这个处理不同基因组区域关系的工具集很不错！
Bedtools是处理基因组信息分析的强大工具集合，本文列出自己学习其官方文档的几个点，对后面计算不同样品peak相似性的脚本做了下更新和调整，使用起来更为简单方便。
内容摘要
区域注释，如peak注释，peak分布分析，peak与调控元件交集等。
区域合并，如求算多样品peak合集，或合并重叠区域
区域互补，如得到非基因区
利用比对结果对测序广度和深度评估
多样品peak相似性计算，评估ChIP类区域结果的样品相似性。
bedtools主要功能
bedtools: flexible tools for genome arithmetic and DNA sequence analysis.usage: bedtools <subcommand> [options]The bedtools sub-commands include:[ Genome arithmetic ]intersect Find overlapping intervals in various ways.求区域之间的交集，可以用来注释peak，计算reads比对到的基因组区域不同样品的peak之间的peak重叠情况。window Find overlapping intervals within a window around an interval.closest Find the closest, potentially non-overlapping interval.寻找最近但可能不重叠的区域coverage Compute the coverage over defined intervals.计算区域覆盖度map Apply a function to a column for each overlapping interval.genomecov Compute the coverage over an entire genome.merge Combine overlapping/nearby intervals into a single interval.合并重叠或相接的区域cluster Cluster (but don't merge) overlapping/nearby intervals.complement Extract intervals _not_ represented by an interval file.获得互补区域subtract Remove intervals based on overlaps b/w two files.计算区域差集slop Adjust the size of intervals.调整区域大小，如获得转录起始位点上下游3 K的区域flank Create new intervals from the flanks of existing intervals.sort Order the intervals in a file.排序，部分命令需要排序过的bed文件random Generate random intervals in a genome.获得随机区域，作为背景集shuffle Randomly redistrubute intervals in a genome.根据给定的bed文件获得随机区域，作为背景集sample Sample random records from file using reservoir sampling.spacing Report the gap lengths between intervals in a file.annotate Annotate coverage of features from multiple files.[ Multi-way file comparisons ]multiinter Identifies common intervals among multiple interval files.unionbedg Combines coverage intervals from multiple BEDGRAPH files.[ Paired-end manipulation ]pairtobed Find pairs that overlap intervals in various ways.pairtopair Find pairs that overlap other pairs in various ways.[ Format conversion ]bamtobed Convert BAM alignments to BED (& other) formats.bedtobam Convert intervals to BAM records.bamtofastq Convert BAM records to FASTQ records.bedpetobam Convert BEDPE intervals to BAM records.bed12tobed6 Breaks BED12 intervals into discrete BED6 intervals.[ Fasta manipulation ]getfasta Use intervals to extract sequences from a FASTA file.提取给定位置的FASTA序列maskfasta Use intervals to mask sequences from a FASTA file.nuc Profile the nucleotide content of intervals in a FASTA file.[ BAM focused tools ]multicov Counts coverage from multiple BAMs at specific intervals.tag Tag BAM alignments based on overlaps with interval files.[ Statistical relationships ]jaccard Calculate the Jaccard statistic b/w two sets of intervals.