Samtools چیست؟ راهنمای نصب، اجرای دستورات و کاربردها

Samtools چیست و چرا در بیوانفورماتیک اهمیت دارد؟

با ظهور تکنولوژی‌های توالی‌یابی نسل جدید (NGS)، حجم داده‌های تولید‌شده در آزمایشگاه‌های ژنتیک به شکل چشمگیری افزایش یافت. در این میان، Samtools به عنوان یکی از پرکاربردترین مجموعه ابزارهای بیوانفورماتیک برای مدیریت، پردازش و تحلیل این داده‌های حجیم پا به عرصه گذاشت.

این نرم‌افزار متن‌باز که در حال حاضر به‌عنوان یک استاندارد جهانی در آزمایشگاه‌های بیوانفورماتیک شناخته می‌شود، برای تعامل با داده‌های هم‌ترازی توالی‌ها (Sequence Alignments) طراحی شده است. توسعه‌دهندگان این ابزار همواره تلاش کرده‌اند تا با استانداردهای گروه کاری GA4GH (اتحاد جهانی برای ژنومیک و سلامت) همگام باشند و فرمت‌های استانداردی را برای ذخیره و پردازش داده‌ها ارائه دهند. با درک عمیق از Samtools، محققان حوزه ژنومیک می‌توانند پایپ‌لاین‌های تحلیلی خود را بهینه‌تر کرده و به نتایج دقیق‌تری دست یابند.

تاریخچه و روند توسعه Samtools

ریشه‌های تاریخی Samtools به سال ۲۰۰۹ و پروژه ۱۰۰۰ ژنوم بازمی‌گردد. در آن زمان، Heng Li و همکارانش برای اولین بار فرمت SAM (Sequence Alignment/Map) و ابزار خط فرمان Samtools را در ژورنال Bioinformatics معرفی کردند. هدف اصلی این بود که راه حلی کارآمد برای مدیریت حجم عظیمی از داده‌های مپ‌شده (Mapped data) ایجاد شود.

با گذشت زمان و گسترش نیازهای تحلیلی، این پروژه از یک ابزار ساده به یک اکوسیستم سه‌گانه و قدرتمند تبدیل شد. در سال ۲۰۲۱، مقاله‌ای جامع درباره دستاوردها و پیشرفت‌های ۱۲ ساله این مجموعه نرم‌افزاری در ژورنال GigaScience منتشر شد که نشان‌دهنده پویایی و توسعه مداوم آن است. امروزه وقتی از Samtools صحبت می‌کنیم، در واقع با سه بخش مجزا اما کاملاً یکپارچه روبرو هستیم:

1. HTSlib: قلب تپنده این اکوسیستم است. یک کتابخانه قدرتمند به زبان C که وظیفه اساسی خواندن و نوشتن داده‌های حجیم توالی‌یابی (High-throughput sequencing data) را بر عهده دارد.
2. Samtools: بخش اصلی که تمرکز آن بر روی مدیریت، تبدیل، فیلتر کردن و استخراج آمار از فایل‌های هم‌ترازی (مانند SAM ، BAM و CRAM) است.
3. BCFtools: ابزاری که به طور تخصصی برای کار با فایل‌های VCF/BCF، فراخوانی واریانت‌ها (Variant Calling) و فیلتر کردن آن‌ها توسعه یافته است.

این تفکیک هوشمندانه باعث شده است تا هر ابزار با بالاترین سرعت و کمترین میزان مصرف حافظه، وظیفه تخصصی خود را انجام دهد. این مجموعه نرم‌افزاری تا به امروز نقش حیاتی در موفقیت پروژه‌های بزرگ ژنومی مانند ENCODE و پروژه اطلس ژنوم سرطان (TCGA) ایفا کرده است.

دانلود، نصب و اجرای Samtools

نصب نرم‌افزار Samtools در سیستم‌عامل‌های مختلف نسبتاً ساده است و از طریق مدیر بسته‌های (Package Managers) استاندارد به راحتی انجام می‌شود. با این حال، اگر با حجم عظیمی از داده‌های ژنومی سر و کار دارید، نحوه نصب شما می‌تواند تأثیر چشمگیری روی سرعت پردازش نهایی داشته باشد.

