Cutadapt چیست؟ آموزش نصب، اجرا و بررسی قابلیت‌های پیرایش دیتا

Cutadapt چیست و چرا در بیوانفورماتیک مهم است؟

ابزار Cutadapt یکی از پرکاربردترین نرم‌افزارهای منبع‌باز بیوانفورماتیکی برای پیش‌پردازش و پیرایش (Trimming) خوانش‌های خام توالی‌یابی نسل جدید (NGS) است. در آنالیزهای ژنومیکی، پیش‌پردازش یک ضرورت مطلق محسوب می‌شود؛ زیرا خروجی اولیه دستگاه‌ها حاوی میلیون‌ها خوانش (Reads) است که معمولاً شامل توالی‌های مصنوعی و غیربیولوژیکی به نام آداپتور هستند. این قطعات که برای اهداف فنی در مرحله آماده‌سازی کتابخانه به نمونه‌ها اضافه می‌شوند، در صورت باقی ماندن (همراه با بازهای بی‌کیفیت در نواحی انتهایی خوانش‌ها)، فرآیندهای حساسی چون همردیفی با ژنوم مرجع (Alignment)، فراخوانی واریانت‌ها (Variant Calling) و مونتاژ از‌نو (De novo Assembly) را با خطای جدی مواجه می‌کنند. Cutadapt با شناسایی و حذف هوشمندانه این توالی‌های زائد و فیلتر کردن انتهای بی‌کیفیت خوانش‌ها، داده‌ها را پاک‌سازی کرده و دقت کل پروژه را تضمین می‌کند.

Cutadapt که در سال ۲۰۱۱ توسط Marcel Martin در دانشگاه TU Dortmund معرفی شد، امروزه تحت نظارت زیرساخت ملی بیوانفورماتیک سوئد (NBIS) توسعه می‌یابد.

انعطاف‌پذیری بالا در تحمل خطا (مانند مدیریت عدم تطابق‌ها در توالی آداپتور) و کاربری آسان در محیط ترمینال، Cutadapt را به انتخاب اول و استاندارد طلایی متخصصان در گام نخست پایپ‌لاین‌های آنالیز تبدیل کرده است.

دانلود، نصب و راه‌اندازی Cutadapt

از آنجا که توسعه اصلی Cutadapt در محیط لینوکس انجام می‌شود، لینوکس بهترین و پایدارترین پلتفرم برای اجرای این ابزار است؛ به همین دلیل استفاده از محیط‌های لینوکسی یا WSL برای پردازش داده‌های بیوانفورماتیک به‌شدت توصیه می‌شود. با این وجود، این برنامه به خوبی روی سیستم‌عامل‌های مک و ویندوز نیز قابل اجراست.

در ادامه، استانداردترین روش‌های نصب را بر اساس سیستم‌عامل و نیاز شما بررسی می‌کنیم:

۱. نصب با استفاده از Conda (پیشنهاد اصلی)

نرم‌افزار Cutadapt به عنوان یک پکیج استاندارد در کانال Bioconda در دسترس است. این روش بهترین راه برای مدیریت وابستگی‌ها در پایپ‌لاین‌های بیوانفورماتیکی است:

ابتدا کانال‌های مورد نیاز را به Conda اضافه کنید:

conda config --add channels bioconda
conda config --add channels conda-forge
conda config --set channel_priority strict

سپس Cutadapt را در یک محیط ایزوله (Environment) جدید نصب کنید:

conda create -n cutadapt cutadapt

ترفند طلایی برای کاربران مک (Apple Silicon): اگر از مک‌بوک‌های جدید با پردازنده M1/M2 استفاده می‌کنید، ممکن است با خطای معماری روبه‌رو شوید. برای حل این مشکل، دستور نصب را به این شکل تغییر دهید:

 CONDA_SUBDIR=osx-64 conda create -n cutadapt cutadapt

در نهایت، برای استفاده از برنامه، محیط را فعال کنید (این کار باید هر بار که ترمینال جدیدی باز می‌کنید انجام شود):

conda activate cutadapt

۲. نصب در اوبونتو با Pipx (سریع و امن)

