linux cd-hit下载安装,教程 | 如何用cd-hit去除冗余序列？

原标题：教程 | 如何用cd-hit去除冗余序列？

生信分析中经常要根据指定条件查找相似序列，比如构建多个样品间的非冗余基因集、分析样品间的相似程度等等，cd-hit这款软件就可以用较短的时间解决此类问题。其工作原理可概述为：将所有序列按照参数设定进行聚类，并将每一组聚类中的最长序列作为代表序列进行输出，同时给出每组聚类下的每个序列名可供相似度分析使用。下面我们来简单介绍一下它的使用方法。

1. 下载与安装

Cd-hit下载网址为https://github.com/weizhongli/cdhit/archive/V4.6.2.tar.gz，需要在linux系统下操作。解压压缩包后进入软件本体路径，直接输入命令：make，进行编译即可。

2. 输入文件

Cd-hit的输入文件仅有一个fasta格式文件 ，一般来说cd-hit是将几个样品的基因或蛋白序列进行聚类，所以需要将这些样品的序列汇总到一起作为输入文件，可在linux系统下通过cat命令实现：

cat a.fasta b.fasta c.fasta > all.fasta

其中a.fasta，b.fasta，c.fasta为fasta格式的三个样品基因或蛋白序列，all.fasta为汇总后的序列，在分析中作为cd-hit的输入序列。值得注意的是，在三个样品序列中不能有序列名相同的序列，否则会出现错误。因此，一般在分析时会在各样品序列名前添加样品名，这样即可避免重复。序列名是fasta文件中以“>”开头的行空格之前的内容，如图2-1中蓝色线圈出部分。

图2-1 fasta文件格式

3. 分析过程与重要参数介绍

Cd-hit运行时用很多参数可以进行调整设置，其运行命令为(参数仅为示例)：

/path-to-cdhit-4.6.8/cd-hit -i all.fasta -o new.fa -c 0.8 -aS 0.8 -d 0

下面简单介绍一下重要的几个参数：

-i：输入文件，fasta格式。

-o：输出文件前缀，输出文件有两个，分别为fasta格式序列文件和以.clstr结尾的聚类信息文件。

-c：较短序列比对到长序列的bp与自身bp数的比值超过该数值则聚类为一组，默认为0.9。

-d：聚类信息文件中各个聚类组中序列名的长度，设为0则将取完整序列名。

-aL：控制代表序列比对严格程度的参数，默认为0，若设为0.8则表示比对区间要占到代表(长)序列的80%。

-AL：控制代表序列比对严格程度的参数，默认为99999999，若设为40则表示代表序列的非比对区间要短于40bp。

-aS：控制短序列比对严格程度的参数，默认为0，若设为0.8则表示比对区间要占到短序列的80%。

-AS：控制短序列比对严格程度的参数，默认为99999999，若设为40则表示短序列的非比对区间要短于40bp。

图3-1详解了-aL，-AL，-aS，-AS四个参数。

图3-1 参数图解

aL = Ra / R

AL = R - Ra

aS = Sa / S

AS = S - Sa

4. 输出文件介绍

Cd-hit有两个输出文件：一个是只含有所有代表序列(即去冗余后的序列)的fasta文件，其格式参看图2-1；另一个是以.clstr结尾的聚类信息文件，其格式如图4-1。

▲ 聚类信息文件

以“>”开头的是一个聚类组。每组下面按序号排列，如上图中Cluster 1组有5个聚类序列。每个聚类序列有一个百分比或“*”，百分比代表该序列与代表序列的相似度，“*”代表该序列即为代表序列。

更多精彩

供稿：王璇琦

责任编辑：