微生物组(16S rRNA)数据分析套件PMS尝鲜

前几日宏基因组公号上推送了《iMeta：青岛大学苏晓泉组开发跨平台可交互的微生物组分析套件PMS》一文，但软件中示例文件貌似是单端数据，于是想着拿手里一批已发表过的双端测序16S数据集尝试一番。

Paper

准备

代码Tutorial：

Github：https://github.com/qdu-bioinfo/parallel-meta-suite

Gittee：https://gitee.com/qdu-bioinfo/parallel-meta-suite

视频Tutorial：

Bilibili：https://www.bilibili.com/video/BV12F411s7uM/

Youtube：https://youtu.be/bSdrUSpzNDg

• 一台服务器/Win WSL （配置RAM 8GB/CPU 4+cores）

安装PMS

wget http://bioinfo.single-cell.cn/Released_Software/parallel-meta/3.7/parallel-meta-suite-3.7-src.tar.gz
tar -xzvf parallel-meta-suite.tar.gz
cd  parallel-meta-suite.tar.gz
source install.sh

如果你用的Xshell，这里安装过程中会提醒你安装Xmanger，官网下载即可，个人版可以免费一个月，然后登录服务器时候在属性里点击隧道-> 连接即可，然后等shell脚本自动安装完就行了。

Xmanger连接

使用

PMS流程框架

安装完目录结构如下所示，

image

example文件下有示例文件，执行文件在bin目录下。

image

我们只需要准备三个文件

1. meta.txt ：包含每个样品的meta信息，最基本的分组信息，如果有其他指标的话可以添加，我这里有12个样品，各6个生物学重复。

image

2. seqs.list ：记录这些样品序列的相对路径

   image

3. seqs文件夹：记录每个样品测序fastq序列，就是我们最原始的未拆分的下机序列。

image

OK，这三个文件准备好之后，我们只需要一条命名即可运行

PM-pipeline -i seqs.list -m meta.txt -o out_dir

运行之前我们先PM-pipeline -h一下了解还有哪些可用的参数:

• -D: 选择数据库，默认为G(GreenGenes-13-8 16S rRNA 97%level), S (SLIVA 16SrRNA数据库), O (Oral_Core 16S rRNA)，E(SLIVA 18S rRNA), T(ITS ITS1), C (GreenGenes-13-8 16S rRNA 99%level)

• -M: 测序类型T(shotgun)或者F(rRNA)

• -r： rRNA拷贝数教程，默认T

• -k：测序格式检查 默认F

• -f：功能分析（预测），默认T

• -v：ASV去噪，默认T

• -c： 嵌合体去除 默认T

• -d： 序列比对阈值（0~1直接）使用ASV时候默认0.99

• -L: 分类水平（1-6：门-种）

• -w: 分类聚类类型： 0 加权 1非加权 2都有

• -F: 功能分析水平（指定KEGG LEVEL 1,2,3或者4(KO号)）

• -s：测序数量标准化深度

• -R: 稀释曲线

• -E: 双端数据 T, 默认F

• -G: 网络分析边(相关性)的筛选阈值：默认0.5

接下来我们选择有用的参数运行命令

nohup PM-pipeline -i seqs.list -m meta.txt  -t 10 -R -E T -D S -o out_dir &

我设置10线程，大概40min作用，目录下生产了out_dir文件

image

目录传输到本地，index.html文件方便查询我们的结果。

image

查看其中的一些结果，物种与功能的Alpha、Beta、群落组成，随机森林，网络分析等等基本都一键生成了，仔细观察结果，之前文章中用的是老一套97%OTU聚类方法，现在换成了ASV算法得到结果基本一致，对于属水平的鉴定也似乎精准了不少。

image

感慨：该流程化套件真的降低了我们数据分析的门槛，以后拿到数据后可以直接一键跑个流程根据结果初步挖掘有用信息，大大提高了我们的科研效率，曾经也上游shell，下游R写了流程化的脚本，现在看来这个用起来更便捷些，没必要重复造轮子了(这里reaspect开发人员), 针对些重要结果个性化分析出图就行了~~

另外，想起之前也介绍过一个16s下游流程化分析可视化的R包Microeco也值得我们学习：使用Microeco包轻松分析你的16S扩增子数据