روش پیشنهادی و استاندارد: استفاده از Bioconda

امروزه استانداردترین روش برای نصب نرم‌افزارهای بیوانفورماتیک، استفاده از Bioconda است. مزیت بزرگ این روش این است که تمام پیش‌نیازها (Dependencies) را به‌طور خودکار نصب می‌کند و نیازی به دسترسی ادمین (sudo) ندارد. اگر آناکوندا یا مینی‌کوندا روی سیستم شما نصب است، با اجرای دستور زیر، Samtools به راحتی نصب می‌شود:

conda install -c bioconda samtools

(نکته: برای سرعت بیشتر در نصب پکیج‌ها، استفاده از mamba به جای conda نیز به شدت پیشنهاد می‌شود).

نصب عمومی از طریق مدیر بسته‌های سیستم‌عامل

اگر فقط قصد دارید Samtools را برای کارهای روزمره و فایل‌های نه‌چندان حجیم نصب کنید، دستورات زیر کار شما را راه می‌اندازند:

در توزیع‌های مبتنی بر Ubuntu/Debian:

sudo apt-get install samtools 

در سیستم‌عامل Mac OS (با استفاده از Homebrew):

brew install samtools 

کاربران ویندوز نیز می‌توانند از طریق محیط WSL (Windows Subsystem for Linux) این ابزار را نصب کرده و از خط فرمان لینوکس در ویندوز بهره‌مند شوند.

نصب حرفه‌ای: رویکرد پرفورمنس و جادوی Libdeflate

از آنجا که داده‌های توالی‌یابی بسیار فشرده هستند، نرم‌افزار Samtools بخش زیادی از زمان پردازش را صرفِ فشرده‌سازی و بازگشایی این اطلاعات (Encoding/Decoding) می‌کند.

در حالت عادی، Samtools از کتابخانه استاندارد Zlib استفاده می‌کند. اما توسعه‌دهندگان در مستندات رسمی HTSlib اکیداً توصیه می‌کنند که از کتابخانه libdeflate استفاده کنید. بنچمارک‌های رسمی ثابت می‌کنند که کتابخانه libdeflate سرعت خواندن و نوشتن فایل‌ها را به شکل چشمگیری افزایش می‌دهد.

چگونه Samtools را برای حداکثر سرعت کامپایل کنیم؟

برای راحتی کار، ما سورس‌کد کامل Samtools را برای دانلود مستقیم قرار داده‌ایم. شما باید ابتدا فایل زیر را دانلود کنید و بعد آن را از حالت فشرده نمایید.

رمز فایل فشرده: www.vanyarbioinf.ir

پیش از شروع کامپایل، باید مطمئن شوید که کتابخانه libdeflate (و بسته‌های توسعه آن مانند libdeflate-dev) روی سرور یا سیستم شما نصب شده باشد. وقتی این پیش‌نیاز را نصب کردید، وارد پوشه سورس‌کد شوید و نرم‌افزار Samtools را با دستورات زیر برای حداکثر سرعت پیکربندی و نصب کنید.

cd samtools-source-directory
./configure --with-libdeflate
make
sudo make install

پس از پایان نصب، می‌توانید با اجرای دستور samtools --version از نصب صحیح برنامه و ماژول‌های فعال آن اطمینان حاصل کنید. با این روش نصب، شما یک موتور پردازشی قدرتمندتر خواهید داشت که در پروژه‌های بزرگ (مثل WGS) زمان اجرای پایپ‌لاین‌های شما را ساعت‌ها کاهش می‌دهد.

آشنایی با دستورات پایه Samtools

دستورات در Samtools از یک ساختار منطقی و یکپارچه پیروی می‌کنند که یادگیری آن‌ها را بسیار آسان می‌کند. الگوی کلی دستورات به این شکل است:

samtools [command] [options] [input_file] [output_file]

اما در پروژه‌های واقعی بیوانفورماتیک، ما معمولاً دستورات را به صورت تکی اجرا نمی‌کنیم. مستندات رسمی Samtools اکیداً توصیه می‌کند که به جای تولید فایل‌های موقت در هر مرحله، از پایپ‌لاین‌های یونیکس (استفاده از علامت |) استفاده کنید. این کار باعث می‌شود خروجی هر مرحله مستقیماً به عنوان ورودی مرحله بعد خوانده شود و سرعت پردازش به شکل چشمگیری افزایش یابد. در تمام دستورات Samtools، علامت - به عنوان جایگزینی برای ورودی استاندارد (stdin) و خروجی استاندارد (stdout) شناخته می‌شود.

