关于bismark和DSS的input相关问题

问题的由来：

最近尝试在做call 差异甲基化区域的时候，选用了两款软件
bismark + DSS的分析流程，当时还是比较菜，没有可理解透彻这两款软件的原理。感谢贤哥不嫌我愚钝，为我排忧解难。

情况在现：

bismark的输出结果有以下几个文件

结果list

我一般关注CpG的结果，就看这三个就好了

一.CpG_context_SRR020138_bismark_bt2.txt.gz

这个是CpG甲基化位点的文件，
里面构造是这样的：

Bismark methylation extractor version v0.19.0
SRR020138.15024317_SALK_2029:7:100:1672:902_length=86   -   1   57333019    z
SRR020138.15024319_SALK_2029:7:100:1672:31_length=86    +   2   10026473    Z
SRR020138.15024331_SALK_2029:7:100:1673:1282_length=86  +   11  78025243    Z
SRR020138.15024343_SALK_2029:7:100:1673:202_length=86   +   10  121617231   Z
SRR020138.15024357_SALK_2029:7:100:1673:879_length=86   -   4   75173715    z
SRR020138.15024361_SALK_2029:7:100:1673:235_length=86   -   2   130768889   z
SRR020138.15024368_SALK_2029:7:100:1673:123_length=86   +   10  106402850   Z
SRR020138.15024376_SALK_2029:7:100:1673:1908_length=86  -   12  124097382   z
SRR020138.15024380_SALK_2029:7:100:1673:397_length=86   +   8   95038627    Z

1. 第一列是reads的相关信息
2. 第二列代表正负链，+：正链；-：负链
3. 第三列是染色体号
4. 第四列是在染色体上的位置
5. 第五列代表甲基化信息，大写是具有CpG，小写是没有CpG，详情如下：
   X 代表CHG中甲基化的C
   x 代笔CHG中非甲基化的C
   H 代表CHH中甲基化的C
   h 代表CHH中非甲基化的C
   Z 代表CpG中甲基化的C
   z 代表CpG中非甲基化的C
   U 代表其他情况的甲基化C(CN或者CHN)
   u 代表其他情况的非甲基化C (CN或者CHN)

二.SRR020138_bismark_bt2.bismark.cov.gz

image.png

1.第一列代表染色体号
2.第二，三列代表在染色体上的起始和终止位置
3.第四列代表甲基化百分比
4.第五列代表甲基化数目
5.第六列代表未甲基化数目

这个待会儿重点讲，这个文件稍作修改就是DSS的input
如果你在提取甲基化信息时，采用的参数是（--comprehensive 将可能的甲基化信息都输出，包括CHG,CHH,CpG），那么该表表示的是所有类型甲基化的位点和甲基化的coverage信息（但是没有区分正负链）

三.SRR020138_bismark_bt2.CpG_report.txt.gz

image.png

这个文件是call 甲基化的一些细节，作为背景文件，该文件仅只是CpG的信息

1.第一列为染色体号
2.第二列为甲基化位点的位置信息
3.第三列为正负链信息
4.第四，五列为甲基化和非甲基化的碱基数目
5.第六列为CG（CpG）
6.第七列为背景（第一个C延伸两个碱基）

如何转化文件

我们来看下DSS需要的输入文件是什么，在它的官方文档里面所给出的解释是这样的：

官网文档

一共包含4列信息：染色体号，位置，该位置总的reads，该位置被甲基化的reads数
我们回过头来理解下刚才的cov文件：

image.png

举个例子，比方说第三行的data，即在这个位置的snp被测了两次，两次都显示没有甲基化，甲基化率为0%；夸张一点，若第五列数据为5，第六列数据为1，说明该位置snp被测了6次，5次显示被甲基化，1次显示没有，则甲基化率为83.3%（毕竟，WGBS转化率也不是100%）
这样的话写个小程序转化成DSS的input即可，即根据位点统计，统计一下甲基化和非甲基化的位点数目，再另起一列做一个加和，保留检测到甲基化的那一列即可

由于BS测序测的是一群细胞，那么有的细胞甲基化了，则测到甲基化的reads；有的细胞没有甲基化，则没有测到甲基化的reads，因此在输出文件里面，甲基化效率不会是100%

有时候公司会提供一段lambda DNA来评估重硫酸盐的转换效率，bismark会根据转换率来矫正位点的甲基化率，那么只需要在建立索引前将两个fa文件进行合并即可：

cat genome.fa lambda.fa > genome_lambda.fa
## genome.fa为基因组fa文件
## lambda.fa为lambda DNA的fa文件

即可
其中关于lambda DNA的问题可参考：https://github.com/FelixKrueger/Bismark/issues/361

参考：https://www.jianshu.com/p/971ff2ee533a

·