برای کاربران اوبونتو (نسخه ۲۰.۰۴ به بعد)، استفاده از ابزار pipx یک روش فوق‌العاده است. این ابزار Cutadapt را در یک محیط مجازی کاملاً ایزوله نصب می‌کند تا با سایر کتابخانه‌های پایتون سیستم تداخلی نداشته باشد:

sudo apt install pipx python3-venv
pipx install cutadapt

۳. نصب با Pip و محیط مجازی (Virtualenv)

اگر از Conda استفاده نمی‌کنید، می‌توانید با استفاده از pip و ایجاد یک محیط مجازی پایتون، نرم‌افزار را نصب کنید (نیاز به پایتون ۳.۷ به بالا):

sudo apt install python3-virtualenv
virtualenv cutadapt-venv
cutadapt-venv/bin/pip install cutadapt

برای اجرای مستقیم بدون نیاز به مسیر کامل، محیط را فعال کنید:

source cutadapt-venv/bin/activate

۴. نصب روی سیستم‌عامل ویندوز

نصب روی ویندوز به دلیل نیاز به کامپایل کردن برخی قطعات پایتون، کمی متفاوت است. برای این کار دو راه پیش رو دارید:

روش اول (فایل اجرایی): در لینک زیر، یک فایل اجرایی مستقل (cutadapt.exe) قرار داده‌ایم. این ساده‌ترین راه برای کاربران ویندوز است.

رمز فایل فشرده: www.vanyarbioinf.ir

روش دوم (نصب دستی با Pip): اگر به هر دلیلی تمایل به استفاده از روش اول نداشتید، ابتدا باید C++ Build Tools (از بسته Visual Studio) و یک ورژن جدید پایتون را روی ویندوز نصب کنید. سپس در محیط Command Prompt دستور زیر را اجرا کنید:

py -m pip install cutadapt

نکته مهم در ویندوز: هنگام فراخوانی برنامه در این روش، به جای کلمه cutadapt، باید همیشه از عبارت py -m cutadapt استفاده کنید (مثلاً py -m cutadapt --version).

۵. نصب از طریق مدیر بسته‌های لینوکس (APT)

شما می‌توانید Cutadapt را مستقیماً از طریق مخازن اوبونتو یا دبیان نصب کنید:

sudo apt install cutadapt

هشدار: نسخه‌های موجود در مخازن پیش‌فرض سیستم‌عامل (مثل apt) معمولاً قدیمی هستند. اگر به ویژگی‌های جدید نیاز دارید، حتماً از روش‌های Conda یا Pip استفاده کنید.

۶. نصب دستی از طریق کد منبع (source code)

برای کسانی که می‌خواهند از جدیدترین تغییرات نسخه توسعه‌دهندگان استفاده کنند، نصب از طریق سورس‌کد بهترین گزینه است.

ابتدا فایل سورس‌کد را به‌صورت فایل zip از لینک زیر دانلود کنید:

رمز فایل فشرده: www.vanyarbioinf.ir

سپس آن را از حالت فشرده خارج کرده و با استفاده از ترمینال وارد پوشه آن شوید. در نهایت دستور زیر را اجرا کنید:

cd cutadapt-4.0
pip install .

پس از پایان فرآیند نصب با هر یک از این روش‌ها، حتماً دستور cutadapt --version را در ترمینال اجرا کنید تا از صحت نصب نرم‌افزار و قرارگیری آن در مسیر درست مطمئن شوید.

اکنون که ابزار قدرتمند Cutadapt با موفقیت روی سیستم شما پیکربندی شده است، محیط کارتان برای شروع پردازش داده‌های توالی‌یابی کاملاً آماده است و می‌توانیم به سراغ شناخت انواع آداپتورها و نحوه اجرای دستورات پایه برویم.

انواع آداپتورها در Cutadapt

نصب موفقیت‌آمیز نرم‌افزار تنها نیمی از راه است؛ برای استفاده مؤثر از Cutadapt، باید دقیقاً به ابزار بگویید که به دنبال چه چیزی بگردد. در پروژه‌های حساس ژنومیک مانند آنالیز داده‌های توالی‌یابی کل اگزوم (Whole Exome Sequencing – WES) که شناسایی دقیق واریانت‌ها به شدت وابسته به کیفیت همردیفی است، انتخاب نوع درست آداپتور و تعریف صحیح آن برای Cutadapt اهمیت حیاتی دارد.