در ادامه، مهم‌ترین دستورات را در قالب یک ورکفلوی استاندارد از فایل خام تا فایل نهایی بررسی می‌کنیم:

تبدیل فرمت و فیلتر کردن با view

دستور view آچار فرانسه Samtools است. از این دستور برای تبدیل فرمت‌ها (مثلاً SAM به BAM یا CRAM) و همچنین فیلتر کردن خوانش‌ها استفاده می‌شود. برای افزایش سرعت در پایپ‌لاین‌ها، توسعه‌دهندگان پیشنهاد می‌کنند از گزینه -u (یا -O bam,level=0) استفاده کنید تا خروجی به صورت BAM غیرفشرده تولید شود. چون این داده‌ها روی دیسک ذخیره نمی‌شوند و مستقیماً به مرحله بعد می‌روند، حذف فرآیند فشرده‌سازی باعث صرفه‌جویی زمان می‌شود.

تصحیح خطاهای هم‌ترازی با fixmate

یکی از مراحل بسیار مهمی که در پایپ‌لاین‌های حرفه‌ای انجام می‌شود، استفاده از دستور fixmate است. این ابزار وظیفه دارد هرگونه نقص یا خطایی که نرم‌افزار هم‌ترازکننده (Aligner) در جفت‌خوانش‌ها (Mate-pairs) ایجاد کرده است را اصلاح کند. در واقع این مرحله به عنوان یک گام «غلط‌گیری» (Proof-reading) عمل می‌کند تا مطمئن شویم اطلاعات مربوط به جهت‌گیری خوانش‌ها و فاصله‌ها کاملاً با یکدیگر همخوانی دارند.

مرتب‌سازی موقعیتی با sort

بسیاری از ابزارهای پایین‌دستی نیازمند فایل‌هایی هستند که بر اساس موقعیت ژنومی مرتب شده باشند. دستور sort این کار را انجام می‌دهد. از آنجا که مرتب‌سازی یک فرآیند به شدت موازی است، می‌توانید با استفاده از پارامتر -@ تعداد رشته‌های پردازشی (Threads) را مشخص کنید تا کار با سرعت بیشتری انجام شود. همچنین دقت کنید که اگر با استفاده از پارامتر -m حافظه بیشتری به این دستور اختصاص می‌دهید، این مقدار حافظه به ازای هر رشته پردازشی محاسبه می‌شود، نه کل فرآیند.

ایندکس‌گذاری و ادغام

پس از ایجاد فایل مرتب‌شده نهایی، ایجاد فایل ایندکس (با دستور index) کاملاً ضروری است. این فایل که با پسوند .bai یا .crai تولید می‌شود، مانند فهرست یک کتاب عمل می‌کند و به نرم‌افزارهای مصورسازی مانند IGV اجازه می‌دهد بدون نیاز به خواندن کل فایل، مستقیماً به یک ژن یا ناحیه خاص پرش کنند. همچنین اگر داده‌های یک نمونه در چندین لاین (Lane) مختلف توالی‌یابی شده باشند، می‌توانید آن‌ها را با استفاده از دستور merge در یک فایل واحد ادغام کنید.

نمونه یک پایپ‌لاین بهینه و پرسرعت

در اینجا نمونه‌ای از یک اسکریپت بهینه را می‌بینید که فایل خام را هم‌تراز کرده (در اینجا با minimap2)، جفت‌خوانش‌ها را اصلاح نموده، فایل را مرتب کرده و در نهایت به فرمت فوق‌فشرده CRAM تبدیل می‌کند، بدون اینکه هیچ فایل موقتی روی هارد دیسک شما ساخته شود:

minimap2 -a reference.fa read1.fq read2.fq | \
samtools fixmate -u -m - - | \
samtools sort -u -@ 8 - | \
samtools view -C -T reference.fa -@ 8 -o final_output.cram -

با اجرای این پایپ‌لاین یکپارچه، شما نه‌تنها از درگیر شدن بی‌مورد هارد دیسک جلوگیری کرده‌اید، بلکه زمان اجرای تحلیل‌های بیوانفورماتیکی خود را که در پروژه‌های بزرگ ممکن است ساعت‌ها طول بکشد، به حداقل رسانده‌اید.

