用Bedtools进行集合运算

转自：https://zhuanlan.zhihu.com/p/52322803

之前已经讲过BED 文件和它的衍生文件的格式，链接在这里：[数据格式] （2)BED 格式的四种写法 。

但是当我们想对两个或多个BED文件的区域求它们的交集，找它们之间的overlap时，就很麻烦。手动操作太痛苦，用awk也不是很合适。

Bedtools是Quinlan AR 和 Hall IM 在2010年发布在Bioinformatics上的工具，可以通过它对同一参考基因组的BED文件进行交，并，补集的操作，还有其他的功能，比如注释和格式转换，这篇主要讲利用 Bedtools 对BED格式的文件进行操作。

Bedtools的安装很简单，有conda用conda，没有conda可以去它的GitHub下载。 顺便说一下，Bedtools发布了它的python版本pyBedtools，对环境有洁癖的朋友也可以在Bedtools的GitHub网页上找到它，链接：arq5x/bedtools2

Bedtools的应用：

集合运算（注：都是链接，可以点开看详细转换方法）：

1. 交集运算 intersect

不同参数结果输出不同的区域，A和B是输入的两个BED文件。不输入参数输出结果为两个BED文件的交集，-wa保留和b文件有重叠的全部A文件区域，-v 输出结果为-wa的补集，即B中没有A重叠的区域。可以用图表示为：

image.png

命令为：

bedtools intersect [OPTIONS] -a  \
                             -b 
#or
intersectBed [OPTIONS] -a  \
                       -b 

2. 并集运算 merge

将一个BED文件中所有的重叠区域和相邻merge为一个大的区域，可以将结果转换为其他格式的数据，可以通过参数设置相距多远的两个区域，可以取他们的并集：

image.png

命令为：

bedtools merge [OPTIONS] -i 
#or
mergeBed [OPTIONS] -i 

3. 补集运算 complement，找到基因组上所有和给定区域无重叠的区域：

image.png

命令：

bedtools complement -i  -g 
 #or：
complementBed -i  -g 

4. 差集运算 subtract，用A中的区域减去B中的区域，通过参数-A可以实现有重叠区域的全部剔除：

image.png

命令：

bedtools subtract [OPTIONS] -a  -b 
#or:
subtractBed [OPTIONS] -a  -b 

此外，还有类似于intersect的window，可以看区域上下游的重叠情况；cluster，类似于merge，将有重叠的区域归在一起，但是不会合并为一个大的区域。

附Bedtools的数据格式转换：

• bamtobed
• bamtofastq
• bed12tobed6
• bedpetobam
• bedtobam

Bedtools还有很多很多的功能，它对于我们得到的数据非常有帮助，可以说是做二代测序人手必备的神器。

很幸运的是，Bedtools的说明书写的非常详细，链接：bedtools: a powerful toolset for genome arithmetic

最后补一句：多用sort，少点麻烦！