个速度快的原因是使用了index table，可以很快的计算序列之间相同word的数目。

当序列相似性在80%时，有20个位点是有差异的，极端的情况就是这20个位点对应的长度为2的字符串都不一样，因此是40个不一样，当有更多的不一样时，两条序列的相似性不可能在80%；同理，如果这20个位点对应的长度为4的字符串都不一样，则有80个不一样。

安装

点击该处进行下载https://github.com/weizhongli/cdhit/archive/V4.6.2.tar.gz

tar -zxf cdhit-4.6.2.tar.gz
cd tar -zxf cdhit-4.6.2.tar.gz
make

其输入格式为fasta的格式

简单使用

cd-hit -i all.fasta -o new.fa -c 0.9 -aS 0.8 -d 0

参数

-i : 输入文件，fasta

-o: 输出文件

-c: 类似比对相似性高于0.9 则聚为一类，一般为0.9

-d: 当为0时，利用fasta文件完整名称

还有其它一些参数，可以利用下面进行理解

• aL=Ra /R
• AL = R - Ra
• aS=Sa /S
• AS = S - Sa
• s=Sa /Ra
• S=R/S
• U=S1 +S2
• uL = U / R
• uS = U / S

输出

两个结果

• 去冗余后的fasta文件
• 说明文档，其内容大概如下
  
  

其中“>” cluster, '*' 该序列是这个cluster的代表序列，'%'，相似性

欢迎扫码交流