مدیریت داده‌های تکراری در Samtools

در فرآیند توالی‌یابی، گاهی دستگاه توالی‌یاب یک مولکول اولیه را بیش از حد می‌خواند که متخصصان به این حالت «خوانش تکراری» می‌گویند. وجود این خوانش‌ها باعث می‌شود حضور یک توالی خاص به اشتباه در داده‌ها بیش‌نمایی (Over-representation) شود و نتایج تحلیل را دچار سوگیری کند. به طور کلی، دو نوع اصلی از این داده‌های تکراری وجود دارد:

1. تکرارهای ناشی از PCR یا PCR Duplicates : زمانی رخ می‌دهد که در مرحله آماده‌سازی کتابخانه (Library Prep)، یک قطعه DNA بیش از حد کپی و تکثیر شود.
2. تکرارهای نوری (Optical Duplicates): در دستگاه‌های توالی‌یابی (مثل ایلومینا)، زمانی رخ می‌دهد که یک کلاستر بزرگ روی Flow Cell به اشتباه توسط سنسورها به عنوان چند کلاستر مجزا (و در نتیجه چند خوانش مستقل) ثبت شود.

نحوه کار ابزار markdup در Samtools

منطق Samtools برای پیدا کردن تکرارها بسیار هوشمندانه است. از آنجا که این خوانش‌ها کپی‌های دقیقی از هم هستند، پس از هم‌ترازی دقیقاً در یک موقعیت مختصاتی روی ژنوم مرجع و با یک جهت‌گیری یکسان قرار می‌گیرند. همان‌طور که در تصویر زیر می‌بینید، اگر دو یا چند خوانش مقادیر کاملاً یکسانی در موقعیت و جهت‌گیری داشته باشند، خوانشی که بالاترین کیفیت بازها را داشته باشد به عنوان «نسخه اصلی» حفظ شده و بقیه به عنوان «تکراری» (Duplicate) در نظر گرفته شده و با فعال شدن فلگ DUP در فایل هم‌ترازی علامت‌گذاری می‌شوند.

*** اگر برای شما مهم است که بدانید کدام تکرارها از نوع Optical بوده‌اند، Samtools پارامتری به نام -d به معنای Distance را ارائه کرده است. این پارامتر فاصله فیزیکی کلاسترها روی Flow Cell را بررسی می‌کند.

پایپ‌لاین بهینه برای Markdup

بسیاری از کاربران در ابتدا تصور می‌کنند فقط با اجرای دستور samtools markdup کار تمام است! اما بر اساس مستندات رسمی، این ابزار برای کار کردن به اطلاعات دقیقی از خوانش‌های جفت‌شده (Mate-pairs) نیاز دارد. بنابراین، ورکفلوی استاندارد باید شامل 4 مرحله باشد:

1. گروه‌بندی بر اساس نام (collate): خوانش‌ها را بر اساس نامشان کنار هم قرار می‌دهد.
2. رفع خطاها (fixmate -m): این مرحله حیاتی است! پارامتر -m تگ‌های MC (رشته سیگارِ جفت) و ms (امتیاز کیفیت جفت) را به فایل اضافه می‌کند که ابزار markdup در مرحله آخر برای محاسباتش به آن‌ها نیاز قطعی دارد.
3. مرتب‌سازی موقعیتی (sort): فایل را بر اساس موقعیت روی ژنوم مرتب می‌کند.
4. برچسب‌گذاری نهایی (markdup): در نهایت تکرارها شناسایی می‌شوند.

برای جلوگیری از ساخت فایل‌های موقت و افزایش حداکثری سرعت، می‌توانید این 4 مرحله را با استفاده از پایپ‌لاین یونیکس و پارامتر -u (برای جلوگیری از فشرده‌سازی در مراحل میانی) به شکل زیر ترکیب کنید:

samtools collate -O -u example.bam | \
samtools fixmate -m -u - - | \
samtools sort -u - | \
samtools markdup -f stats_file.txt -S -d 2500 - final_markdup.bam

با اجرای این دستور، یک فایل خروجی تمیز دریافت می‌کنید و یک فایل آماری (stats_file.txt) نیز ساخته می‌شود که جزئیات دقیقی از تکرارهای یافت شده را به شما گزارش می‌دهد.

نقش Samtools در فراخوانی واریانت: معرفی ابزار mpileup

فرآیند استخراج واریانت‌های ژنتیکی (SNPها و InDelها) معمولاً یک فرآیند دو مرحله‌ای است. در پایپلاین‌های استاندارد، Samtools با استفاده از دستور mpileup وظیفه جمع‌آوری، تجمیع و بررسی اطلاعات الاینمنت در هر موقعیت ژنومی را بر عهده دارد. پس از اینکه Samtools این داده‌های خام را آماده کرد، خروجی آن را برای فراخوانی نهایی به نرم‌افزار دیگری (معمولاً BCFtools) می‌دهیم.

