生物信息学笔记5：用hisat2软件包建立基因组index

顾名思义，建立基因组索引，主要是提高比对的速度、效率，对剪切位点进行预测，hisat2建立基因组+转录组+SNP索引，so，为什么要建立索引：

高通量测序有成千上万条reads需要高效比对到参考基因组上，并且保证一定的准确率，答案不一定说完全正确，但一定要非常接近真实数据。需要根据参考基因组序列，经过一定算法（大部分情况是BWT或其改良算法）转换成index，把reads通过和index的比较过程进行回贴（maping到参考基因组），大幅度缩短比对maping的时间。（关于BWT算法，请参考：http://www.bio-info-trainee.com/?s=bowtie和http://www.biotrainee.com/thread-26-1-1.html，后期考虑转载过来学习以防链接失效）

步骤：

1、从注释文件里面抽取出剪切位点和外显子信息，用到hisat2文件夹下面的extract_splice_sites.py和extract_exons.py

比如，注释文件在此路径：chrX_data/genes/chrX.gtf

这个gtf文件最好自己从Ensembl上下载，或者Entrez上下载。

则命令行：

extract_splice_sites.py chrX_data/genes/chrX.gtf >chrX.ss

extract_exons.py chrX_data/genes/chrX.gtf >chrX.exon

2、用hisat2建立index

hisat2-build --ss chrX.ss --exon chrX.exon chrX_data/genome/chrX.fa chrX_tran

3、当需要使用snp信息时，命令行需加入下面几行

extract_snps.py snp142Common.txt > genome.snp  #####注释：本行井号后面请勿复制，本命令主要是将snp信息文件转换成hisat2可以使用的文件

hisat2-build -p4 genome.fa --snp genome.snp --ss genome.ss --exon genome.exon genome_snp_tran

特别忠告：如果是用chrX练手，而且你的电脑内存大于10G，那可以尝试自己建立index，其他情况，请下载现有index，因为这步工作内存小干不了，内存大也需要时间去完成（是很多很多很多时间）。