آموزش Trimmomatic، به همراه دانلود نرم‌افزار Trimmomatic

معرفی Trimmomatic و اهمیت آن در بیوانفورماتیک

در دنیای پیچیده توالی‌یابی نسل جدید (NGS)، کیفیت دیتای خام نقش تعیین‌کننده‌ای در اعتبار نتایج نهایی دارد. Trimmomatic یکی از ابزارهای قدرتمند و پرکاربرد در حوزه پیش‌پردازش (preprocessing) داده‌های توالی‌یابی شرکت Illumina است که در «آزمایشگاه اوسادل» (Usadel Lab) توسعه یافته است. این ابزار با هدف بهبود کیفیت دیتای خام توالی‌یابی از طریق حذف توالی‌های آداپتور، برش نواحی با کیفیت پایین و فیلتر کردن خوانش‌های (reads) کوتاه طراحی شده است.

Trimmomatic قابلیت پردازش دیتای تک‌خوانش (single-end) و جفت‌خوانش (paired-end) را دارد و به عنوان یک نرم‌افزار مبتنی بر جاوا، در اکثر سیستم‌عامل‌ها قابل اجراست.

در حالیکه بدنه اصلی نرم‌افزار تحت مجوز GPL منتشر شده، توالی‌های آداپتور موجود در آن مشمول این مجوز نمی‌شوند. مالکیت این توالی‌ها متعلق به شرکت Illumina است و با کسب اجازه از آن‌ها در این ابزار استفاده شده‌اند.

مبانی پیش‌پردازش داده‌های توالی‌یابی و نقش Trimmomatic

در این بخش، به اهمیت پیش‌پردازش داده‌های توالی‌یابی نسل جدید و چالش‌های کیفی رایج در این نوع دیتا می‌پردازیم؛ سپس نقش ابزار Trimmomatic را در رفع این مشکلات و بهبود کیفیت داده‌ها تشریح می‌کنیم.

چرا پیش‌پردازش داده‌ها ضروری است؟

داده‌های خام حاصل از توالی‌یابی نسل جدید معمولاً حاوی خطاها و نویزهایی هستند که می‌توانند نتایج تحلیل‌های بعدی را تحت تأثیر قرار دهند. این خطاها شامل توالی‌های آداپتور، نوکلئوتیدهای بی‌کیفیت در انتهای خوانش‌ها و آلودگی‌های احتمالی هستند. پیش‌پردازش داده‌ها گامی حیاتی برای اطمینان از صحت نتایج در فرایندهایی مانند هم‌ترازی (Alignment) خوانش‌ها، سرهم کردن ژنوم (Genome Assembly)، شناسایی واریانت‌ها (Variant Calling) و آنالیز بیان ژن محسوب می‌شود.

بدون پیش‌پردازش مناسب، حضور توالی‌های آداپتور می‌تواند فرایند هم‌ترازی خوانش‌ها با ژنوم مرجع را مختل کند، در حالیکه نواحی با کیفیت پایین می‌توانند به شناسایی واریانت‌های کاذب بینجامند. Trimmomatic با حذف این منابع خطا، کیفیت کلی دیتا را بهبود می‌بخشد و اعتبار نتایج نهایی را افزایش می‌دهد. مطالعات مختلف نشان داده‌اند که پیش‌پردازش مناسب با ابزارهایی مانند Trimmomatic می‌تواند باعث بهبود معنی‌دار در نرخ الاینمنت خوانش‌ها، کاهش خطاهای واریانت‌یابی و افزایش اطمینان از نتایج آنالیزهای پایین‌دستی شود.

چالش‌های رایج در کیفیت داده‌های خام NGS

پلتفرم‌های مختلف توالی‌یابی نسل جدید، هر کدام چالش‌های خاص خود را در زمینه کیفیت دیتا دارند.