شکل استاندارد این همکاری به صورت زیر است:

samtools mpileup -uf reference.fasta sample.bam | bcftools call -mv -o variants.vcf

اهمیت فیلترینگ پیش از فراخوانی (Pre-call Filtering)

مفهوم «فیلترینگ پیش از فراخوانی»، یکی از مهم‌ترین مفاهیمی است که توسعه‌دهندگانِ Samtools در مستندات رسمی خود آن را بررسی کرده‌اند. در این روش، برنامه قبل از اینکه اصلاً خطی را در فایل VCF نهایی تولید کند، تصمیم می‌گیرد که آیا یک واریانت ارزش کاندید شدن دارد یا خیر.

این نوع فیلترینگ از طریق پارامترهای دستور samtools mpileup انجام می‌شود و نقش بسیار مهمی در کاهش خطاهای دستگاه توالی‌یاب (Artifacts) دارد.

تنظیمات mpileup برای کنترل دقیق واریانت‌ها

شما می‌توانید با اضافه کردن فلگ‌های زیر به دستور mpileup، دقت کار خود را به شدت بالا ببرید:

• پارامتر -m : این گزینه حداقل تعداد خوانش‌های دارای فاصله (Gapped reads) را برای کاندید کردن یک InDel مشخص می‌کند. مقدار پیش‌فرض آن در نسخه‌های جدید ۲ است.
• پارامتر -L : حداکثر عمق پوشش (Depth) مجاز برای خروجی دادن یک InDel را تعیین می‌کند. (داده‌هایی با عمق غیرطبیعی و بسیار بالا معمولاً نشان‌دهنده خطای هم‌ترازی هستند).
• پارامتر --indel-bias : یک پارامتر کلیدی برای کنترل حساسیت سیستم است؛ اعداد بالاتر باعث یافتن InDelهای بیشتر (با دقت کمتر) و اعداد پایین‌تر باعث یافتن InDelهای کمتر (اما بسیار دقیق‌تر) می‌شود.
• پارامتر -h : نواحی هموپلیمر (تکرار یک نوکلئوتید خاص) همیشه برای دستگاه‌های توالی‌یاب دردسرساز هستند. این ضریب مشخص می‌کند که چقدر احتمال دارد یک واریانت در ناحیه هموپلیمر، صرفاً یک خطای توالی‌یابی باشد. مقدار پیش‌فرض آن ۵۰۰ است و اعداد کمتر نشان‌دهنده احتمال خطای بیشتر است.
• پارامتر -I: اگر در پروژه خود اصلاً نیازی به بررسی InDelها ندارید و فقط دنبال SNPها هستید، این گزینه کل فرآیند جستجوی InDel را متوقف کرده و سرعت کار را بالا می‌برد.

تنظیم درست این پارامترها در Samtools باعث می‌شود که فایل ورودی به BCFtools بسیار تمیزتر و قابل‌اعتمادتر باشد.

تحلیل و بررسی پوشش ژنومی (Coverage Analysis)

تحلیل پوشش ژنومی برای ارزیابی کیفیت داده‌های توالی‌یابی و اطمینان از پوشش کافی در مناطق مورد علاقه بسیار مهم است.

*** تفاوت Depth و Coverage: اگرچه در محاورات بیوانفورماتیک این دو واژه غالباً به جای هم استفاده می‌شوند، اما از نظر تکنیکی متفاوت‌اند. عمق (Depth) به تعداد دفعاتی اشاره دارد که یک موقعیت خاص روی ژنوم توسط دستگاه خوانده شده است (مثلاً 50X)، در حالی که پوشش (Coverage) به درصدی از کل طول ژنوم یا ناحیه هدف اشاره دارد که توالی‌یابی شده است (مثلاً پوشش ۹۹٪). دستور samtools depth در واقع عمق تک‌تک نقاط را محاسبه می‌کند تا به کمک آن بتوانیم تحلیل جامع پوشش ژنومی را انجام دهیم.

