CD-HIT学习

CD-hit

参数解读

1. -i 设置输入文件
2. -o 设置输出文件，可以将每次分析的ID阈值放到名称中，方便以后使用，如clean90，就是被清洗后，使用-c 0.90的分析结果
3. -c 设置ID阈值
4. -n 在ID各个范围内，作者给了一些设置mer值得建议
   1. Choose of word size:
   2. -n 5 for thresholds 0.7 ~ 1.0
   3. -n 4 for thresholds 0.6 ~ 0.7
   4. -n 3 for thresholds 0.5 ~ 0.6
   5. -n 2 for thresholds 0.4 ~ 0.5
5. -d clstr文件中的描述字符长度，默认为20，设置为0的时候只去除第一个空格前面的字符
6. -M 设置使用内存大小，单位为MB
7. -T 设置核心数
8. -G 设置全局比对还是局部比对，如果这个参数设置为0，那么最好是配合-aS使用，避免过段的高质量匹配产生的无意义信息扰乱下游分析
9. -aS 比对序列的长度至少需要占较短序列（即冗余序列，因为较长的序列是代表序列）的比例
10. -AS 设置alignment coverage of short sequence，即短序列中，未在alignment中的序列必须短于这个值
11. -g 精确模式，但是会更慢，但是无论是否开启，代表representative序列不会变
12. -sc 对输出的cluster进行排序，大的cluster先输出

层级聚类

1. 先对各个层级聚类生成的序列文件再次聚类，生成很多clstr文件
2. 使用clstr_rev.pl聚合多个聚类文件
3. 如果需要设置很低的ID值，那么使用psi-cd-hit可以达到这个目标，常用的代码：

cd-hit -i db -o db_90 -c 0.9 -n 5 -g 1 -G 0 -aS 0.8 -d 0 -p 1 -T 16 -M 0 > db_90.log

cd-hit -i db_90 -o db_60 -c 0.6 -n 4 -g 1 -G 0 -aS 0.8 -d 0 -p 1 -T 16 -M 0 > db_60.log

./psi-cd-hit.pl -i db_60 -o db_30 -c 0.3 -ce 1e-6 -aS 0.8 -G 0 -g 1 -exec local -core 16
clstr_rev.pl db_90.clstr db_60.clstr > db90-60.clstr
clstr_rev.pl db90-60.clstr db_30.clstr > db90-60-30.clstr

Here,
-ce 1e-6 and -c 0.3 means cutoff at either 30% identity or 1e-6 e.value
-G 0 means global identity
-aS 0.8 means that alignment must cover 80% of shorter (redundant) sequence
-g 1, slow but accurate mode, allowing sequences to be grouped to its most similar cluster
-core 16, use 16 threads for blast search
-clstr_rev.pl will combined all the cd-hit runs, see Hierarchically clustering