计算数据集相似性reldist Calculate the distribution of relative distances b/w two files.fisher Calculate Fisher statistic b/w two feature files.[ Miscellaneous tools ]overlap Computes the amount of overlap from two intervals.igv Create an IGV snapshot batch script.用于生成一个脚本，批量捕获IGV截图links Create a HTML page of links to UCSC locations.makewindows Make interval "windows" across a genome.把给定区域划分成指定大小和间隔的小区间 (bin)groupby Group by common cols. & summarize oth. cols. (~ SQL "groupBy")分组结算，不只可以用于bed文件。expand Replicate lines based on lists of values in columns.split Split a file into multiple files with equal records or base pairs.安装bedtools
（Linux - Conda软件安装方法）
ct@ehbio:~$ conda install bedtools获得测试数据集(http://quinlanlab.org/tutorials/bedtools/bedtools.html)
ct@ehbio:~$ mkdir bedtools ct@ehbio:~$ cd bedtools ct@ehbio:~$ url=https://s3.amazonaws.com/bedtools-tutorials/web ct@ehbio:~/bedtools$ curl -O ${url}/maurano.dnaseI.tgz ct@ehbio:~/bedtools$ curl -O ${url}/cpg.bed ct@ehbio:~/bedtools$ curl -O ${url}/exons.bed ct@ehbio:~/bedtools$ curl -O ${url}/gwas.bed ct@ehbio:~/bedtools$ curl -O ${url}/genome.txt ct@ehbio:~/bedtools$ curl -O ${url}/hesc.chromHmm.bed交集 (intersect)
查看输入文件，bed格式，至少三列，分别是染色体，起始位置(0-based,
包括)，终止位置
(1-based，不包括)。第四列一般为区域名字，第五列一般为空，第六列为链的信息。更详细解释见http://www.genome.ucsc.edu/FAQ/FAQformat.html#format1。
自己做研究CpG岛信息可以从UCSC的Table Browser获得，具体操作见http://blog.genesino.com/2013/05/ucsc-usages/。
ct@ehbio:~/bedtools$ head -n 3 cpg.bed exons.bed==> cpg.bed <==chr1 28735 29810 CpG:_116 chr1 135124 135563 CpG:_30 chr1 327790 328229 CpG:_29==> exons.bed <==chr1 11873 12227 NR_046018_exon_0_0_chr1_11874_f 0 + chr1 12612 12721 NR_046018_exon_1_0_chr1_12613_f 0 + chr1 13220 14409 NR_046018_exon_2_0_chr1_13221_f 0 +获得重叠区域(既是外显子，又是CpG岛的区域)
ct@ehbio:~/bedtools$ bedtools intersect -a cpg.bed -b exons.bed | head -5chr1 29320 29370 CpG:_116 chr1 135124 135563 CpG:_30 chr1 327790 328229 CpG:_29 chr1 327790 328229 CpG:_29 chr1 327790 328229 CpG:_29输出重叠区域对应的原始区域(与外显子存在交集的CpG岛)
ct@ehbio:~/bedtools$ bedtools intersect -a cpg.bed -b exons.bed -wa -wb > | head -5chr1 28735 29810 CpG:_116 chr1 29320 29370
NR_024540_exon_10_0_chr1_29321_r 0 -
chr1 135124 135563 CpG:_30 chr1 134772 139696
NR_039983_exon_0_0_chr1_134773_r 0 -
chr1 327790 328229 CpG:_29 chr1 324438 328581
NR_028322_exon_2_0_chr1_324439_f 0 +
chr1 327790 328229 CpG:_29 chr1 324438 328581
NR_028325_exon_2_0_chr1_324439_f 0 +
chr1 327790 328229 CpG:_29 chr1 327035 328581
NR_028327_exon_3_0_chr1_327036_f 0 +
计算重叠碱基数
ct@ehbio:~/bedtools$ bedtools intersect -a cpg.bed -b exons.bed -wo | head -10chr1 28735 29810 CpG:_116 chr1 29320 29370