نواحی با پوشش بسیار بالا یا بسیار پایین می‌توانند نشان‌دهنده مشکلات تکنیکی یا خصوصیات بیولوژیکی جالب باشند. یک افزایش ناگهانی و غیرطبیعی در عمق پوشش، معمولاً نشان‌دهنده خطای هم‌ترازی (Misalignment) یا وجود کپی‌های تکراری در ناحیه‌ای از ژنوم است. بنابراین، شناسایی این نواحی غیرعادی یک گام حیاتی در کنترل کیفیت داده‌ها محسوب می‌شود.

با استفاده از دستور depth در Samtools، می‌توان عمق پوشش را استخراج کرد:

#محاسبه پوشش برای کل ژنوم:

samtools depth -a sample.bam > genome_coverage.txt

#تعیین کاوریج فقط برای یک منطقه خاص (مثلاً روی کروموزوم 1):

samtools depth -a -r chr1:1000000-2000000 sample.bam > region_coverage.txt

#محاسبه و مقایسه پوشش همزمان برای چندین نمونه:

samtools depth -a sample1.bam sample2.bam sample3.bam > comparison_coverage.txt

استفاده از پارامتر -a در این دستورات بسیار مهم است، زیرا باعث می‌شود که موقعیت‌های با پوشش صفر (نواحی که هیچ خوانشی ندارند) نیز در فایل خروجی گزارش شوند.

استخراج آمارهای پیشرفته با ترکیب Samtools و awk یکی از جذابیت‌های کار است. شما می‌توانید خروجی دستوراتی مثل depth را مستقیماً با ابزارهای پردازش متن مانند awk ترکیب کنید. این ترفند به شما اجازه می‌دهد آمارهای توصیفی قدرتمندی را استخراج کنید:

#محاسبه میانگین کل پوشش ژنوم:

samtools depth sample.bam | awk '{sum+=$3} END {print "Average coverage: " sum/NR}'

#محاسبه درصدِ ژنوم که حداقل 10X پوشش دارد:

samtools depth -a sample.bam | awk -v X=10 '{if($3>=X) count++} END {print "Percentage covered by >=10X: " count/NR*100"%"}'

#استخراج نواحی مشکوک با پوشش بسیار بالا (مثلاً بیشتر از 100X):

samtools depth sample.bam | awk '$3>100' > high_coverage_regions.txt

#استخراج نواحی با پوشش بسیار پایین (کمتر از 5X):

samtools depth -a sample.bam | awk '$3<5' > low_coverage_regions.txt

برای تحلیل پیشرفته‌تر، می‌توان از ابزارهای تخصصی مانند BEDTools استفاده کرد. به عنوان مثال، با استفاده از BEDTools می‌توانید نواحی استخراج‌شده با پوشش پایین را با موقعیت ژن‌ها همپوشانی دهید تا دقیقاً متوجه شوید کدام مناطق مهم پوشش مناسبی ندارند.

مقایسه جامع Samtools با رقبا

در حالی که Samtools سال‌هاست به عنوان استاندارد طلایی در پردازش فایل‌های SAM/BAM شناخته می‌شود، اکوسیستم بیوانفورماتیک به سرعت در حال رشد است. با افزایش حجم داده‌ها در پروژه‌های WGS و ظهور توالی‌یابی‌های Long-read، ابزارهای جدیدی برای رفع گلوگاه‌های سرعتی و دقتی وارد میدان شده‌اند. برای طراحی یک پایپ‌لاین بهینه، شما باید رقبای Samtools را در سه دسته اصلی بشناسید:

رقبای مستقیم و کلاسیک (تمرکز بر سرعت و برنامه‌نویسی)

اگر به دنبال ابزارهایی هستید که دقیقاً همان عملکردهای پایه Samtools را انجام دهند، این دو گزینه مطرح هستند:

• Sambamba: این ابزار که به زبان D نوشته شده، جدی‌ترین رقیب مستقیم Samtools محسوب می‌شود. مزیت اصلی Sambamba معماری فوق‌العاده آن در پردازش موازی است. در سرورهای چند‌هسته‌ای، کارهایی مثل مرتب‌سازی (Sorting) با Sambamba معمولاً سریع‌تر از Samtools انجام می‌شود.
• BamTools: یک پروژه مبتنی بر زبان ++C که بیشتر به عنوان یک رابط برنامه‌نویسی (API) برای توسعه‌دهندگان نرم‌افزارهای بیوانفورماتیک محبوب است، اگرچه امروزه توسعه آن به سرعت HTSlib (هسته Samtools) پیش نمی‌رود.