برای مثال، داده‌های Illumina معمولاً با افت کیفیت در انتهای ریدها مواجه هستند، در حالی که پلتفرم‌های Ion Torrent چالش‌هایی در توالی‌های هموپلیمر دارند. علاوه بر این، طول و ترکیب آداپتورها در پروتکل‌های مختلف متفاوت است و شناسایی و حذف آنها نیازمند ابزاری انعطاف‌پذیر مانند Trimmomatic است.

فاکتورهای دیگری مانند کیفیت نمونه اولیه، روش‌های آماده‌سازی کتابخانه و خطاهای سیستماتیک دستگاه‌های توالی‌یاب نیز بر کیفیت داده‌های خام تأثیرگذارند. Trimmomatic با ارائه مجموعه‌ای از فیلترها و پارامترهای قابل تنظیم، امکان مقابله با این چالش‌ها را فراهم می‌کند و به محققان اجازه می‌دهد تا بر اساس نوع دیتا و هدف پروژه، استراتژی مناسب پیش‌پردازش را اتخاذ کنند.

نصب و راه‌اندازی Trimmomatic

در ادامه، به معرفی پیش‌نیازهای نرم‌افزار Trimmomatic می‌پردازیم و روش‌های مختلف نصب آن را به‌همراه نحوه بررسی صحت نصب، آموزش می‌دهیم.

پیش‌نیاز نصب

Trimmomatic یک ابزار Cross-Platform است که برای اجرا به Java Runtime Environment نیاز دارد. نصب بودن Java بر روی سیستم شما، اجرای Trimmomatic را بر روی هر سیستم‌عاملی ممکن می‌سازد.

روش‌های نصب Trimmomatic

دو روش اصلی برای راه‌اندازی این نرم‌افزار، شامل دانلود مستقیم فایل اجرایی و نصب از طریق مدیریت پکیج conda، توضیح داده شده است:

* روش 1: دانلود مستقیم

در این روش، می‌توانید فایل فشرده Trimmomatic را مستقیماً از این لینک زیر دانلود کنید:

رمز فایل فشرده: www.vanyarbioinf.ir

یا نرم‌افزار را با کد زیر، از لینک وب‌سایت رسمی نرم‌افزار دانلود کنید:

wget http://www.usadellab.org/cms/uploads/supplementary/Trimmomatic/Trimmomatic-0.39.zip

پس از دریافت فایل، کافی است آن را از حالت فشرده خارج کرده و وارد پوشه برنامه شوید:

unzip Trimmomatic-0.39.zip
cd Trimmomatic-0.39

فایل اجرایی اصلی با نام trimmomatic-0.39.jar در این پوشه قرار دارد.

* روش 2: نصب با conda

برای کاربرانی که از مدیریت پکیج conda استفاده می‌کنند، Trimmomatic از طریق کانال‌های Bioconda نیز قابل نصب است:

conda install -c bioconda trimmomatic

در این روش، دستور trimmomatic به‌صورت مستقیم در ترمینال در دسترس خواهد بود و نیازی به اجرای فایل JAR نیست.

بررسی صحت نصب

برای بررسی صحت نصب در روش دانلود مستقیم، می‌توان دستور زیر را اجرا کرد:

java -jar trimmomatic-0.39.jar

اگر نصب به‌درستی انجام شده باشد، صفحه راهنمای Trimmomatic به‌همراه شماره نسخه نمایش داده می‌شود.

در روش نصب با Conda، دستور زیر کافی است:

trimmomatic

در صورت بروز خطا، باید از نصب صحیح Java و صحت مسیر فایل اجرایی Trimmomatic اطمینان حاصل کرد.