Cutadapt آداپتورها را بر اساس موقعیت قرارگیری آن‌ها نسبت به توالی بیولوژیکی خوانش دسته‌بندی می‌کند. در ادامه، پرکاربردترین انواع آداپتورها و نحوه تعریف آن‌ها را بررسی می‌کنیم:

۱. آداپتورهای انتهای ‘۳

این نوع متداول‌ترین آداپتوری است که در داده‌های NGS (مانند پلتفرم ایلومینا) با آن سروکار داریم. آداپتور ‘۳ در انتهای سمت راست توالی بیولوژیکی قرار می‌گیرد. برای حذف این آداپتورها از پارامتر -a استفاده می‌شود:

cutadapt -a AGATCGGAAGAGC -o output.fastq input.fastq

نکته کلیدی: الگوریتم Cutadapt برای آداپتورهای ‘۳ بسیار هوشمند عمل می‌کند. اگر تنها بخشی از آداپتور (مثلاً چند باز اول آن) در انتهای خوانش ظاهر شده باشد، ابزار آن تطابق جزئی (Partial match) را نیز تشخیص داده و به درستی حذف می‌کند.

۲. آداپتورهای ابتدای ‘۵

این آداپتورها در ابتدای خوانش (سمت چپ) قرار دارند. معمولاً در پروتکل‌های خاصی از آماده‌سازی کتابخانه یا زمانی که خوانش‌ها حاوی بارکدهای ابتدایی هستند، نیاز به حذف آن‌ها داریم. برای حذف آداپتورهای ‘۵ از پارامتر -g استفاده می‌شود:

cutadapt -g GCTCTTCCGATCT -o output.fastq input.fastq

در این حالت نیز، اگر تنها بخشی از انتهای آداپتور در ابتدای خوانش شما قرار گرفته باشد، Cutadapt آن را شناسایی و به همراه هر باز دیگری که قبل از آن باشد، حذف می‌کند.

۳. آداپتورهای لنگردار (Anchored Adapters)

گاهی اوقات شما دقیقاً می‌دانید که توالی آداپتور باید مطلقاً در مرز ابتدایی یا انتهایی خوانش قرار داشته باشد و نباید هیچ تطابق جزئی یا داخلی پذیرفته شود. استفاده از آداپتورهای لنگردار به شدت خطای مثبت کاذب (حذف اشتباهی توالی‌های مشابه ژنومیک) را کاهش می‌دهد.

لنگر در ‘۵: با اضافه کردن نماد ^ به ابتدای توالی، به ابزار می‌گویید که آداپتور باید دقیقاً از اولین بازِ خوانش شروع شود:

cutadapt -g ^GCTCTTCCGATCT -o output.fastq input.fastq

لنگر در ‘۳: با اضافه کردن نماد $ به انتهای توالی، شرط می‌کنید که آداپتور باید دقیقاً در آخرین بازِ خوانش تمام شود:

cutadapt -a AGATCGGAAGAGC$ -o output.fastq input.fastq

۴. آداپتورهای متصل (Linked Adapters)

یکی از قدرتمندترین و پیشرفته‌ترین ویژگی‌های Cutadapt، قابلیت مدیریت آداپتورهای متصل است. در برخی پروتکل‌های خاص (مثل توالی‌یابی آمپلیکون‌ها)، توالی بیولوژیکی هدف دقیقاً بین یک آداپتور ‘۵ و یک آداپتور ‘۳ احاطه شده است.

به جای اینکه دو بار نرم‌افزار را اجرا کنید، می‌توانید با استفاده از نماد ... هر دو آداپتور را به صورت همزمان و متصل تعریف کنید:

cutadapt -a "GCTCTTCCGATCT...AGATCGGAAGAGC" -o output.fastq input.fastq

در این ساختار، Cutadapt ابتدا به دنبال آداپتور ‘۵ (سمت چپ نقطه چین) و سپس آداپتور ‘۳ (سمت راست نقطه چین) می‌گردد و توالی هدف را از بین این دو استخراج می‌کند. این ویژگی به‌ویژه برای فیلتر کردن دقیق قطعات در طراحی‌های پیچیده (مانند پنل‌های هدفمند) عملکردی بی‌نظیر دارد.

