BWA: معرفی، دانلود نرم‌افزار و آموزش اجرای دستورات

آشنایی با نرم‌افزار BWA

ابزار BWA (مخفف Burrows-Wheeler Aligner) به‌عنوان یکی از حیاتی‌ترین ابزارها برای فرایند همردیفی (Alignment) خوانش‌های کوتاه در آنالیز داده‌های توالی‌یابی نسل جدید (NGS) شناخته می‌شود. با پیشرفت چشمگیر تکنولوژی‌های NGS و کاربرد گسترده آن‌ها در پژوهش‌ها و تشخیص‌های بالینی، حجم عظیمی از داده‌های ژنومی تولید می‌شود که تحلیل دقیق آن‌ها، نیازمند ابزارهای محاسباتی قدرتمند و کارآمدی مانند این پکیج نرم‌افزاری است.

BWA که توسط Heng Li در سال ۲۰۰۹ معرفی شد، به یکی از استانداردهای طلایی در حوزه توالی‌یابی تبدیل شده است. این نرم‌افزار با بهره‌گیری از منطق ریاضیاتی و الگوریتم Burrows-Wheeler Transform (BWT)، امکان همردیفی بسیار سریع و دقیق میلیون‌ها خوانش کوتاه را با ژنوم‌های مرجع بزرگ (مانند ژنوم انسان) فراهم می‌کند.

بسته BWA به طور کلی شامل ۳ الگوریتم مجزا است: BWA-backtrack (طراحی‌شده برای خوانش‌های ایلومینا تا ۱۰۰ جفت‌باز)، BWA-SW (برای خوانش‌های بلندتر تا یک میلیون جفت‌باز) و در نهایت BWA-MEM که پیشرفته‌ترین عضو این مجموعه است. در سال‌های اخیر نیز نسخه مستقل و بهینه‌سازی‌شده BWA-MEM2 توسعه پیدا کرده که با بازنویسی ساختار کدها، همان دقت الگوریتم MEM را با سرعت پردازشی بسیار بالاتری به محققان ارائه می‌دهد.

اصول الگوریتمی BWA

تصور کنید ژنوم انسان یک کتاب دایرةالمعارف بسیار قطور با میلیاردها کلمه است. دستگاه‌های توالی‌یابی، این کتاب را به میلیون‌ها جمله بسیار خرد و کوچک (به نام خوانش یا Short read) تبدیل می‌کنند. کار اصلی الگوریتم BWA این است که با سرعتی بی‌نظیر بگردد و پیدا کند که هر کدام از این جمله‌های خرد‌شده، دقیقاً متعلق به کجای آن دایرةالمعارف بزرگ هستند و این کار را حتی اگر کلماتی جا افتاده باشند (Gap) یا غلط املایی داشته باشند (Mismatch) انجام می‌دهد.

مبانی محاسباتی: BWT و Prefix trie

در روش‌های قدیمی، کامپیوتر کل کتاب را کلمه به کلمه می‌خواند که به حافظه و زمان بسیار زیادی نیاز داشت. اما BWA از یک ترفند ریاضی به نام BWT استفاده می‌کند.

• به زبان ساده، این روش تمام کلمات مشابه در کتاب را دسته‌بندی و فشرده می‌کند (ساختاری به نام Prefix trie)
• مزیت بزرگ این است که اگر یک توالی (مثلاً یک کلمه خاص) هزار بار در ژنوم تکرار شده باشد، الگوریتم به جای هزار بار جستجو، همه آن‌ها را به عنوان یک مسیر واحد می‌بیند و فقط یک بار بررسی‌شان می‌کند. به همین دلیل سرعت این روش بسیار بالا است.

مدیریت خطاها با تکنیک Backtracking

داده‌های ژنتیکی همیشه بی‌نقص نیستند؛ گاهی در آن‌ها جهش رخ داده یا دستگاه توالی‌یاب اشتباه کرده است. برای اینکه BWA بتواند قطعاتی را پیدا کند که ۱۰۰٪ شبیه به ژنوم رفرنس نیستند، از روشی به نام عقب‌گرد (Backtrack) استفاده می‌کند:

• جستجوی هوشمندانه: الگوریتم به جای اینکه تمام حالت‌های ممکنِ خطا را یکی‌یکی چک کند (که تا ابد طول می‌کشد)، از یک حدومرز ریاضی به نام آرایه D(i) استفاده می‌کند. این آرایه مثل یک تابلوی ورود ممنوع عمل می‌کند و به الگوریتم اعلام می‌کند: «این مسیر تفاوت‌های بیش‌ازحدی با توالی اصلی دارد، پس جستجو در این قسمت را متوقف کن» و به این ترتیب فضای جستجو به‌شدت کوچک می‌شود.
• اولویت با بهترین‌ها: BWA از سیستمی (به نام Heap) استفاده می‌کند که جستجوها را بر اساس امتیاز اولویت‌بندی می‌کند. یعنی ابتدا به سراغ بخش‌هایی می‌رود که کمترین غلط املایی را دارند و شبیه‌ترین هستند.
• پنالتی‌های واقع‌گرایانه: در دنیای بیولوژی، جا افتادن یک بخش از ژن (Gap) با تغییر یک حرفِ آن (Mismatch) ارزش متفاوتی دارد. این الگوریتم برای هر کدام از این خطاها، جریمه (Penalty) خاص و متفاوتی در نظر می‌گیرد تا نتایج به واقعیت نزدیک‌تر باشد.

تصویر سمت چپ: جستجوی با عدم‌تطابق (Prefix trie)

الگوریتم کلمه «GOOGOL» را در قالب یک Prefix trie ذخیره می‌کند و برای یافتن «LOL» مسیرهای مختلف را با اجازه حداکثر یک عدم‌تطابق بررسی می‌کند. در نهایت، با استفاده از Backtracking، کلمه «GOL» را به‌عنوان نزدیک‌ترین تطابق پیدا می‌کند؛ زیرا فقط در یک حرف با «LOL» تفاوت دارد.

تصویر سمت راست: فشرده‌سازی و جستجوی سریع (BWT)

در BWT، تمام چرخش‌های ممکن یک رشته ساخته و سپس به‌ترتیب الفبایی مرتب می‌شوند. با کنار هم قرار دادن آخرین حرف هر ردیف، رشته BWT تولید می‌شود. این تبدیل حروف مشابه را در کنار هم قرار می‌دهد و باعث افزایش سرعت جستجو و کاهش مصرف حافظه می‌شود.

دانلود، نصب و راه‌اندازی BWA

پیش از شروع کار با BWA، لازم است این نرم‌افزار را روی سیستم خود نصب و پیکربندی کنید. در این بخش، روش‌های متداول نصب و اجرای BWA معرفی شده‌اند.

دانلود BWA

BWA تحت مجوز متن‌باز GPLv3 منتشر شده است. سورس‌کد BWA را می‌توانید از لینک‌ زیر دانلود کنید:

رمز فایل فشرده: www.vanyarbioinf.ir

نصب و اجرای BWA با سورس کد

نصب BWA بسیار ساده است و روی سیستم‌عامل‌های مبتنی بر Unix مانند Linux و macOS به‌صورت مستقیم قابل انجام است. کاربران ویندوز نیز می‌توانند با استفاده از WSL (Windows Subsystem for Linux) یک محیط لینوکسی ایجاد کرده و BWA را نصب و اجرا کنند.

پس از دانلود فایل فشردهٔ کد منبع BWA، مراحل زیر برای استخراج، کامپایل و بررسی صحت نصب انجام می‌شود.

1. استخراج فایل کد منبع

tar -xvjf bwa-0.7.17.tar.bz2

یا

tar -xf bwa-0.7.17.tar.bz2

این دستور فایل فشردهٔ bwa-0.7.17.tar.bz2 را استخراج می‌کند و پوشه‌ای با نام bwa-0.7.17 شامل کدهای منبع برنامه ایجاد می‌شود.

2. ورود به پوشهٔ برنامه

cd bwa-0.7.17

دستور cd برای تغییر مسیر کاری جاری به پوشهٔ حاوی کد منبع BWA استفاده می‌شود. تمامی مراحل کامپایل باید در این پوشه انجام شوند.

3. کامپایل برنامه

make

دستور make با استفاده از فایل Makefile موجود در پوشهٔ برنامه، کدهای منبع نوشته‌شده به زبان C را کامپایل کرده و فایل اجرایی BWA را تولید می‌کند. در این مرحله وجود ابزارهای توسعه‌ای نظیر GCC و کتابخانهٔ zlib الزامی است.

پس از پایان موفقیت‌آمیز فرایند کامپایل، فایل اجرایی bwa در همان پوشه ایجاد خواهد شد.

