Trim Galore ——自动检测adapter的质控软件

之前分析过的测序数据，数据质量都很好，给了我一个错觉质控的前后差别不是很大，内心里对质控这一步也就不是很重视，跑完质控有时也懒得看结果，拿到一批测序数据后，也总是忽略了去看测序策略是什么，按照固定的流程用fastqc做质控和trimmomatic去除adpater和低质量的碱基，结果今天翻车了！！
批量跑完了20个数据的ATAC-seq流程，结果发现样本的比对率参差不齐，有的能达到80-90%，有的却低于50%，回过头来找原因发现cleandata中的adpter并没有去除，也就是说我用的adapter并不是建库所用的，那么怎么知道这批数据建库时用的什么adapter呢？
求助了健明师兄，他推荐我使用Trim galore做质控，并且一眼看出我这个测序策略是nextseq（不知道他怎么看出来的）。
查了一下Trim galore，是可以自动检测adapter，也发现了自己的错误，trimmomatic只是针对Illumina高通量测序平台设计的接头去除和低质量reads清洗软件，Nextera的接头和它是不一样的（基础知识很重要！！！）。
下面就对Trim galore的下载，安装和使用做一个简要介绍，并总结了另外两个质控软件Trimmomatic 和cutadapter 的使用。

raw_data /clean_data

---

1. Trim galore简介

Trim Galore是对FastQC和Cutadapt的包装。适用于所有高通量测序，包括RRBS(Reduced Representation Bisulfite-Seq ), Illumina、Nextera 和smallRNA测序平台的双端和单端数据。主要功能包括两步：
第一步首先去除低质量碱基，然后去除3' 末端的adapter, 如果没有指定具体的adapter，程序会自动检测前1million的序列，然后对比前12-13bp的序列是否符合以下类型的adapter:

• Illumina: AGATCGGAAGAGC
• Small RNA: TGGAATTCTCGG
• Nextera: CTGTCTCTTATA

2. 下载安装软件 trim galore

conda安装：

conda install trim-galore

conda 环境配置

conda安装时可以看出依赖的环境很多，我们的大机环境很复杂，我并没有安装成功。

下载安装包安装：
下载安装包安装很简单，下载后解压，配置下环境变量就可以使用。

## 需先安装fastqc和cutadapt
wget https://github.com/FelixKrueger/TrimGalore/archive/0.4.5.tar.gz
tar zxvf 0.4.5.tar.gz

3.使用

# 处理双端测序结果
echo " trim_galore cut adapters started at $(date)"
trim_galore -q 20 --phred33 --stringency 3 --length 20 -e 0.1 \
            --paired $dir/cmp/01raw_data/$fq1 $dir/cmp/01raw_data/$fq2  \
            --gzip -o $input_data
echo "trim_galore cut adapters finished at $(date)"

参数说明：

--quality：设定Phred quality score阈值，默认为20。
--phred33：：选择-phred33或者-phred64，表示测序平台使用的Phred quality score。
--adapter：输入adapter序列。也可以不输入，Trim Galore!会自动寻找可能性最高的平台对应的adapter。自动搜选的平台三个，也直接显式输入这三种平台，即--illumina、--nextera和--small_rna。
--stringency：设定可以忍受的前后adapter重叠的碱基数，默认为1（非常苛刻）。可以适度放宽，因为后一个adapter几乎不可能被测序仪读到。
--length：设定输出reads长度阈值，小于设定值会被抛弃。
--paired：对于双端测序结果，一对reads中，如果有一个被剔除，那么另一个会被同样抛弃，而不管是否达到标准。
--retain_unpaired：对于双端测序结果，一对reads中，如果一个read达到标准，但是对应的另一个要被抛弃，达到标准的read会被单独保存为一个文件。
--gzip和--dont_gzip：清洗后的数据zip打包或者不打包。
--output_dir：输入目录。需要提前建立目录，否则运行会报错。
-- trim-n : 移除read一端的reads

---

其他质控方法：

Trimmomatic

Trimmomatic是针对Illumina高通量测序平台设计的接头去除和低质量reads清洗软件。软件中包括有Illumina平台常见接头序列，可以很方便处理单端和双端RNA-seq数据。Trimmomatic也支持自己设计要去除的接头序列文件。
运行代码：

## 双端测序
echo "trimmomatic cut adapters started at $(date)"
java -jar /software/biosoft/software/Trimmomatic-0.36/trimmomatic-0.36.jar PE -threads 8 $dir/cmp/01raw_data/$fq1 $dir/cmp/01raw_data/$fq2 \
$input_data/$sample\_paired_clean_R1.fastq.gz \
$input_data/$sample\_unpair_clean_R1.fastq.gz \
$input_data/$sample\_paired_clean_R2.fastq.gz \
$input_data/$sample\_unpair_clean_R2.fastq.gz \
ILLUMINACLIP:/software/biosoft/software/Trimmomatic-0.36/adapters/TruSeq3-PE-2.fa:2:30:10:1:true \
LEADING:3 TRAILING:3 SLIDINGWINDOW:4:20 MINLEN:50 TOPHRED33
echo "trimmomatic cut adapters finished at $(date)"

重要参数解释：

• -threads：设置线程数目。

• -phred33：选择-phred33或者-phred64，表示测序平台使用的Phred quality score。查询方法：首先，运行FastQC，在结果报告第一项会“猜出”测序平台。之后，查询平台对应Phred列表。

• -trimlog：输出运行日志。日志中包括对每一个read具体选择数据，所以文件会比较大。

• ILLUMINACLIP：跟随四个参数，分别是:为adaptesr文件完整路径（在Trimmomatic的默认安装目录下的 adapter，有整理好的）；为seed matches（16bases）在匹配时的最大错配数目；对于一对reads当得分超过30（约50 bases），seeds会被延伸和固定；，对于单端reads当得分超过10（约17 bases），seeds会被延伸和固定。

• LEADING和TRAILING：分别为去除read头部和尾部的低质量（低于quality3）碱基数目。

• SLIDINGWINDOW：跟随两个参数，分别是 为扫描“窗口”长度；为窗口碱基质量的平均阈值，低于此会被删除。

• MINLEN：设置最短reads数目。需要根据下游alignment软件设定，比如Bowtie适用于短序列，比如50bp以下；而Bowtie2适用于50bp以上。TopHat 则根据实际使用Bowtie或者Bowtie2选择。

FastQC

FastQC是用于对二代测序数据质量快速检验的工具，可以输入fastq（fastq.gz）、sam或者bam文件。查看输出结果解释。可以联合multiqc使用，查看多个qc的报告。
代码示例：

echo "fastqc started at $(date)"
###method (3)
fastqc -o $dir/cmp/qc $dir/cmp/01raw_data/*gz
#multiqc *fastqc.zip --ignore *.html
echo "fastqc finished at $(date)"

cutadapter

cutadapt -q 30 -b CTGTCTCTTATACACATCTGACGCTGCCGACGA --minimum-length 20 --overlap=5 -o tmpl1.1.fastq --paired-output tmpl1.2.fastq SRR2920469_1.fastq.gz SRR2920469_2.fastq.gz

参考资料：

清洗二代测序数据
Trim Galore User Guide