دستورات کاربردی Cutadapt

در بخش قبل با زبان اختصاصی Cutadapt برای تعریف موقعیت‌های مختلف آداپتورها آشنا شدیم. اکنون زمان آن است که این مفاهیم را با هم ترکیب کرده و در سناریوهای واقعی پیاده‌سازی کنیم.

در پروژه‌های تحقیقاتی و بالینی، ما غالباً با خوانش‌های جفت‌شده (Paired-end) و داده‌هایی با افت کیفیت در نواحی انتهایی روبه‌رو هستیم. در این شرایط، تنها با اجرای مجموعه‌ای همزمان از فیلترهای ساختاری و کیفیتی می‌توانیم داده‌ها را برای یک همردیفی بدون نقص آماده کنیم.

همگام‌سازی و پردازش خوانش‌های جفت‌شده (Paired-end)

یکی از چالش‌های اساسی در کار با داده‌های جفت‌شده، حفظ همگام‌سازی (Synchronization) میان فایل‌های خوانش اول (Forward) و خوانش دوم (Reverse) است. اگر یک نرم‌افزار، خوانش بی‌کیفیتی را از فایل اول حذف کند اما جفتِ آن را در فایل دوم نگه دارد، ابزارهای همردیفی پایین‌دستی مانند BWA-MEM یا HISAT2 با خطای مهلکِ عدم تطابق ساختار مواجه شده و متوقف می‌شوند.

بر اساس مستندات رسمی، Cutadapt این همگام‌سازی را به صورت ذاتی تضمین می‌کند؛ به این معنا که اگر یکی از خوانش‌ها به دلیل فیلترهای کیفیتی یا طولی حذف شود، جفتِ آن نیز به طور خودکار از فایل دوم دور ریخته می‌شود. برای پردازش داده‌های Paired-end، از حروف بزرگ برای تعیین پارامترهای خوانش دوم استفاده می‌کنیم:

cutadapt -a ADAPTER_FWD -A ADAPTER_REV -o clean_R1.fastq -p clean_R2.fastq raw_R1.fastq raw_R2.fastq

در این دستور، -A آداپتور ‘3 را برای خوانش دوم مشخص کرده و -p مسیر فایل خروجی دوم را تعیین می‌کند.

پیرایش کیفیت (Quality Trimming)

دستگاه‌های توالی‌یاب معمولاً در انتهای خوانش‌ها (سمت ‘3) دچار افت کیفیت بازخوانی می‌شوند. طبق مستندات Cutadapt، عملیات پیرایش کیفیت همواره پیش از جستجوی آداپتورها انجام می‌گیرد تا بازهای پرخطا مانع از شناسایی صحیح آداپتور نشوند. برای این کار از پارامتر -q استفاده می‌کنیم که بر اساس نمرات کیفیتی Phred عمل می‌کند:

cutadapt -q 20 -a AGATCGGAAGAGC -o clean.fastq raw.fastq

نکته مهم: اگر قصد دارید هر دو انتهای ‘3 و ‘5 را به لحاظ کیفیتی پیرایش کنید، می‌توانید دو مقدار را با کاما از هم جدا کنید. به عنوان مثال:

 -q 20,15

ابتدا انتهای ‘3 را با آستانه نمره ۲۰ پیرایش کرده و سپس انتهای ‘5 را با آستانه ۱۵ فیلتر می‌کند.

فیلتر کردن بر اساس طول (Length Filtering)

پس از حذف آداپتورها و بازهای بی‌کیفیت، طول قطعات باقی‌مانده ممکن است به شدت افت کند (مثلاً به زیر ۲۰ باز برسد). این قطعات کوتاه ارزش بیولوژیکی چندانی نداشته و صرفاً باعث ایجاد نویز و نقشه شدن‌های چندگانه (Multi-mapping) روی ژنوم مرجع می‌شوند.

