深入了解hisat2建立索引：教你如何玩轉hisat2

一、內存：建立索引需要多少內存？

hisat2建立索引是一項十分重要的工作，這個索引是後續比對的基礎，準確性和速度都取決於索引建立的好壞。建立hisat2索引需要消耗相應的內存，因此在建立索引時應該充分考慮計算機的硬件配置及內存容量。

hisat2工具的文檔建議：對於基因組大小為2.5 Gb的物種，採用默認參數 ‘–sensitive’，單線程內存開銷為6G；3.5 Gb的物種，單線程內存開銷將為9G。在實際的實驗中，可以通過增加核心數來減少單個線程的內存消耗，也可以選擇較小的可用內存運行較慢但內存佔用更小的版本。

例如，我們可以通過下面的命令在2線程和4G內存的情況下建立索引：

hisat2-build --threads 2 --sensitive genome.fa genome

二、文件：hisat2建立索引生成了哪些文件？

當我們建立一個hisat2的索引時，hisat2會在目標文件目錄下生成一些相關的文件。接下來，我們將詳細查詢這些文件的用途和作用：

1. *.ht2: 此文件包含了檢索序列的蛋白質表達序列的哈希值。這個文件是工具的核心，它是讀取和比對過程的中間件。.ht2文件通過嵌入式哈希表的方式存儲索引信息，以提高索引的查詢速度。

2. *.bt2: 此文件包含了所選BWT轉換的索引文件。此文件與.ht2文件密切相關，是核心比對算法的一部分。.bt2文件不同於.ht2文件的是它們是在索引建立期間生成的，而不是在比對期間生成的。

3. *.rev.*.bt2: 此文件包含了反轉互補序列的BWT轉換。這個文件是一種輔助形式，它保存了反轉互補序列的BWT轉換，以便比對過程中使用。

4. *.3.ht2、*.3.bt2、*.3.rev.*.bt2: 如果選擇了hisat2的-sensitive-local參數，則會生成這些額外的文件。它們與默認的.ht2、.bt2、.rev.文件一起使用，用於局部比對。

5. *.fai: 此文件是FASTA格式的索引文件。對於巨大的基因組，可以從FASTA文件中生成此類型的索引，以提高性能。

三、檢查：hisat2建立索引怎麼看好了沒？

為了確保索引文件已經正確生成，我們需要檢查索引文件。hisat2提供了一種易於使用的工具hisat2-inspect，可以用來檢查索引文件的正確性。

通過以下命令，查看空格分隔的索引信息：

hisat2-inspect -s genome.1.ht2

您還可以通過命令行查看某個位置的索引條目：

hisat2-inspect -e genome.1.ht2 100000

這將在屏幕上顯示100,000基數處的哈希表條目。

四、hisat2最新index選取: 如何優化hisat2索引性能？

hisat2是一個高效且準確的讀取比對工具，目前已經取代了Bowtie2，成為主要的選擇。但是，在實際的使用中，由於基因組的大小和其他因素的影響，其運行時間和佔用內存較大。在此，我們為您提供了一些可選的參數來優化hisat2建立索引的性能：

1. 使用low-memory選項。該選項限制了內存使用，但也會導致必要時的速度減慢。使用low-memory參數，將具有以下優點：

hisat2-build --low-memory --threads 8 my_genome.fasta my_genome_index

2. 使用SSPACE-Hisat2 ToolKit提供的hisat2-build工具，該工具使用最新的hierarchical graph index來減少內存使用。

git clone https://github.com/ShuonanChen/SSPACE-Hisat2-Genome-Assembler.git
cd SSPACE-Hisat2-Genome-Assembler/hisat2-2.1.0/
make
make install
./hisat2-build my_genome.fasta my_genome_index

3. 流式顛倒生成索引。流式生成索引是一種基於內核的技術，可以減少目標計算機上內存的使用。此技術的好處在於，只需使用一定量的內存即可在任何時間生成索引。

hisat2-inspect my_genome.fasta > my_genome.sizes
split my_genome.sizes -d -l 1 my_genome.sizes.
grep -v "^\[" my_genome.sizes.* > my_genome.sizes.
rm my_genome.sizes.*
hisat2_extract_splicesite.py my_genome.gtf > my_genome.ss
for i in `seq 0 999`; do hisat2_extract_exons.py my_genome.gtf > my_genome.exons.${i}.fa; done
hisat2_build --ss my_genome.ss --exon my_genome.exons.000.fa --exonlen 1800 my_genome.fasta my_genome_index
for i in `seq 1 999`; do hisat2_build --ss my_genome.ss --exon my_genome.exons.${i}.fa --exonlen 1800 my_genome.fasta my_genome_index; done

總結

通過本文的介紹，相信你對hisat2建立索引有了更深入的了解，知道了如何進行內存管理，了解了每個文件的用途，掌握了檢查索引文件和優化性能的一些技巧。如果您需要深入了解hisat2或其他基因組學相關技術，可以通過相關文獻或官方文檔來學習。