غول‌های مبتنی بر جاوا (اکوسیستم Broad Institute)

این دسته از ابزارها بیشتر نقش «مکمل‌های قدرتمند» را برای Samtools بازی می‌کنند و در مطالعات بالینی به شدت محبوب‌اند:

• Picard Tools: این ابزار که توسط Broad Institute توسعه یافته، معتبرترین رقیب Samtools است. بسیاری از پایپ‌لاین‌های استاندارد جهانی، برای کارهایی مثل کنترل کیفیت دقیق، تغییر گروه خوانش‌ها (Read Groups) و حذف داده‌های تکراری (MarkDuplicates) به جای Samtools از Picard استفاده می‌کنند. دلیل اصلی این انتخاب، سازگاری ۱۰۰ درصدی خروجی‌های Picard با ابزارهای پایین‌دست است.
• GATK (Genome Analysis Toolkit): اگرچه GATK در اصل یک ابزار فراخوانی واریانت (Variant Caller) است، اما موتور داخلی آن قابلیت‌های فوق‌العاده‌ای برای فیلترینگ، بازنویسی و دستکاری فایل‌های BAM دارد. GATK منابع سیستمی بیشتری می‌طلبد اما بالاترین سطح دقت را برای تشخیص واریانت‌های بالینی ارائه می‌دهد.

نسل جدید و رقبای فوق‌سریع (انقلاب Rust و ابزارهای تک‌منظوره)

اکوسیستم مدرن بیوانفورماتیک در حال حرکت به سمت زبان‌های برنامه‌نویسی جدید است تا محدودیت‌های مدیریت حافظه در زبان C (زبان اصلی نرم‌افزار Samtools) را دور بزند:

• اکوسیستم Rust (Noodles و Rustybam): زبان Rust به دلیل سرعت معادل C و امنیت حافظه بالا، جایگزین‌های شگفت‌انگیزی معرفی کرده است. کتابخانه Noodles یک بازنویسی کامل از HTSlib به زبان Rust است که بدون باگ‌های حافظه، پردازش فایل‌های SAM/BAM/CRAM را با کارایی بالا انجام می‌دهد. همچنین ابزار Rustybam به طور ویژه برای دستکاری سریع داده‌های توالی‌یابی طولانی (مانند PacBio و Oxford Nanopore) طراحی شده است.
• Mosdepth (قاتل بی‌رحم در محاسبه depth): در زمینه ابزارهای تک‌منظوره، اگر هدف شما از اجرای Samtools صرفاً محاسبه عمق توالی‌یابی (دستور samtools depth) باشد، Mosdepth رقیب بی‌رحم آن است. این ابزار که به زبان Nim نوشته شده، با استفاده از الگوریتم‌های بهینه، فایل‌های BAM/CRAM را ده‌ها بار سریع‌تر از Samtools پردازش کرده و آمارهای پوشش را تولید می‌کند.

نتیجه‌گیری

نرم‌افزار Samtools به‌عنوان یکی از پایه‌های اصلی تحلیل داده‌های توالی‌یابی، نقش بسیار مهمی در پیشرفت‌های ژنومیک و تحقیقات پزشکی دقیق ایفا کرده است. این ابزار قدرتمند با ارائه مجموعه‌ای از قابلیت‌های بی‌نظیر برای مدیریت، پردازش و استخراج اطلاعات از داده‌های حجیم توالی‌یابی، به محققان کمک می‌کند تا به بینش‌های عمیق‌تری در مورد ژنوم انسان و سایر موجودات دست یابند.

در این مقاله، تلاش کردیم بررسی جامعی از Samtools، از دستورات پایه‌ای تا ساخت پایپ‌لاین‌های پیشرفته و مقایسه آن با سایر غول‌های بیوانفورماتیک داشته باشیم. تسلط بر این ابزار به شما اجازه می‌دهد تا ورکفلو‌های پردازشی خود را به شکل چشمگیری بهینه‌سازی کرده و در نهایت به نتایجی دقیق‌تر و قابل‌اعتمادتر در پژوهش‌های خود برسید. با پیشرفت سریع تکنولوژی‌های توالی‌یابی و تولید روزافزون داده‌های عظیم (Big Data) در زیست‌شناسی، ابزارهای کارآمدی مانند اکوسیستم Samtools اهمیت به مراتب بیشتری پیدا می‌کنند و همچنان در مسیر تکامل و بهبود گام برخواهند داشت.

سوالات متداول درباره Samtools