66.《Bioinformatics Data Skills》之比对结果可视化

数据地址：
NA12891_CEU_sample.bam
human_g1k_v37.fasta

命令行工具

使用samtools tview工具可以对bam文件在命令行进行可视化。需要输入已经排序与建立索引的BAM文件，这里以NA12891_CEU_sample.bam文件为例（其中human_g1k_v37.fasta文件为参考基因组）：

$ samtools tview NA12891_CEU_sample.bam human_g1k_v37.fasta

因为默认展示开头部分，映入眼帘的是一串N，可以通过-p参数指定展示区域：

$ samtools tview -p 1:215906469-215906652 NA12891_CEU_sample.bam human_g1k_v37.fasta

结果如下，通过?键可以展示一系列交互命令（图1）。

图1 samtools tview 结果

IGV

如果需要长久细致地观察结果，可以使用IGV软件。其由java开发，具体安装方式参见官网。

在打开IGV后，首先导入参考基因组数据：点击 Genome Load Genome From Server ...，在弹出的列表中选择Human (1kg, b37+decoy)。

接着，导入需要查看的BAM文件（通过选择File Load from file）。

输入要查看的位置1:215,906,528-215,906,567，结果如下（图2）：

图2

整个窗口由以下部分组成：

• 最上端窗口展示染色体标志与基因组位置
• 中间窗口展示每个碱基的覆盖度与read分布
• 最下面窗口展示序列与基因

发生碱基错配的区域会以鲜艳的颜色标注，可以看到215906547，215906548与215906555位点的错配碱基数目特别多，有可能为核苷酸多态。将鼠标悬停于read上可以观看其详细信息（例如测序质量）（图3）：

图3

215906547-215906548两个位置的碱基存在3种形式：

1. 两个碱基都与参考序列一致（CG）
2. 两个碱基为GG，后者与参考序列一致
3. 两个碱基为GC，两者都与参考序列不一致

由于人类基因组为二倍体，而这里出现了3种单体型，说明错配很可能由比对错误引起。另外这里的序列由低复杂度的CGGGGGGGCGGGGGG组成，也很容易发生错误比对。因此在突变识别之后进行人工检查非常常见，可以以此降低突变的假阳性率。