yak

IMPORTANTE: Desde 3ACE4FF, el formato del volcado binario K-Mer es incompatible con las versiones anteriores. Tienes que volver a hacer yak count para generar el volcado K-Mer en el nuevo formato.

Empezando

 # Download and compile
git clone https://github.com/lh3/yak
cd yak && make

# build k-mer hash table for assembly; count singletons
./yak count -K1.5g -t32 -o asm.yak asm.fa.gz
# build k-mer hash tables for high-coverage reads; discard singletons
./yak count -b37 -t32 -o ccs.yak ccs-reads.fq.gz
# for paired end: to provide two identical streams
./yak count -b37 -t32 -o sr.yak <( zcat sr * .fq.gz ) <( zcat sr * .fq.gz )

# compute assembly or reads QV
./yak qv -t32 -p -K3.2g -l100k sr.yak asm.fa.gz > asm-sr.qv.txt
./yak qv -t32 -p sr.yak ccs-reads.fq.gz > ccs-sr.qv.txt
# compute k-mer QV for reads
./yak inspect ccs.yak sr.yak > ccs-sr.kqv.txt
# evaluate the completeness of assembly
./yak inspect sr.yak asm.yak > sr-asm.kqv.txt

# print k-mer histogram
./yak inspect sr.yak > sr.hist

# partition chrX/Y in human de novo assembly
wget -O- ' https://zenodo.org/record/7882299/files/human-chrXY-yak.tar?download=1 ' | tar tf -
./yak sexchr -K2g -t16 chrY-no-par.yak chrX-no-par.yak par.yak hap1.fa hap2.fa > cnt.txt
./groupxy.pl cnt.txt | awk ' $4==1 ' | cut -f2 | seqtk subseq -l80 <( cat hap1.fa hap2.fa ) - > new-hap1.fa
./groupxy.pl cnt.txt | awk ' $4==2 ' | cut -f2 | seqtk subseq -l80 <( cat hap1.fa hap2.fa ) - > new-hap2.fa

Introducción

Yak se desarrolla inicialmente para dos casos de uso específicos: 1) para estimar de manera sólida la precisión base de las lecturas de CCS y los contigs de ensamblaje, y 2) para investigar la tasa de error sistemática de las lecturas de CCS. Logra los objetivos comparando secuencias con el espectro K-Mer de lecturas cortas o comparando espectros. No se necesitan datos de referencia o datos de verdad.

Vale la pena señalar que estimar la precisión base es complicado. Cuando la precisión se acerca a Q50, tanto K-Mers no muestreadas y erróneas en lecturas cortas pueden interferir con un estimador ingenuo. Yak presenta un modelo empírico para abordar este problema. Su estimación se ve menos afectada por la cobertura y la calidad de las lecturas cortas.