آشنایی با پارامترها و گزینه‌های Trimmomatic

ابزار Trimmomatic دارای مجموعه‌ای از پارامترهای قدرتمند است که امکان کنترل دقیق فرایند پیش‌پردازش داده‌های NGS را فراهم می‌کنند. این پارامترها به طور کلی به دو دسته اصلی تقسیم می‌شوند:

1. پارامترهای عمومی (General Parameters): این پارامترها تنظیمات کلی نرم‌افزار را کنترل می‌کنند. مهم‌ترین آن‌ها شامل مشخص کردن حالت اجرا (PE برای داده‌های جفت‌خوانش و SE برای داده‌های تک‌خوانش)، تعیین مسیر فایل‌های ورودی و خروجی، و تنظیمات مربوط به عملکرد سیستم مانند تعداد هسته‌های پردازشی (-threads) است.
2. پارامترهای پردازشی (Processing Steps): این پارامترها فیلترهایی هستند که عملیات‌ خاصی (مانند برش، حذف آداپتور و فیلتر کیفیت) را روی توالی‌ها انجام می‌دهند.

در ادامه، مهم‌ترین پارامترهای پردازشی و نحوه عملکرد آن‌ها به ترتیب اولویت و استاندارد استفاده، تشریح شده‌اند:

ILLUMINACLIP (حذف آداپتورها)

این مهم‌ترین و معمولاً اولین فیلتر در خط فرمان است. وظیفه آن شناسایی و حذف توالی‌های آداپتور و پرایمرهایی است که در طول توالی‌یابی به خوانش‌ها متصل شده‌اند.

برای داده‌های جفت‌خوانش (Paired-End)، فرمت کامل و استاندارد به صورت زیر است:

ILLUMINACLIP:<fastaWithAdapters>:<seed mismatches>:<palindrome clip threshold>:<simple clip threshold>:<minAdapterLength>:<keepBothReads>

• fastaWithAdapters: مسیر فایل حاوی توالی‌های آداپتور (فرمت fasta)
• seed mismatches: حداکثر تعداد عدم تطابق مجاز در هسته اولیه (Seed) برای شروع جستجو (معمولاً ۲).
• palindrome clip threshold: امتیاز آستانه برای شناسایی آداپتور در حالت “Palindrome” (زمانی که دو خوانش جفت هم‌پوشانی دارند و آداپتور انتهای مخالف خوانده شده است). این حالت بسیار دقیق است (معمولاً ۳۰).
• simple clip threshold: امتیاز آستانه برای تطابق مستقیم آداپتور با هر خوانش به صورت مستقل (معمولاً ۱۰).
• minAdapterLength: (اختیاری اما توصیه‌شده) حداقل طول آداپتور تشخیص داده شده برای اینکه حذف صورت گیرد (مثلاً ۸ باز).
• keepBothReads: (اختیاری) تعیین می‌کند که آیا پس از حذف آداپتور در حالت پالیندروم، خوانش معکوس نگه داشته شود یا خیر (معمولاً true یا false).

SLIDINGWINDOW (برش لغزشی بر اساس کیفیت)

این فیلتر یک پنجره متحرک را روی توالی حرکت می‌دهد و میانگین کیفیت بازها را در آن پنجره محاسبه می‌کند. اگر میانگین کیفیت در پنجره از آستانه تعیین‌شده کمتر شود، خوانش از آن نقطه به بعد بریده می‌شود و مابقی آن دور ریخته می‌شود.

SLIDINGWINDOW:<windowSize>:<requiredQuality>

• windowSize: تعداد بازهایی که در پنجره بررسی می‌شوند (مثلاً ۴).
• requiredQuality: حداقل میانگین کیفیت Phred لازم در پنجره (مثلاً ۱۵ یا ۲۰).
• مثال: SLIDINGWINDOW:4:20 یعنی پنجره‌های ۴ تایی را بررسی کن و هرجا میانگین کیفیت زیر ۲۰ شد، بقیه توالی را از آن نقطه حذف کن.

LEADING و TRAILING (حذف کیفیت پایین از دو سر)

این دو فیلتر به صورت مستقیم بازهای بی‌کیفیت را صرفاً از ابتدا (LEADING) یا انتهای (TRAILING) خوانش حذف می‌کنند تا زمانی که به یک باز با کیفیت مناسب برسند.

