[WSL][bioinfomatics] WSLでRNAseq STAR&RSEM (3)

2) fastp

質が悪いリードを処理するために、fastpでのクオリティコントロールを行う。例えば以下のような処理を行う。

• 塩基クオリティが低い末端塩基のトリミング
• 塩基クオリティが低いリードの除外
• アダプター配列のトリミング
• トリミングした後の短すぎるリードの除外

昔はTrimmomaticなどを使っていたが、fastpの方が格段に速いし簡単。アダプター配列も自動で探してくれる。

fastpの引数

• -i/--in1: 入力fastqファイルのパス。
• -o/--out1: 出力fastqファイルのパス。名前は自身で決めてよい。拡張子はfastq.gzかfq.gz
• -I/--in2: paired endの場合のもう一つの入力fastqファイルのパス。
• -O/--out2: paired endの場合のもう一つの出力fastqファイルのパス。
• --detect_adapter_for_pe: デフォルトではアダプター配列の自動検出はsingle end用になっている。このオプションをつけるとpaired end用で動く。
• -w/--thread: 並列実行のスレッド数。
• -j/--json: json拡張子の出力ファイルの書き出しパス。
• -h/--html: html拡張子の出力ファイルの書き出しパス

fastpの実行

fastqcではpaired endの各fastqファイルそれぞれに実施したが、fastpからはpaired endをセットにして進める。

クオリティコントロールされた新たなfastqファイルは別名で保存することになるが、この例では_trim_を間に入れることにした。

fastp -i SRR22571458_1.fastq.gz \
-I SRR22571458_2.fastq.gz \
-o SRR22571458_trim_1.fastq.gz \
-O SRR22571458_trim_2.fastq.gz \
-w 24 \
--detect_adapter_for_pe \
-j SRR22571458_fastp.json \
-h SRR22571458_fastp.html

Illumina TruSeqのアダプター配列を検出している。

開始画面

インサートサイズ（アダプター配列に挟まれたRNA断片サイズ）も計算されている。

終了画面

fastpの出力

htmlファイルのreportが出力されているので、そちらを確認する。

150 paired endだったものが末端のトリミングを経て平均139塩基のリード長になっている。最終的には98.7%のリードが合格しており、概ね良好な結果と思われる。

昨今のデータでシークエンスのクオリティが悪いパターンを私は見たことないが、NGSが流行りだした初期のデータを見ると、クオリティが悪いものがある。デフォルトのパラメータでリードが除かれすぎるときはfastpの引数で調整する必要があるだろう。