با استفاده از پارامتر -m (حداقل طول) می‌توانید خوانش‌های بسیار کوتاه را دور بریزید:

cutadapt -m 30 -a AGATCGGAAGAGC -o clean.fastq raw.fastq

در حالت Paired-end، اگر از فیلتر -m 30 استفاده کنید و طول تنها یکی از جفت‌خوانش‌ها (R1 یا R2) پس از پیرایش به زیر ۳۰ باز برسد، Cutadapt هر دو خوانش را دور می‌ریزد تا همگام‌سازی فایل‌ها حفظ شود.

تنظیم میزان تحمل خطا (Error Tolerance)

توالی‌های آداپتور به دلیل خطاهای ناشی از شیمی دستگاه توالی‌یاب ممکن است دقیقاً با توالی مرجعی که شما تعریف کرده‌اید یکسان نباشند. الگوریتم هوشمند این نرم‌افزار به صورت پیش‌فرض، نرخ خطای ۱۰ درصد (0.1) را برای تطابق آداپتور مجاز می‌داند که شامل عدم تطابق (Mismatch)، درج (Insertion) و حذف (Deletion) می‌شود. چنانچه می‌خواهید این رفتار را تغییر داده و الگوریتم را سخت‌گیرتر یا منعطف‌تر کنید، می‌توانید از پارامتر -e استفاده نمایید. برای مثال، برای مجاز دانستن ۱۵ درصد خطا:

cutadapt -e 0.15 -a AGATCGGAAGAGC -o clean.fastq raw.fastq

با درک و تنظیم دقیق این پارامترهای پایه‌ای، شما کنترل کاملی بر روی کیفیت داده‌های ورودی خود خواهید داشت و از ورود نویز به مراحل حساس همردیفی جلوگیری می‌کنید.

اکنون که ابزارهای اولیه پیرایش را در اختیار داریم، در بخش بعدی به سراغ تکنیک‌های پیشرفته‌تر Cutadapt مانند جداسازی نمونه‌ها (Demultiplexing) و فیلتر دم‌های Poly-A خواهیم رفت.

ترفندهای حرفه‌ای Cutadapt

تا به اینجا با فرآیندهای معمول پیرایش داده‌ها آشنا شدیم، اما قدرت واقعی ابزار Cutadapt زمانی مشخص می‌شود که با چالش‌های پیچیده‌تر توالی‌یابی مواجه شویم. این ابزار قابلیت‌هایی را معرفی می‌کند که می‌تواند شما را از نوشتن اسکریپت‌های پیچیده جانبی یا استفاده از چندین نرم‌افزار مختلف بی‌نیاز کند.

در ادامه، سه تکنیک بسیار کاربردی و پیشرفته را بررسی می‌کنیم:

جداسازی نمونه‌ها با بارکد (Demultiplexing)

در بسیاری از پروژه‌های توالی‌یابی، برای کاهش هزینه‌ها، چندین نمونه مختلف با استفاده از بارکدهای اختصاصی (Index) در یک لاین از فلوسل قرار می‌گیرند. خروجی دستگاه در این حالت، یک فایل حجیم است که تمام نمونه‌ها در آن مخلوط شده‌اند. نرم‌افزار Cutadapt می‌تواند خوانش‌ها را بر اساس بارکدی که در آن‌ها پیدا می‌کند، از هم تفکیک کرده و به صورت خودکار در فایل‌های جداگانه ذخیره کند.

با استفاده از یک ساختار نام‌گذاری مشخص (مثل ^BARCODE=SampleName) و متغیر {name} در خروجی، می‌توانید این کار را به سادگی انجام دهید:

cutadapt -g ^AACTGAGTCAA=Patient1 -g ^ACCTAAGTCAA=Patient2 -o trimmed_{name}.fastq raw_mixed.fastq

در این دستور، نرم‌افزار به دنبال بارکدهای ابتدایی می‌گردد. اگر بارکد اول را پیدا کند، خوانش را در فایلی به نام trimmed_Patient1.fastq و در صورت یافتن بارکد دوم، آن را در trimmed_Patient2.fastq ذخیره می‌کند.

