近缘菌株比对神器 SibeliaZ:安装、参数调优与结果解读一站式

今天我们学习软件SibeliaZ的原理安装以及使用方法。

在GitHub上，最新版本为 SibeliaZ 1.2.7 ，最后更新于25年7月7日。作者是宾夕法尼亚州立大学的 Ilia Minkin 和 Paul Medvedev。

https://github.com/medvedevgroup/SibeliaZ

SibeliaZ的简介

SibeliaZ 是一款全基因组比对与共线性局部区块构建流程工具。其区块坐标以 GFF 格式输出，比对结果则采用 MAF 格式。该工具适用于多个相似度较高的基因组数据，例如同一物种的不同菌株。当数据集满足从序列末端到最近共同祖先的位点替换率不超过 0.09（即 9 个 PAM 单位）时，SibeliaZ 运行效果最佳。目前该工具暂不支持长度超过 4294967296 碱基对（bp）的染色体序列（官方指出该问题将在后续版本中修复），不过这个长度对于处理细菌的基因组已经足够的了。

SibeliaZ基于de Bruijn图算法，通过识别基因组间的保守k-mer锚定同源区域，逐步拼接扩展为局部共线性区块，通俗来说，就是先在所有基因组中找共同的短序列作为‘定位锚点’，再将相邻锚点拼接扩展为完整的同源共线性区块，最终完成多基因组全序列比对，适配近缘物种及菌株的高精度比对需求。

SibeliaZ的安装

SibeliaZ的官方给出两种安装方法。

安装SibeliaZ最简单的方法是使用bioconda。安装好Bioconda环境后，安装 sibeliaz 包：

conda install sibeliaz

如果要自行编译代码，需要最近安装以下代码软件（仅限Linux）：

Git
CMake
一个支持 C++11 的 GCC 编译器
ZLIB库（针对SPOA对齐器）

后续再进行 SibeliaZ 源码下载解压编码配置环境变量等工作。这里我们推荐使用 conda 进行安装，因为这不仅更简单，而且不会有版本冲突环境崩溃等问题，特别是对新手，如果您没有学会使用conda，非常推荐。

SibeliaZ的使用

SibeliaZ 接收一组 FASTA 文件作为输入。最简单的运行 SibeliaZ，为以下命令：

sibeliaz <input FASTA files>

例如：

sibeliaz genome1.fa genome2.fa

比对结果会依据序列ID生成，因此FASTA文件标题行中的所有输入序列必须拥有唯一ID。对于这一个唯一ID ，需要准确理解，这不仅指一个fa文件里的多条序列ID不能有重复，对于你输入到 SibeliaZ 的所有fa文件（无论是两个，还是一百一千个），只要是 > 后面的ID，都不能重复。这一点真的很重要，否则你的分析是会进行报错的。

默认输出至当前工作目录下的 sibeliaz_out 文件夹，内含记录区块坐标的 blocks_coords.gff文件，以及存储比对结果的 alignment.maf 文件。

SibeliaZ配有多项参数，可调节精度与运行效率，下文将逐一说明。

SibeliaZ 的输出

输出目录包含以下文件：

blocks_coords.gff：记录局部共线性区块坐标。ID 字段相同的行，代表同一区块的不同拷贝。
alignment.maf：输入基因组的全基因组比对结果。

注意：最终比对是对局部共线性区块进行全局比对，该过程内存占用极高。部分区块（尤其拷贝数量多、序列较长时）可能因内存不足比对失败，大内存设备也可能出现此问题。输出目录下的 blocks 子文件夹，存放所有比对失败区块的 FASTA 文件，每个文件对应一个区块及其全部拷贝。FASTA 标题行记录各拷贝坐标，格式同 MAF 条目，字段以分号分隔。

若后续分析无需比对结果，可使用 -n 参数跳过比对步骤，仅输出区块坐标。此时程序不会生成。

构建共线性块

你还可构建部分分析所需的长共线性区块。SibeliaZ 默认会附带安装由Mikhail Kolmogorov编写的 maf2synteny 工具。若已有 SibeliaZ 输出结果，可直接用该工具处理。

maf2synteny <GFF or MAF file created by SibeliaZ>

一般来说，这是一整套构建共线性块的流程，可以通过调整 maf2synteny 参数大小，构建符合自己数据的大小不同的共线性块。比较只用 SibeliaZ 构建的块，还是太碎太小。

