Shovill

Shovill 是一个基于SPAdes开发的快速组装工具，旨在利用现代的多核硬件来加快细菌基因组的组装速度。Shovill 通过预处理步骤来修正读段，并优化SPAdes的参数以加快组装过程。

SPAdes（St. Petersburg genome assembler）是一款用于细菌、真菌和其他小型基因组的从头组装工具。支持处理多种测序数据。

Github 仓库：https://github.com/tseemann/shovill

使用

# 输入
fq1=~/test/bacterial_WGS/1_fastq_Qc/SRR21931770_1.clean.fq.gz
fq2=~/test/bacterial_WGS/1_fastq_Qc/SRR21931770_2.clean.fq.gz

shovill \
  --R1 $fq1 \
  --R2 $fq2 \
  --outdir test \
  --trim \
  --assembler spades \
  --cpus 2 \
  --ram 3

参数:

• --R1 和 --R2: 分别指向成对的读段文件。
• --outdir: 指定输出目录。
• --trim: 启用 Trimmomatic 来修剪读段中的适配器序列。
• --assembler spades: 使用 SPAdes 作为组装器。
• --cpus: 指定用于运行的 CPU 核心数。
• --ram: 指定程序运行时可使用的最大内存（以 GB 为单位）。

输出

Shovill 的输出文件与 SPAdes 类似，包括：

• contigs.fa：组装得到的连续序列文件。
• scaffolds.fa：组装并进行了某些优化处理的序列文件。

contigs.fa 是 Shovill 输出的最重要的文件，代表了最终的、经过纠正的组装结果。该文件包含如下格式的条目：

>contig00001 len=263154 cov=8.9 corr=1 origname=NODE_1 date=20180327 sw=shovill/0.9
>contig00041 len=339 cov=8.8 corr=0 origname=NODE_41 date=20180327 sw=shovill/0.9

序列 ID 的命名遵循 --namefmt 选项的设置，注释字段是一系列空格分隔的 name=value 对，各对的含义如下所示：

名称	含义
len	contig 的长度（碱基对数）
cov	组装器报告的平均 k-mer 覆盖度
corr	组装后的校正次数（除非使用了 --nocorr 选项）
origname	应用 --namefmt 设置前的 contig 原始名称
date	组装该 contig 的日期，格式为 YYYYMMDD
sw	使用的组装引擎及其版本，引擎是通过 --assembler 选项选择的

这种详细的信息记录使得 contigs.fa 文件不仅用于基因组的进一步分析，如注释和比较，也便于用户检查组装的质量和过程。

参数解析

输入参数

• --R1 XXX: 读段1的FASTQ文件。
• --R2 XXX: 读段2的FASTQ文件。
• --depth N: 对输入读段进行子采样到指定的深度。默认值: 150。设置为 0 则禁用子采样，这意味着会使用所有提供的读段。

输出参数

• --outdir XXX: 输出目录。默认值: 空，必须明确提供。
• --force: 若输出目录已存在，是否强制覆盖。默认值: OFF。不开启时，如果目标目录已存在，则会导致运行失败。
• --minlen N: 输出 contigs 的最小长度。默认值: 0，表示自动确定最小长度。
• --mincov n.nn: contigs 的最小覆盖度。默认值: 2。设为 0 则自动确定最小覆盖度。
• --namefmt XXX: 输出 contig FASTA ID 的格式，使用 printf 风格的字符串。默认值: 'contig%05d'，这将为每个 contig 生成一个以 'contig' 开始的 ID，后接一个五位数的数字。
• --keepfiles: 是否保留所有中间文件。默认值: OFF。不开启时，运行结束后将清理所有中间文件。

资源参数

• --tmpdir XXX: 用于存储临时文件的目录。默认值: '/tmp/tseemann'。使用一个快速的临时存储可以提高处理速度。
• --cpus N: 使用的 CPU 核心数。默认值: 8。设置为 0 则使用服务器上的所有核心。
• --ram n.nn: 限制 RAM 使用的上限，以 GB 为单位。默认值: 16。

组装器参数

• --assembler XXX: 使用的组装器。默认: 'spades'。SPAdes 是默认选择，因其对小型基因组数据有优秀的表现。
• --opts XXX: 提供额外的组装器选项。默认值: 空。可以用于传递特定的组装器参数。
• --kmers XXX: 使用的 k-mers 大小。默认值: 空，自动选择最适合的 k-mer 大小。

模块参数

• --trim: 是否启用接头修剪。默认值: OFF。开启后，会首先使用 Trimmomatic 删除接头，有助于提高组装质量。
• --noreadcorr: 是否禁用读段错误修正。默认值: OFF。读段修正可以帮助减少组装错误，特别是在错误率较高的数据中。
• --nostitch: 是否禁用读段拼接。默认值: OFF。读段拼接有助于解决成对读段之间的小间隙。
• --nocorr: 是否禁用组装后的校正。默认值: OFF。组装后校正通常使用如 Pilon 等工具，有助于提高组装的准确性和完整性。