حذف دم‌های Poly-A در دیتای RNA-Seq

در آنالیز داده‌های ترانسکریپتوم (RNA-Seq) یوکاریوت‌ها، توالی‌های mRNA دارای دم‌های طولانی Poly-A در انتهای خود هستند که باید پیش از همردیفی حذف شوند. اگرچه می‌توان یک توالی بلند از بازهای A را به عنوان آداپتور به نرم‌افزار معرفی کرد، اما Cutadapt برای این سناریو یک پارامتر اختصاصی و بسیار دقیق‌تر به نام --poly-a دارد.

استفاده از این پارامتر بسیار امن‌تر از روش‌های سنتی است، زیرا الگوریتم به گونه‌ای طراحی شده که توالی‌های پلی-A را به درستی شناسایی و حذف می‌کند، بدون آنکه به بخش‌هایی از ژن که به طور طبیعی دارای چند باز A پشت سر هم هستند، آسیبی برساند:

cutadapt --poly-a -o clean_rna.fastq raw_rna.fastq

رفع خطای پلتفرم‌های NextSeq و NovaSeq

یکی از مشکلات بسیار رایج و پنهان در پلتفرم‌های جدیدتر ایلومینا (مانند NextSeq و NovaSeq) که از شیمی دو-رنگ (Two-color chemistry) استفاده می‌کنند، پدیده چرخه‌ تاریک (dark cycle) است. در این دستگاه‌ها، بازِ «G» با عدم وجود سیگنال نوری (تاریکی) ثبت می‌شود. به همین دلیل، زمانی که فرآیند خوانش به پایان می‌رسد و دیگر قطعه‌ای برای توالی‌یابی وجود ندارد، دستگاه به اشتباه توالی بلندی از بازهای «G» را با نمره کیفیتی بسیار بالا ثبت می‌کند!

ابزارهای معمولی قادر به شناسایی این خطا با استفاده از فیلتر کیفیت استاندارد نیستند (چون کیفیت بازهای G تقلبی بالاست). اما Cutadapt با معرفی پارامتر --nextseq-trim این مشکل اختصاصی را به راحتی برطرف می‌کند:

cutadapt --nextseq-trim=20 -a AGATCGGAAGAGC -o clean.fastq raw.fastq

این دستور به نرم‌افزار می‌آموزد که توالی‌های طولانی «G» در انتهای خوانش‌ها را شناسایی کرده و آن‌ها را به همراه سایر بازهای بی‌کیفیت (با آستانه ۲۰) حذف کند.

آشنایی با این ویژگی‌های پیشرفته نشان می‌دهد که Cutadapt تنها یک قیچی ساده برای بریدن آداپتورها نیست، بلکه یک پلتفرم همه‌جانبه برای تضمین سلامت داده‌های ژنومیک است. با تسلط بر این ترفندها، پایپ‌لاین‌های بیوانفورماتیکی شما در برابر خطاهای رایج دستگاه‌های توالی‌یاب کاملاً ایمن خواهند بود.

تفسیر گزارش‌های خروجی‌ Cutadapt

اجرای بدون خطای دستورات در ترمینال پایان کار نیست. تحلیل و تفسیر گزارشی که ابزار پس از پایان کار در خروجی چاپ می‌کند، به همان اندازه اجرای دستور اهمیت دارد. در پروژه‌های پیچیده‌تر، به‌ویژه دیتای Paired-end، این گزارش شامل چندین بخش مجزا است که هر یک اطلاعات ارزشمندی درباره سلامت کتابخانه توالی‌یابی ارائه می‌دهند.