影响 SibeliaZ 的准确性的参数

k 值

该参数设定德布鲁因图的阶数，用于权衡比对灵敏度、运行速度与内存占用。

-k <an odd integer>

通常 k 值越小，比对灵敏度越高，但运行速度越慢。细菌等小型基因组建议设为 15，哺乳动物级别的大型基因组建议设为 25，默认值为 25。

气泡长度阈值

SibeliaZ通过检索图中的长气泡链开展分析。气泡指起止点相同的两条路径，长气泡链一般对应同源序列。但若气泡内路径过长，易产生假同源匹配。

工具会丢弃路径长度超出阈值的气泡，对应参数：

-b <integer>

默认值为 200。增大该值可识别更多分化程度较高的序列，但取值过高会降低比对准确度。

局部共线块大小

SibelaZ 只输出超过指定阈值的块，该阈值由

-m <integer>

默认值是50。警告：提高该参数可能会显著增加减缓计算速度。

SibeliaZ的技术参数

跳过比对

如需仅输出区块坐标、跳过比对流程，使用参数：

-n

线程数

设置程序可调用的最大线程数，参数格式：

-t <integer>

程序默认会占用全部可用线程，你可通过该参数限制线程数量。流程不同阶段的并行能力存在差异：TwoPaCo 最多仅使用16个线程，而图谱分析模块与全局比对模块会充分调用所有线程。

内存分配

图谱构建工具 TwoPaCo 会为布隆过滤器预分配内存。默认情况下，布隆过滤器容量为输入文件总大小的三倍。可通过以下参数手动指定容量：

 -f <memoryamountinGB>

输出目录

自定义结果文件的存放目录，参数格式：

 -o <directory>

默认输出至当前工作目录下的 sibeliaz_out 文件夹。

实例

先是利用conda安装 SibeliaZ，验证安装成功

# 创建名为 sibeliaz_env 的环境，指定 python3.8（通用兼容版本）conda create -n sibeliaz_env python=3.8 -y

#激活环境conda activate sibeliaz_env#激活成功后，终端前缀会出现 (sibeliaz_env)

#配置 Bioconda 源（首次使用必须配置）conda config --add channels biocondaconda config --add channels conda-forgeconda config --set channel_priority strict

# 安装软件conda install sibeliaz -y# 验证是否安装成功sibeliza -h# 如果输出为 Usage: [-k <odd integer>] [-b <integer>] [-m <integer>] [-a <integer>] [-t <integer>] [-f <integer>] [-o <output_directory>] [-n] <input file># 则表明安装成功

使用SibeliaZ分析数据

sibeliaz -k 15 -n -o salmonella_synteny_out fixed_assemblies/*.fasta

确定好 SibeliaZ 安装成功后，使用这行命令即可使用 SibeliaZ 分析数据。

其中我的数据是细菌的染色体测序结果，所以使用 -k 15，使用 -n 跳过序列比对，使用 -o 指定输出目录，同时后面使用一个正则匹配把所有的fa文件一起输入分析，供大家参考。各参数意义及使用方法前面已经讲解。

SibeliaZ 输出结果解读

输出结果在文件夹 salmonella_synteny_out 里，名为 blocks_coords.gff

内容如图：

文件解读，如下表：

列	含义	示例解读
1	序列 ID（你输入的基因组 / 序列名称）	`T08_1` / `T10_1` / `T09_1`，代表不同的基因组
2	来源	`SibeliaZ` ，表示这是 SibeliaZ 生成的结果
3	特征类型	`SO:0000856` 是术语 `sequence_feature`，表示序列特征
4-5	起始 / 结束位置	这个区块在该基因组上的坐标（4 是起点，5 是终点）
6	得分	`.` 表示无特定分值
7	链方向	`+` 正链 / `-` 负链，代表该同源片段的方向
8	相位	`.` 表示不适用
9	属性	`ID=1` ，说明这些行属于同一个共线性区块（区块 1）

maf2synteny构建共线性块

运行下面代码，构建不同大小的共线性块。

maf2synteny -b 500 salmonella_synteny_out/blocks_coords.gff

-b 后面跟不同阈值构建不同大小的块，输出结果如下图：

每个阈值文件夹（30/、100/、500/）里的文件，对应 maf2synteny 处理后的结果，解读如下表：

文件名	作用
`blocks_coords.txt`	过滤后、整理好的共线性块坐标表，是下游可视化（如 plotsr）的核心输入文件
`coverage_report.txt`	每个基因组被共线性块覆盖的比例统计，用来评估比对的完整性
`genomes_permutations.txt`	记录基因组间的共线性块排列顺序信息，可用于后续重排分析

注意：blocks_coords.gff 是 SibeliaZ 直接输出的原始数据，而 blocks_coords.txt 是 maf2synteny 整理后的、更适合下游工具使用的格式

到这里，我们了解了 SibeliaZ 的一些背景和原理，学习了SibeliaZ 的安装使用参数调整以及后续处理流程，并且我们还提供了一个实例，想真的学会理解透一个软件，还是得自己动手去找点数据处理一下，实践出真知，如果您在使用软件时遇到问题，欢迎在评论区留言或者私信我们，一起交流学习！

后期我们会陆续推出更多生信软件的教程，期待您的关注。如果您在文献复现以及生信分析时遇到问题，也欢迎联系我们一起交流学习!

多看多学多做，如果您觉得我们写的推文还可以，请给我们点个赞，这是我们前进的最大动力，真心感谢！