NR_024540_exon_10_0_chr1_29321_r 0 - 50
chr1 135124 135563 CpG:_30 chr1 134772 139696
NR_039983_exon_0_0_chr1_134773_r 0 - 439
chr1 327790 328229 CpG:_29 chr1 324438 328581
NR_028322_exon_2_0_chr1_324439_f 0 + 439
chr1 327790 328229 CpG:_29 chr1 324438 328581
NR_028325_exon_2_0_chr1_324439_f 0 + 439
chr1 327790 328229 CpG:_29 chr1 327035 328581
NR_028327_exon_3_0_chr1_327036_f 0 + 439
chr1 713984 714547 CpG:_60 chr1 713663 714068
NR_033908_exon_6_0_chr1_713664_r 0 - 84
chr1 762416 763445 CpG:_115 chr1 761585 762902
NR_024321_exon_0_0_chr1_761586_r 0 - 486
chr1 762416 763445 CpG:_115 chr1 762970 763155
NR_015368_exon_0_0_chr1_762971_f 0 + 185
chr1 762416 763445 CpG:_115 chr1 762970 763155
NR_047519_exon_0_0_chr1_762971_f 0 + 185
chr1 762416 763445 CpG:_115 chr1 762970 763155
NR_047520_exon_0_0_chr1_762971_f 0 + 185
计算第一个(-a)bed区域有多少个重叠的第二个(-b)bed文件中有多少个区域
ct@ehbio:~/bedtools$ bedtools intersect -a cpg.bed -b exons.bed -c | headchr1 28735 29810 CpG:_116 1 chr1 135124 135563 CpG:_30 1 chr1 327790 328229 CpG:_29 3 chr1 437151 438164 CpG:_84 0 chr1 533219 534114 CpG:_94 0 chr1 544738 546649 CpG:_171 0 chr1 713984 714547 CpG:_60 1 chr1 762416 763445 CpG:_115 10 chr1 788863 789211 CpG:_28 9另外还有-v取出不重叠的区域,
-f限定重叠最小比例，-sorted可以对按sort -k1,1 -k2,2n排序好的文件加速操作。
同时对多个区域求交集 (可以用于peak的多维注释)
# -names标注注释来源 # -sorted: 如果使用了这个参数，提供的一定是排序好的bed文件ct@ehbio:~/bedtools$ bedtools intersect -a exons.bed \-b cpg.bed gwas.bed hesc.chromHmm.bed -sorted -wa -wb -names cpg gwas chromhmm \| head -10000 | tail -10chr1 27632676 27635124
NM_001276252_exon_15_0_chr1_27632677_chromhmm chr1 27633213
27635013 5_Strong_Enhancer
chr1 27632676 27635124
NM_001276252_exon_15_0_chr1_27632677_chromhmm chr1 27635013
27635413 7_Weak_Enhancer
chr1 27632676 27635124 NM_015023_exon_15_0_chr1_27632677_f
chromhmm chr1 27632613 27632813 6_Weak_Enhancer
chr1 27632676 27635124 NM_015023_exon_15_0_chr1_27632677_f
chromhmm chr1 27632813 27633213 7_Weak_Enhancer
chr1 27632676 27635124 NM_015023_exon_15_0_chr1_27632677_f
chromhmm chr1 27633213 27635013 5_Strong_Enhancer
chr1 27632676 27635124 NM_015023_exon_15_0_chr1_27632677_f
chromhmm chr1 27635013 27635413 7_Weak_Enhancer
chr1 27648635 27648882 NM_032125_exon_0_0_chr1_27648636_f cpg
chr1 27648453 27649006 CpG:_63
chr1 27648635 27648882 NM_032125_exon_0_0_chr1_27648636_f
chromhmm chr1 27648613 27649413 1_Active_Promoter
chr1 27648635 27648882 NR_037576_exon_0_0_chr1_27648636_f cpg
chr1 27648453 27649006 CpG:_63
chr1 27648635 27648882 NR_037576_exon_0_0_chr1_27648636_f
chromhmm chr1 27648613 27649413 1_Active_Promoter
合并区域
bedtools merge输入的是按sort -k1,1 -k2,2n排序好的bed文件。
只需要输入一个排序好的bed文件，默认合并重叠或邻接区域。