4. بررسی صحت نصب

./bwa

پیشوند ./ نشان می‌دهد که فایل اجرایی موجود در پوشهٔ فعلی اجرا شود. در صورت نصب صحیح، اطلاعاتی مشابه نمونهٔ زیر نمایش داده خواهد شد:

نمایش نام برنامه، شماره نسخه و راهنمای استفاده نشان‌دهندهٔ موفقیت‌آمیز بودن فرایند کامپایل و آماده‌بودن BWA برای استفاده در تحلیل داده‌های توالی‌یابی است.

نصب و اجرای BWA با استفاده از Conda

یکی از ساده‌ترین روش‌های نصب BWA، استفاده از Bioconda است. Bioconda یک مخزن تخصصی برای نرم‌افزارهای بیوانفورماتیکی است که امکان نصب آسان برنامه‌ها و وابستگی‌های آن‌ها را فراهم می‌کند. برای نصب BWA کافی است دستور زیر اجرا شود:

conda install -c bioconda bwa

این دستور، مشخص می‌کند که بسته از کانال Bioconda دریافت شود و Conda به‌صورت خودکار نرم‌افزار و وابستگی‌های موردنیاز آن را نصب می‌کند. این روش نسبت به کامپایل از کد منبع ساده‌تر بوده و به‌طور گسترده در محیط‌های بیوانفورماتیکی مورد استفاده قرار می‌گیرد.

پس از اتمام نصب، می‌توان با اجرای دستور زیر از صحت نصب اطمینان حاصل کرد:

bwa

در صورت نصب موفق، اطلاعاتی شامل نسخه برنامه و راهنمای استفاده از دستورات BWA نمایش داده خواهد شد.

آشنایی با الگوریتم BWA-MEM

الگوریتم BWA-MEM که در سال ۲۰۱۳ معرفی شد، نسخه پیشرفته و بهبودیافته‌ای از مجموعه BWA است که بر پایه یافتن بیشترین تطابق‌های دقیق (Maximal Exact Matches یا MEMs) عمل می‌کند. در حالی که نسخه‌های قبلی مانند BWA-backtrack محدود به خوانش‌های کوتاه (زیر ۱۰۰ جفت‌باز) بودند، الگوریتم BWA-MEM به عنوان یک استاندارد طلایی برای هم‌ترازی خوانش‌های ۷۰ جفت‌باز تا چندین مگاباز طراحی و بهینه شده است.

عملکرد BWA-MEM نه تنها بسیار سریع‌تر از نسخه‌های پیشین است، بلکه دقت بسیار بالاتری در مدیریت مناطق چالش‌برانگیزِ ژنوم (مانند مناطقی با حذف و اضافه‌های متعدد (Indels) یا ناهمخوانی‌های زیاد) دارد. این الگوریتم به جای تنظیمات دستی پیچیده، از یک سیستم امتیازدهی منعطف بهره می‌برد که به خوبی با کیفیت‌ها و طول‌های مختلف خوانش‌ها سازگار می‌شود.

از ویژگی‌های برجسته BWA-MEM، توانایی شناسایی خوانش‌های کایمریک (Chimeras) و دوپاره (Split-reads) است که آن را به ابزاری حیاتی در مطالعات تنوع ساختاری ژنوم (Structural Variants) تبدیل می‌کند. این الگوریتم به جای جستجوی کورکورانه در کل ژنوم، از رویکرد بذرپاشی و گسترش (Seed-and-Extend) استفاده می‌کند؛ به این معنا که ابتدا مناطق امیدبخش (بذرها) را شناسایی کرده و سپس با استفاده از الگوریتم محلی Smith-Waterman، تطبیق دقیق را فقط در همان نواحی انجام می‌دهد.

BWA-MEM2: نسخه بهینه‌شده BWA-MEM

BWA-MEM2 نسل جدید الگوریتم BWA-MEM است که با هدف افزایش سرعت الاینمنت توالی‌ها توسعه یافته است. این ابزار از نظر منطق هم‌ترازی و نتایج خروجی با BWA-MEM یکسان بوده و فایل‌های SAM تولیدشده توسط آن معادل خروجی BWA-MEM هستند. با این حال، بهینه‌سازی‌های انجام‌شده در ساختار کد و بهره‌گیری بهتر از قابلیت‌های پردازنده‌های مدرن باعث شده است که BWA-MEM2 بسته به نوع دیتا و سخت‌افزار مورد استفاده، بین 1.3 تا 3.1 برابر سریع‌تر عمل کند.

پژوهشگران آزمایشگاه محاسبات موازی Intel، ابزار BWA-MEM2 را توسعه داده‌ و آن را تحت مجوز متن‌باز MIT منتشر کرده‌اند. امروزه این ابزار در بسیاری از پایپ‌لاین‌های تحلیل داده‌های NGS به‌عنوان جایگزینی سریع‌تر برای BWA-MEM مورد استفاده قرار می‌گیرد.