LEADING:<quality>
TRAILING:<quality>

مثال: LEADING:3 یعنی از ابتدای خوانش شروع کن و هر بازی که کیفیتش زیر ۳ است را حذف کن تا به اولین باز با کیفیت بالای ۳ برسی.

MAXINFO (بهینه‌سازی طول و کیفیت)

این یک فیلتر پیشرفته و تطبیقی است که بر اساس طول خوانش و کیفیت آن تصمیم‌گیری می‌کند تا تعادلی بین “حفظ طول حداکثری” و “حذف خطاهای احتمالی” ایجاد کند.

MAXINFO:<targetLength>:<strictness>

• targetLength: طولی که ترجیح می‌دهیم خوانش داشته باشد.
• strictness: عددی بین ۰ و ۱. مقادیر نزدیک به ۱ یعنی کیفیت اهمیت بسیار زیادی دارد (سخت‌گیرانه)، و مقادیر کمتر یعنی حفظ طول اولویت دارد.

CROP و HEADCROP (برش طولی ثابت)

این فیلترها بدون توجه به کیفیت، تغییرات طولی اعمال می‌کنند و معمولاً برای حذف نواحی خاصی که مشکلات تکنیکال دارند استفاده می‌شوند:

CROP:<length>
HEADCROP:<length>

• CROP: خوانش را به طول مشخص‌شده کوتاه می‌کند. تمام نوکلئوتیدهای پس از این طول حذف می‌شوند (مثلاً CROP:150 یعنی فقط ۱۵۰ باز اول را نگه دار).
• HEADCROP: تعداد مشخصی نوکلئوتید را از ابتدای خوانش حذف می‌کند (مثلاً HEADCROP:10 یعنی ۱۰ باز اول را دور بریز).

MINLEN (فیلتر حداقل طول)

این فیلتر معمولاً آخرین مرحله است و خوانش‌هایی را که پس از تمام مراحل بالا (حذف آداپتور و برش کیفیت) بیش از حد کوتاه شده‌اند، به طور کامل حذف می‌کند تا وارد مراحل بعدی آنالیز (مانند Mapping) نشوند.

MINLEN:<length>

مثال: MINLEN:36 یعنی اگر طول نهایی خوانش کمتر از ۳۶ باز بود، آن را کلاً دور بریز.

دستورات و مثال‌های کاربردی Trimmomatic

در این بخش، نمونه دستورات استاندارد را برای دو سناریوی رایج (تک‌خوانش و جفت‌خوانش) ارائه می‌کنیم:

مثال 1: پردازش داده‌های تک‌خوانش (Single-end)

در این دستور، Trimmomatic در حالت SE فراخوانی می‌شود. ترتیب فایل‌ها به صورت «یک ورودی» و «یک خروجی» است.

java -jar trimmomatic-0.39.jar SE -threads 4 \
input.fastq.gz output.fastq.gz \
ILLUMINACLIP:TruSeq3-SE.fa:2:30:10 \
LEADING:3 TRAILING:3 \
SLIDINGWINDOW:4:15 \
MINLEN:36

SE: حالت اجرا تک‌خوانش

threads 4: استفاده از ۴ هسته پردازشی

ILLUMINACLIP: حذف آداپتورهای TruSeq3 (مخصوص SE) با حداکثر ۲ عدم تطابق در Seed، و آستانه‌های برش ۳۰ و ۱۰

SLIDINGWINDOW:4:15: پنجره ۴ تایی با کیفیت میانگین ۱۵

MINLEN:36: حذف خوانش‌های نهایی کوتاه‌تر از ۳۶ باز

مثال 2: پردازش داده‌های جفت‌خوانش (Paired-end)