در ادامه، بخش‌های کلیدی یک گزارش استاندارد و معنای دقیق هر پارامتر را کالبدشکافی می‌کنیم:

۱. بخش خلاصه وضعیت (Summary)

این بخش نمای کلی و آمار کلان عملیات را نشان می‌دهد. در داده‌های جفت‌شده، آمار خوانش‌های اول و دوم (Read 1 و Read 2) به تفکیک ارائه می‌شود:

• Total read pairs processed: نشان‌دهنده تعداد کل جفت‌خوانش‌های ورودی است. این عدد باید دقیقاً با تعداد خوانش‌های موجود در فایل خام اولیه شما برابر باشد.
• Read 1 / Read 2 with adapter: درصد خوانش‌هایی را نشان می‌دهد که آداپتور در آن‌ها شناسایی و حذف شده است.
• Pairs written (passing filters): این مهم‌ترین بخش گزارش خلاصه است و نشان می‌دهد چه تعداد از جفت‌خوانش‌ها پس از حذف آداپتور و اعمال فیلترها توانسته‌اند به فایل نهایی راه پیدا کنند.
• Quality-trimmed: حجم کل بازهایی که به دلیل افت کیفیت (و نه به خاطر اتصال به آداپتور) از انتهای خوانش‌ها حذف شده‌اند.

۲. بخش آمار تطابق (No. of allowed errors)

الگوریتم Cutadapt به گونه‌ای طراحی شده که تعداد خطاهای مجاز (Mismatch یا Indel) را بر اساس طول بخشی از آداپتور که در خوانش پیدا شده، مقیاس‌بندی می‌کند. در گزارش، خطی مشابه خط زیر را می‌بینید:

 0-7 bp: 0; 8-15 bp: 1; 16-20 bp: 2

به این معنا که اگر فقط ۰ تا ۷ باز از آداپتور در انتهای خوانش پیدا شود، هیچ خطایی مجاز نیست (باید تطابق کامل باشد). اما اگر برای مثال بین ۱۶ تا ۲۰ باز پیدا شود، تا ۲ خطا در توالی پذیرفته می‌شود. این رفتار هوشمند از حذف تصادفی قطعات کوتاه ژنومیک جلوگیری می‌کند.

۳. بررسی نوکلئوتیدهای مجاور (Bases preceding removed adapters)

این بخش درصد فراوانی بازهایی (A , C , G , T) را نشان می‌دهد که دقیقاً پیش از توالی آداپتور حذف‌شده قرار داشته‌اند. تحلیل این توزیع بسیار حیاتی است؛ در حالت طبیعی، توزیع این چهار باز باید نسبتاً یکنواخت و نزدیک به هم باشد (حدود ۲۵ درصد برای هر کدام). اگر یکی از بازها درصد بسیار بالایی (مثلاً نزدیک به ۱۰۰٪) داشته باشد، نشان‌دهنده این است که در مراحل آزمایشگاهی یا آماده‌سازی کتابخانه، یک نوکلئوتید خاص (مثل یک دنباله A-tailing) به صورت اضافی پیش از آداپتور به قطعات متصل شده است و شما باید توالی آداپتور مرجع خود را اصلاح کنید.

۴. نمای کلی توالی‌های حذف‌شده (Overview of removed sequences)

این جدول جزئیات دقیق‌تری از برش‌ها را بر اساس طول قطعه حذف‌شده ارائه می‌دهد و دارای ستون‌های زیر است:

• length: طول قطعه‌ای از آداپتور که شناسایی و حذف شده است.
• count: تعداد دفعاتی که آداپتور با این طولِ مشخص در کل داده‌ها پیدا شده است.
• expect: تعداد دفعاتی که انتظار می‌رود این توالی صرفاً بر اساس تصادف در داده‌هایی با این حجم پیدا شود.
• max.err: حداکثر خطای مجازی که برای این طول اعمال شده است.
• error counts: نحوه توزیع خطاها (تطابق کامل، ۱ خطا، ۲ خطا و…) در خوانش‌های یافت‌شده.

مقایسه ستون count با expect به شما نشان می‌دهد که آیا برش‌های کوتاه (مثلاً ۳ یا ۴ بازی) واقعاً توالی آداپتور بوده‌اند یا بخش‌هایی از توالی بیولوژیکی ژنوم که به صورت تصادفی حذف شده‌اند. اگر تعداد برش‌های واقعی (count) تقریباً با تعداد تصادفی مورد انتظار (expect) برابر باشد، ممکن است نیاز باشد با استفاده از فیلترهایی نظیر حداقل طول همپوشانی (Overlap)، سخت‌گیری الگوریتم را برای تطابق‌های بسیار کوتاه افزایش دهید.