ویژگی‌های کلیدی BWA-MEM2

• تولید خروجی یکسان با BWA-MEM
• افزایش سرعت هم‌ترازی بدون کاهش دقت
• استفاده بهینه از قابلیت‌های پردازنده‌های مدرن و دستورالعمل‌های SIMD
• پشتیبانی از چند هسته پردازشی (Multi-threading)
• جایگزینی آسان در پایپ‌لاین‌های مبتنی بر BWA-MEM
• مناسب برای داده‌های Illumina و سایر خوانش‌های کوتاه تا متوسط

انتخاب الگوریتم و دستورات اجرایی BWA

هر یک از سه الگوریتم اصلی BWA (شامل BWA-backtrack ، BWA-SW و BWA-MEM) برای طول و نوع خاصی از داده‌های توالی‌یابی مناسب هستند. در تمامی این الگوریتم‌ها، نخست باید ژنوم مرجع ایندکس شود و سپس فرآیند هم‌ترازی انجام گیرد.

ایندکس‌سازی ژنوم مرجع

پیش از شروع هم‌ترازی، BWA باید ساختار FM-index را برای ژنوم رفرنس ایجاد کند:

bwa index ref.fa

این دستور فایل رفرنس در قالب FASTA را پردازش کرده و فایل‌های ایندکس موردنیاز برای جستجو و الاینمنت را تولید می‌کند.

الاینمنت با BWA-MEM

این الگوریتم در حال حاضر رایج‌ترین روش استفاده از BWA برای داده‌های Illumina محسوب می‌شود.

داده‌های Single-End

bwa mem ref.fa reads.fq > aln.sam

داده‌های Paired-End

bwa mem ref.fa read1.fq read2.fq > aln-pe.sam

در این دستورات، فایل‌های FASTQ به ژنوم مرجع نگاشت شده و نتیجه در قالب SAM ذخیره می‌شود.

الاینمنت خوانش‌های کوتاه با BWA-backtrack

برای داده‌های قدیمی Illumina با طول کمتر از حدود 70 جفت‌باز می‌توان از الگوریتم BWA-backtrack استفاده کرد.

داده‌های Single-End

bwa aln ref.fa reads.fq > reads.sai
bwa samse ref.fa reads.sai reads.fq > aln-se.sam

داده‌های Paired-End

bwa aln ref.fa read1.fq > read1.sai
bwa aln ref.fa read2.fq > read2.sai

bwa sampe ref.fa read1.sai read2.sai read1.fq read2.fq > aln-pe.sam

امروزه با افزایش طول خوانش‌های Illumina، محققان نسبت به گذشته کمتر از BWA-backtrack استفاده می‌کنند.

الگوریتم BWA-SW

توسعه‌دهندگان، الگوریتم BWA-SW را برای هم‌ترازی توالی‌های طولانی طراحی کرده‌اند:

bwa bwasw ref.fa long_read.fq > aln.sam

با این حال، در اکثر کاربردهای امروزی، متخصصان BWA-MEM را جایگزین BWA-SW کرده‌اند و کمتر آن را به کار می‌برند.

استفاده از BWA برای داده‌های Long-read

نسخه‌های اولیه BWA-MEM از داده‌های حاصل از فناوری‌های PacBio و Oxford Nanopore نیز پشتیبانی می‌کردند:

با این حال، توسعه‌دهندگان BWA اکنون استفاده از Minimap2 را برای الاینمنت داده‌های PacBio و Nanopore توصیه می‌کنند. Minimap2 علاوه بر پشتیبانی از قابلیت‌های اصلی BWA-MEM، سرعت بسیار بالاتری داشته و دقت بیشتری در هم‌ترازی خوانش‌های بلند ارائه می‌دهد. بنابراین، برای پروژه‌های مبتنی بر توالی‌یابی Long-read، ابزار Minimap2 معمولاً انتخاب اول محسوب می‌شود.

الگوریتم BWA-MEM2

همانند BWA، پیش از انجام هم‌ترازی باید ژنوم مرجع ایندکس شود اما توجه کنید که: فرایند ایندکس‌سازی به حافظه نسبتاً زیادی نیاز دارد و تقریباً به 28 برابر اندازه فایل مرجع حافظه RAM احتیاج دارد. به همین دلیل برای ژنوم‌های بزرگ مانند ژنوم انسان، استفاده از سیستم‌های دارای حافظه کافی ضروری است!

