标签： 基因组生物软件生物信息 |
分类： 生物软件 |
软件介绍：
wgsim是一块用于高通量数据模拟的软件，whole genome simulation。这款软件可以模拟出illumina测序数据，并且可以自由调整测序reads的读长，插入片段大小以及错误率等，使用起来比较方便。模拟数据主要用于软件的测试与评估。例如对序列拼接软件的评估。因为模拟数据是根据已有的参考序列来的，我们可以将模拟出来的数据进行拼接，再将拼接的结果与原序列进行比对。这样就能每次调整单因素变量，例如比较不同reads读长，不同插入片段大小或者不同错误率条件下，对序列拼接的影响。
也可以为参考序列模拟变异位点，例如点突变、片段获得缺失等，然后模拟数据，评估软件是否可以检测出这些变异位点。
这个过程中，模拟出可控条件的数据是非常重要的。
但是，这里面我们也要认识到，实际测序中影响的因素是非常多的，模拟数据是很难和实际数据相匹配的，比如拼接软件对模拟数据表现出非常好的效果，但是对实际测序数据可能非常差。
下载安装：
https://github.com/lh3/wgsim
我们登录github网站搜索wgsim软件，进行下载，下载之后上传到服务器。然后上传至Linux服务器。加压缩折后进入到wgsim目录wgsim-master。进入我们看到README文件，里面提示如何进行安装编译。
我们在当前目录下，可以直接使用gcc进行编译。
敲 gcc -g -O2 -Wall -o wgsim wgsim.c -lz -lm进行编译。
编译完成之后我们看到一个绿色的wgsim文件。
或者安装samtools程序中，某些版本中会包含编译好的wgsim文件。
使用案例：
敲wgsim命令即可运行程序。
软件会弹出帮助信息，
软件比较简单，输入文件为基因组序列，fasta格式，输出为illumina的fastq格式，这些格式我们在前面都介绍过。然后是一些选项。
-e 是错误率，默认是0.02
-d reads两头的距离，也就是插入片段长度，默认250bp，注意插入片段本身是包含reads长度的，而不是reads之间的距离
-s 是-d插入片段的偏差，默认是20，也就是-d的值加减20，我们知道插入片段长度并不是固定的，而是一个范围
-N 是测序的层数，控制输出数据量
-1 是reads1长度，默认70bp
-2 是reads2长度，默认70bp
-r 突变率
-R -X 都是调整indels的
-h 是单倍体模式
下面我们来运行一下
wgsim 参考序列 reads1 reads2 这里插入片段我们选择500bp，偏差-s在50，reads长度-1 -2为100bp，二者可以不一样，其余默认。
注意事项：
1、模拟出的reads质量值是无法更改的，都是“I”，如果程序用到reads的质量值模拟数据就会有问题。
2、不支持Mate-pair文库，就是即使把-d设置微6K，那么它是不能像实际过程中发生环化的，两条reads的方向和小片段还是一样的。