مقایسه Cutadapt با سایر ابزارهای مشابه

برای پیش‌پردازش داده‌های توالی‌یابی، Cutadapt تنها گزینه موجود نیست و به عنوان یکی از چندین ابزار توسعه‌یافته برای این هدف محسوب می‌شود. در این بخش، این ابزار را با دو رقیب محبوب خود یعنی Trimmomatic و fastp مقایسه می‌کنیم:

مقایسه Cutadapt با Trimmomatic

نرم‌افزار Trimmomatic یکی دیگر از ابزارهای بسیار محبوب برای برش و فیلتر کردن داده‌های NGS است.

• سرعت پردازش: نرم‌افزار Cutadapt به‌ویژه در هنگام کار با داده‌های حجیم، معمولاً سرعت بالاتری نسبت به Trimmomatic دارد.
• انعطاف‌پذیری در مدیریت آداپتورها: وقتی صحبت از شناسایی و برش آداپتورها می‌شود، Cutadapt انعطاف‌پذیری بسیار بیشتری از خود نشان می‌دهد.
• امکانات فیلتر کیفیت: از سوی دیگر، Trimmomatic قابلیت‌ها و امکانات بیشتری در زمینه فیلتر کردن خوانش‌ها بر اساس کیفیت ارائه می‌دهد.
• رابط کاربری: کار با Cutadapt در ترمینال معمولاً ساده‌تر و روان‌تر است، در حالی که Trimmomatic رابط کاربری نسبتاً پیچیده‌تری دارد.

مقایسه Cutadapt با fastp

ابزار fastp یک نرم‌افزار نسبتاً جدیدتر و بسیار سریع برای پیش‌پردازش داده‌های توالی‌یابی نسل جدید است.

• سرعت و بهینه‌سازی: ابزار fastp بهینه‌سازی‌های بیشتری داشته و به‌ویژه به لطف قابلیت پردازش موازی، بسیار سریع‌تر عمل می‌کند.
• یکپارچگی (All-in-one): نرم‌افزار fastp مراحل کنترل کیفیت، برش آداپتور و فیلتر کردن را به صورت یکپارچه در یک برنامه واحد ادغام کرده است.
• گزارش‌گیری بصری: یکی از برتری‌های fastp، تولید گزارش‌های HTML تعاملی است که بررسی نتایج را از نظر بصری آسان می‌کند.
• روند توسعه: در حال حاضر، ابزار fastp نسبت به Cutadapt توسعه فعال‌تری دارد.

در نهایت، انتخاب ابزار پیش‌پردازش کاملاً به ساختار داده‌ها و نیازهای پروژه شما بستگی دارد. اگرچه برخی ابزارهای جایگزین ممکن است در سرعت پردازش خام یا رابط کاربری بصری برتری‌هایی داشته باشند، اما انعطاف‌پذیری بی‌نظیر و دقت بالای Cutadapt در مدیریت سناریوهای پیچیده، آن را به یکی از مطمئن‌ترین و اثبات‌شده‌ترین گزینه‌ها برای پایپ‌لاین‌های استاندارد و حساس ژنومیکی تبدیل کرده است.

نتیجه‌گیری

نرم‌افزار Cutadapt یک ابزار قدرتمند و انعطاف‌پذیر برای پیش‌پردازش داده‌های NGS است. این برنامه با ارائه قابلیت‌های متنوعی برای شناسایی و حذف آداپتورها، فیلتر کردن بر اساس کیفیت و طول، و همچنین پشتیبانی از انواع مختلف داده‌های NGS، توانسته به یکی از ضروری‌ترین نرم‌افزارها در پایپلاین آنالیز ژنومیک تبدیل شود.

با فراگیری اصول کار با این ابزار و بهینه‌سازی پارامترهای آن متناسب با نیازهای پروژه‌های خاص، می‌توانید کیفیت داده‌های خام توالی‌یابی خود را به طور قابل توجهی افزایش داده و در نتیجه، صحت نتایج آنالیزهای پایین‌دستی را بهبود بخشید.

سوالات متداول درباره Cutadapt