ct@ehbio:~/bedtools$ bedtools merge -i exons.bed | head -n 5chr1 11873 12227 chr1 12612 12721 chr1 13220 14829 chr1 14969 15038 chr1 15795 15947合并区域并输出此合并后区域是由几个区域合并来的
ct@ehbio:~/bedtools$ bedtools merge -i exons.bed -c 1 -o count | head -n 5chr1 11873 12227 1 chr1 12612 12721 1 chr1 13220 14829 2 chr1 14969 15038 1 chr1 15795 15947 1合并相距90 nt内的区域，并输出是由哪些区域合并来的
# -c: 指定对哪些列进行操作 # -o: 与-c对应，表示对指定列进行哪些操作 # 这里的用法是对第一列做计数操作，输出这个区域是由几个区域合并来的 # 对第4列做收集操作，记录合并的区域的名字，并逗号分隔显示出来ct@ehbio:~/bedtools$ bedtools merge -i exons.bed -d 340 -c 1,4 -o count,collapse | head -4chr1 11873 12227 1 NR_046018_exon_0_0_chr1_11874_f chr1 12612 12721 1 NR_046018_exon_1_0_chr1_12613_f chr1 13220 15038 3 NR_046018_exon_2_0_chr1_13221_f,NR_024540_exon_0_0_chr1_14362_r,NR_024540_exon_1_0_chr1_14970_r chr1 15795 15947 1 NR_024540_exon_2_0_chr1_15796_r计算互补区域
给定一个全集，再给定一个子集，求另一个子集。比如给定每条染色体长度和外显子区域，求非外显子区域。给定基因区，求非基因区。给定重复序列，求非重复序列等。
重复序列区域的获取也可以用下面提供的链接：http://blog.genesino.com/2013/05/ucsc-usages/。
ct@ehbio:~/bedtools$ head genome.txtchr1 249250621 chr10 135534747 chr11 135006516 chr11_gl000202_random 40103 chr12 133851895 chr13 115169878 chr14 107349540 chr15 102531392ct@ehbio:~/bedtools$ bedtools complement -i exons.bed -g genome.txt | head -n 5chr1 0 11873 chr1 12227 12612 chr1 12721 13220 chr1 14829 14969 chr1 15038 15795基因组覆盖广度和深度
计算基因组某个区域是否被覆盖，覆盖深度多少。有下图多种输出格式，也支持RNA-seq数据，计算junction-reads覆盖。
genome.txt里面的内容就是染色体及对应的长度。
# 对单行FASTA，可如此计算 # 如果是多行FASTA，则需要累加ct@ehbio:~/bedtools$ awk 'BEGIN{OFS=FS="\t"}{\if($0~/>/) {seq_name=$0;sub(">","",seq_name);} \else {print seq_name,length;} }' ../bio/genome.fa | tee ../bio/genome.txtchr1 60001 chr2 54001 chr3 54001 chr4 60001ct@ehbio:~/bedtools$ bedtools genomecov -ibam ../bio/map.sortP.bam -bga \-g ../bio/genome.txt | head# 这个warning很有意思，因为BAM中已经有这个信息了，就不需要提供了***** *****WARNING: Genome (-g) files are ignored when BAM input is provided. *****# bedgraph文件，前3列与bed相同，最后一列表示前3列指定的区域的覆盖度。chr1 0 11 0 chr1 11 17 1 chr1 17 20 2 chr1 20 31 3 chr1 31 36 4 chr1 36 43 6 chr1 43 44 7 chr1 44 46 8 chr1 46 48 9 chr1 48 54 10两个思考题：
怎么计算有多少基因组区域被测到了？
怎么计算平均测序深度是多少？
数据集相似性
bedtools jaccard计算的是给定的两个bed文件之间交集区域(interp)占总区域(union-interp)的比例(jaccard)和交集的数目(n_interps)。
ct@ehbio:~/bedtools$ bedtools jaccard \-a fHeart-DS16621.hotspot.twopass.fdr0.05.merge.bed \-b fHeart-DS15839.hotspot.twopass.fdr0.05.merge.bedinterp union-interp jaccard n_interps 81269248 160493950 0.50637 130852小思考：1. 如何用bedtools其它工具算出这个结果？2. 如果需要比较的文件很多，怎么充分利用计算资源？
一个办法是使用for循环,
双层嵌套。这种用法也很常见，不管是单层还是双层for循环，都有利于简化重复运算。
ct@ehbio:~/bedtools$ for i in *.merge.bed; do \for j in *.merge.bed; do \bedtools jaccard -a $i -b $j | cut -f3 | tail -n +2 | sed "s/^/$i\t$j\t/"; \done; done >total.similarity另一个办法是用parallel，不只可以批量，更可以并行。