در یک آزمایش مقایسه‌ای (benchmarking)، نرم‌افزار Trimmomatic بر روی مجموعه‌ای متشکل از 19 میلیون جفت Read (paired-end) با طول 150 جفت‌باز که توسط دستگاه Illumina تولید شده بود، با بهره‌گیری از 8 رشته پردازشی (threads) مورد ارزیابی قرار گرفت. نتایج حاصل از این ارزیابی به شرح زیر بود:

این معیارها نشان می‌دهد که Trimmomatic ابزاری کارآمد، سریع و دقیق برای پیش‌پردازش داده‌های توالی‌یابی نسل جدید، به‌ویژه دیتای paired-end، محسوب می‌شود.

در حالت PE، ترتیب فایل‌ها بسیار حساس است: ابتدا دو فایل ورودی (رفت و برگشت)، سپس چهار فایل خروجی (به ترتیب: رفتِ جفت‌شده، رفتِ جفت‌نشده، برگشتِ جفت‌شده، برگشتِ جفت‌نشده).

java -jar trimmomatic-0.39.jar PE -threads 8 \
input_1.fastq.gz input_2.fastq.gz \
output_1P.fastq.gz output_1U.fastq.gz \
output_2P.fastq.gz output_2U.fastq.gz \
ILLUMINACLIP:TruSeq3-PE.fa:2:30:10 \
LEADING:20 TRAILING:20 \
SLIDINGWINDOW:4:20 \
MINLEN:70

• PE: حالت اجرا جفت‌خوانش
• خروجی‌ها:
  • output_1P و output_2P: حاوی خوانش‌هایی که هر دو جفت کیفیت لازم را داشته‌اند (Paired)
  • output_1U و output_2U: حاوی خوانش‌هایی که جفتشان حذف شده است (Unpaired)
• تفاوت تنظیمات: در اینجا برای اطمینان بیشتر، آستانه کیفیت پنجره لغزان را به ۲۰ و حداقل طول را به 7۰ افزایش دادیم که برای دیتای ۱۵۰ جفت‌بازی معمول‌تر است.

Trimmomatic در برابر سایر ابزارها

انتخاب ابزار مناسب برای پیش‌پردازش داده‌های NGS، به تعادلی میان «دقت»، «سرعت» و «سهولت استفاده» نیاز دارد. در این بخش، جایگاه Trimmomatic را با سه رقیب اصلی‌اش بررسی می‌کنیم.

مقایسه با Cutadapt

ابزار Cutadapt (نوشته‌شده با Python) یکی از منعطف‌ترین ابزارهای موجود است.

• تمایز: مزیت اصلی Cutadapt، انعطاف‌پذیری بالا در شناسایی آداپتورها (پشتیبانی از Wildcards) و رابط کاربری (CLI) شفاف‌تر است. در مقابل، Trimmomatic به‌طور تخصصی برای دیتای Illumina بهینه‌سازی شده است. الگوریتم «Palindrome Mode» در Trimmomatic برای حذف آداپتورهای حاصل از Read-through در داده‌های جفت‌خوانش (PE)، عملکردی بسیار دقیق‌تر و قابل‌اعتمادتر از روش‌های عمومی Cutadapt ارائه می‌دهد.

مقایسه با Trim Galore

ابزار Trim Galore در واقع یک “Wrapper” (پوسته) است که ابزارهای Cutadapt و FastQC را ترکیب می‌کند.

• تمایز: هدف Trim Galore «سادگی و اتوماسیون» است و نوع آداپتور را خودکار تشخیص می‌دهد (راهکار “یک کلیک”). اما Trimmomatic برای کاربرانی مناسب است که نیاز به «کنترل دقیق» دارند. همچنین Trimmomatic به‌دلیل اجرای مستقیم روی جاوا، معمولاً سریع‌تر از فرایند چندمرحله‌ای و تفسیری Trim Galore عمل می‌کند و کنترل جزئی‌تری روی الگوریتم‌های برش کیفیت (مانند Sliding Window) فراهم می‌کند.