ساختار اجرای BWA-MEM2 تقریباً مشابه BWA-MEM است.

داده‌های Single-End

bwa-mem2 mem reference.fa reads.fastq > output.sam

داده‌های Paired-End

bwa-mem2 mem reference.fa read1.fastq read2.fastq > output.sam

پردازش موازی

یکی از مهم‌ترین مزایای BWA-MEM2، بهره‌گیری مؤثر از پردازش موازی است. تعداد هسته‌های مورد استفاده با گزینه -t مشخص می‌شود:

bwa-mem2 mem -t 16 reference.fa read1.fastq.gz read2.fastq.gz > output.sam

در این مثال، 16 هسته پردازشی برای انجام هم‌ترازی استفاده می‌شود که می‌تواند زمان اجرای تحلیل را به‌طور قابل توجهی کاهش دهد.

راهنمای انتخاب الگوریتم

نوع دیتا	الگوریتم پیشنهادی
Illumina کوتاه (<70 bp)	BWA-backtrack
Illumina معمولی (≥70 bp)	BWA-MEM یا BWA-MEM2
Oxford Nanopore | PacBio CLR | PacBio HiFi	Minimap2
Assembly Contigs (کانتیگ‌های حاصل از اسمبلی)	BWA-MEM یا Minimap2

در حال حاضر، BWA-MEM2 برای داده‌های Illumina و Minimap2 برای داده‌های Long-read رایج‌ترین انتخاب‌ها در پایپ‌لاین‌های مدرن بیوانفورماتیکی هستند.

مقایسه BWA-backtrack ، BWA-MEM و BWA-MEM2

پیش از مقایسه این ابزارها، باید توجه داشت که اصطلاح BWA در متون مختلف ممکن است به دو معنا به کار رود: گاهی به کل نرم‌افزار Burrows-Wheeler Aligner اشاره دارد و گاهی منظور الگوریتم اولیه آن (که نخستین بار در سال 2009 معرفی شد) است. برای جلوگیری از ابهام، در این بخش از نام BWA-backtrack برای اشاره به الگوریتم اولیه BWA استفاده می‌شود.

	BWA-MEM2	BWA-MEM	BWA-backtrack
دستورات اصلی	mem	mem	aln ، samse ، sampe
طول خوانش مناسب	بیش از 70 bp	بیش از 70 bp	تا حدود 100 جفت‌باز
دقت الاینمنت	مشابه BWA-MEM	بالاتر از BWA-backtrack	مناسب برای خوانش‌های کوتاه
سرعت اجرا	حدود 1.3 تا 3.1 برابر سریع‌تر از BWA-MEM	بیشتر از BWA-backtrack	کمترین
کاربرد امروزی	جایگزین بهینه‌شده BWA-MEM	بسیار رایج	محدود

BWA-MEM برای خوانش‌های Illumina با طول 70 تا 100 جفت‌باز و بیشتر، عملکرد بهتری نسبت به BWA-backtrack ارائه می‌دهد و به‌عنوان الگوریتم پیش‌فرض BWA شناخته می‌شود. BWA-MEM2 نیز همان نتایج هم‌ترازی BWA-MEM را تولید می‌کند، اما با بهره‌گیری از بهینه‌سازی‌های معماری پردازنده، سرعت اجرای بالاتری دارد.

جمع‌بندی

پژوهشگران و متخصصان بیوانفورماتیک طی بیش از یک دهه گذشته از BWA به‌عنوان یکی از استانداردهای اصلی الاینمنت توالی‌ها استفاده کرده‌اند و همچنان آن را در بسیاری از پایپ‌لاین‌های تحلیل داده‌های NGS به کار می‌برند. اگرچه الگوریتم اولیه BWA-backtrack نقش مهمی در توسعه روش‌های هم‌ترازی مدرن داشته است، امروزه BWA-MEM و به‌ویژه BWA-MEM2 به دلیل سرعت بالاتر، دقت بیشتر و پشتیبانی بهتر از خوانش‌های طولانی‌تر، انتخاب‌های مناسب‌تری برای داده‌های Illumina محسوب می‌شوند.

انتخاب صحیح الگوریتم بر اساس نوع دیتا، طول خوانش‌ها و منابع محاسباتی در دسترس، تأثیر مستقیمی بر کیفیت نتایج تحلیل‌های ژنومی خواهد داشت و می‌تواند دقت مراحل بعدی مانند فراخوانی واریانت‌ها (variant calling) و تحلیل‌های ساختاری را بهبود بخشد.

سوالات متداول درباره BWA