root@ehbio:~# yum install parallel.noarch # parallel 后面双引号("")内的内容为希望用parallel执行的命令， # 整体写法与Linux下命令写法一致。 # 双引号后面的 三个相邻冒号 (:::)默认用来传递参数的，可多个连写。 # 每个三冒号后面的参数会被循环调用，而在命令中的引用则是根据其出现的位置，分别用{1}, {2} # 表示第一个三冒号后的参数，第二个三冒号后的参数。 # # 这个命令可以替换原文档里面的整合和替换, 相比于原文命令生成多个文件，这里对每个输出结果 # 先进行了比对信息的增加，最后结果可以输入一个文件中。 #ct@ehbio:~/bedtools$ parallel "bedtools jaccard -a {1} -b {2} | awk 'NR> | cut -f 3 \| sed 's/^/{1}\t{2}\t/'" ::: `ls *.merge.bed` ::: `ls *.merge.bed` >totalSimilarity.2# 上面的命令也有个小隐患，并行计算时的输出冲突问题，可以修改为输出到单个文件,再cat到一起 ct@ehbio:~/bedtools$ parallel "bedtools jaccard -a {1} -b {2} | awk 'NR> | cut -f 3 \| sed 's/^/{1}\t{2}\t/' >{1}.{2}.totalSimilarity_tmp" ::: `ls *.merge.bed` ::: `ls *.merge.bed` ct@ehbio:~/bedtools$ cat *.totalSimilarity_tmp >totalSimilarity.2# 替换掉无关信息ct@ehbio:~/bedtools$ sed -i -e 's/.hotspot.twopass.fdr0.05.merge.bed//' \-e 's/.hg19//' totalSimilarity.2totalSimilarity.2数据表格式如下 (数据是假的)：
fMusle_leg-DS19115 fMusle_back-DS18454 0.55 fMusle_leg-DS19115 fHeart-DS15643 0.4 fHeart-DS15643 fHeart-DS16621 0.8 fHeart-DS15643 fHeart-DS15839 0.7 fHeart-DS16621 fHeart-DS15839 0.7得到结果后，就可以绘制相关性热图或PCA了。
也可以使用下面的命令转换成Wide format矩阵，用高颜值可定制在线绘图工具-第三版绘制。
# 这里面b和c可以用一个，因为是一个对称阵 # 如果2和3列内容不同，此脚本也可用 ct@ehbio:~/bedtools$ awk 'BEGIN{OFS=FS="\t"}{a[$1, $2]=$3; b[$1]=1; c[$2]=1;}END\{printf("ID"); for(i in c) printf("\t%s", i); \for (i in b) {printf("%s", i); for(j in c) {printf("\t%s", a[i, j]);} print "";}}原文档(http://quinlanlab.org/tutorials/bedtools/bedtools.html)的命令，稍微有些复杂，利于学习不同命令的组合。使用时推荐使用上面的命令。
ct@ehbio:~/bedtools$ parallel "bedtools jaccard -a {1} -b {2} \| awk 'NR>1' | cut -f 3 \> {1}.{2}.jaccard" \::: `ls *.merge.bed` ::: `ls *.merge.bed`This command will create a single file containing the pairwise Jaccard
measurements from all 400 tests.
find . \| grep jaccard \| xargs grep "" \| sed -e s"/\.\///" \| perl -pi -e "s/.bed./.bed\t/" \| perl -pi -e "s/.jaccard:/\t/" \> pairwise.dnase.txtA bit of cleanup to use more intelligible names for each of the samples.
cat pairwise.dnase.txt \ | sed -e 's/.hotspot.twopass.fdr0.05.merge.bed//g' \ | sed -e 's/.hg19//g' \ > pairwise.dnase.shortnames.txtNow let’s make a 20x20 matrix of the Jaccard statistic. This will allow
the data to play nicely with R.
awk 'NF==3' pairwise.dnase.shortnames.txt \ | awk '$1 ~ /^f/ && $2 ~ /^f/' \ | python make-matrix.py \ > dnase.shortnames.distance.matrix往期精品(点击图片直达文字对应教程)
后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集
总结
以上是生活随笔为你收集整理的这个处理不同基因组区域关系的工具集很不错！的全部内容，希望文章能够帮你解决所遇到的问题。
- 上一篇： Windows10系统下虚拟环境的安装与
- 下一篇： Maple使用教程