使用trimmomatic对illumina数据做质控-去接头还有去除低质量碱基

因为一直拿到的是公司给的特别好的数据，所以没太关注质控这个问题，最近拿到了raw data，才发现其实里面的门道挺多的。前面都是用cutadapt这个python软件来去除接头的，但是它有一个弊端，需要自己指定接头文件。正好朋友推荐了trimmomatic，是java软件，所以直接Google找到其官网，然后下载二进制版本解压即可使用！

反正对我的illumina测序数据来说，直接用它就可以把raw data 变成 clean data啦！

img

这个软件设计就是为了illumina的测序数据的，但是它自带的adaptor文件有限，上图可以看到！而且一般只去除TruSeq Universal Adapter 这个接头，运行的时候，不报错才算是成功的！

官网有例子，很简单的：http://www.usadellab.org/cms/?page=trimmomatic

#Paired End:
java -jar trimmomatic-0.35.jar PE -phred33 input_forward.fq.gz input_reverse.fq.gz output_forward_paired.fq.gz output_forward_unpaired.fq.gz output_reverse_paired.fq.gz output_reverse_unpaired.fq.gz ILLUMINACLIP:TruSeq3-PE.fa:2:30:10 LEADING:3 TRAILING:3 SLIDINGWINDOW:4:15 MINLEN:36
# 所以只需要把参数放对位置即可！

This will perform the following

• Remove adapters (ILLUMINACLIP:TruSeq3-PE.fa:2:30:10)
• Remove leading low quality or N bases (below quality 3) (LEADING:3)
• Remove trailing low quality or N bases (below quality 3) (TRAILING:3)
• Scan the read with a 4-base wide sliding window, cutting when the average quality per base drops below 15 (SLIDINGWINDOW:4:15)
• Drop reads below the 36 bases long (MINLEN:36)

一般就使用这个默认参数就好啦，处理的时间会有一点慢，我取了10个线程也得十几分钟才搞定2G的fq.gz压缩格式的测序文件，文件的log日志如下：

TrimmomaticPE: Started with arguments:
-threads 10 -phred33 -trimlog tmp.log CHG006373_R1.fastq.gz CHG006373_R2.fastq.gz output_forward_paired.fq.gz output_forward_unpaired.fq.gz output_reverse_paired.fq.gz output_reverse_unpaired.fq.gz ILLUMINACLIP:/home/jmzeng//biosoft/trimmomatic/Trimmomatic-0.36/adapters/TruSeq3-PE.fa:2:30:10 LEADING:10 TRAILING:20 SLIDINGWINDOW:4:25 MINLEN:36
Using PrefixPair: 'TACACTCTTTCCCTACACGACGCTCTTCCGATCT' and 'GTGACTGGAGTTCAGACGTGTGCTCTTCCGATCT'
ILLUMINACLIP: Using 1 prefix pairs, 0 forward/reverse sequences, 0 forward only sequences, 0 reverse only sequences
Input Read Pairs: 21427010 Both Surviving: 14507723 (67.71%) Forward Only Surviving: 5297811 (24.72%) Reverse Only Surviving: 375547 (1.75%) Dropped: 1245929 (5.81%)
TrimmomaticPE: Completed successfully

记住指定接头文件一定要用全路径哦！！！

可以看到它使用了自带的文件TruSeq3-PE.fa里面的接头 TACACTCTTTCCCTACACGACGCTCTTCCGATCT其实只是 TruSeq Universal Adapter (可以在https://github.com/csf-ngs/fastqc/blob/master/Contaminants/contaminant_list.txt 找到接头信息)的后半段，直接在R1测序文件里面搜索可以看到，距离AAAAAAAAAAAAATTTTTTTTTTTTTTTTT 这样的字符串和它的接头 TACACTCTTTCCCTACACGACGCTCTTCCGATCT之间还有序列：

img

比如我们拿第一个序列举例，可以看到第一条序列被trimmomatic丢到了output_forward_unpaired.fq.gz，它就懒得给它去除接头了，因为右端序列更可怜！

检查文件，发现有的地方是根据质量值来去除的，因为跟接头没有半毛钱关系！

img

因为它是接头和低质量碱基一起去除，我很难探究它到底是如何去除接头的，非常郁闷，但是它对illumina的数据效果非常好！因为去除的百分比很高。