مقایسه با BBDuk (از مجموعه BBTools)

ابزار BBDuk (توسعه‌یافته توسط JGI) رقیبی قدرتمند و مبتنی بر جاوا است.

• تمایز: BBDuk بر پایه الگوریتم‌های K-mer کار می‌کند و از نظر «سرعت» و «قدرت فیلترینگ آلودگی» (Decontamination) از Trimmomatic برتر است. با این حال، پاشنه آشیل آن، مستندات پراکنده و پیچیده است. در مقابل، برگ برنده Trimmomatic، «مستندات جامع»، مقاله علمی مشخص و جامعه کاربری وسیع آن است که یادگیری و رفع اشکال را برای محققین بسیار ساده‌تر می‌کند.

مزایا و معایب Trimmomatic

در این بخش، به بررسی ویژگی‌های کلیدی Trimmomatic می‌پردازیم و با مقایسه نقاط قوت آن در پردازش دیتای Illumina و محدودیت‌های فنی‌اش در مقایسه با ابزارهای مدرن، دیدگاه مناسبی برای انتخاب آگاهانه این نرم‌افزار ارائه می‌کنیم.

نقاط قوت Trimmomatic

• تخصص در Illumina: عملکرد بی‌نظیر در داده‌های جفت‌خوانش (Paired-end) به کمک الگوریتم Palindrome
• پشتیبانی و مستندات: وجود منابع آموزشی فراوان که آن را به یکی از مطمئن‌ترین گزینه‌ها برای شروع تبدیل می‌کند.
• سازگاری با سیستم‌عامل‌های مختلف: اجرای بدون دردسر روی تمام سیستم‌عامل‌ها (Windows/Linux/Mac) به واسطه زبان جاوا
• پردازش موازی: پشتیبانی از Multi-threading برای مدیریت زمان در پروژه‌های متوسط

محدودیت‌های Trimmomatic

• عدم یکپارچگی QC: برخلاف ابزارهای جدیدتر، گزارش گرافیکی کیفیت تولید نمی‌کند و نیاز به اجرای جداگانه FastQC دارد.
• پیچیدگی رابط کاربری: سینتکس خط فرمان آن حساس و دشوار است (در مقایسه با Cutadapt).
• سرعت و منابع: نسبت به ابزارهای مدرنِ نوشته شده با C++ (مانند fastp) یا ابزارهای K-mer محور (مانند BBDuk)، سرعت کمتر و مصرف رم بالاتری دارد.

نتیجه‌گیری

ابزار Trimmomatic به عنوان یکی از ستون‌های اصلی در فرایند آنالیز داده‌های توالی‌یابی (NGS)، نقش حیاتی در تبدیل داده‌های خام و پرنویز به اطلاعاتی قابل‌اعتماد ایفا می‌کند. این نرم‌افزار با ارائه مجموعه‌ای کامل از فیلترها—از حذف دقیق آداپتورها در داده‌های Illumina گرفته تا برش هوشمند نواحی بی‌کیفیت با روش پنجره لغزان—تعادلی منطقی میان «حفظ دیتای مفید» و «حذف خطاهای سیستمی» برقرار می‌کند. اگرچه در مقایسه با ابزارهای مدرن‌تر، رابط کاربری آن کمی پیچیده‌تر است، اما دقت بالای آن در پردازش داده‌های جفت‌خوانش (Paired-end) و وجود منابع آموزشی گسترده، آن را به انتخابی مطمئن برای پژوهشگران تبدیل کرده است. در نهایت، استفاده صحیح از Trimmomatic تضمین می‌کند که نتایج حساس تحقیقاتی، مانند شناسایی واریانت‌ها یا بررسی بیان ژن، بر پایه داده‌هایی سالم و معتبر استوار باشند.

سوالات متداول درباره Trimmomatic