原文鏈接：hisat2:比對基因組工具簡介_生信修煉手冊_傳送門
由于測序儀機器讀長的限制，在構建文庫的過程中首先需要將DNA片段化，測序得到的序列只是基因組上的部分序列。為了確定測序reads在基因組上的位置，需要將reads比對回參考基因組上，這個步驟叫做mapping。
在進行mapping時，需要考慮以下幾個因素
1. 硬件資源的消耗
通常來說，基因組越大，占用的內存越大。對于大型基因組，比如人類基因組而言，優化內存消耗是很關鍵的一點。
2. 運行速度
隨著測序價格的下降和數據深入挖掘的需求，測序量越來越大，海量測序reads的比對，要求速度上必須夠快。
3. 準確性
SNP/indel, 測序錯誤率等因素都使得測序的reads和基因組上的原始序列會存在幾個bp的誤差，所以mapping的算法必須支持堿基的錯配，或者是gap的存在。同時由于測序的短序列可能和基因組多個位置存在同源，一條reads會比對到基因組上多個位置。雙端測序技術在一定程度上能夠校正多個位置，因為雙端reads 來自同一個DNA片段，二者在基因組上的位置不會相距太遠，但是僅靠這一點并不能解決所有的同源比對，這就要求比對算法對多個位置進行判斷和打分，給出比對結果的可靠性。
4. RNA
對于轉錄組數據， 真核生物可變剪切的存在，導致cDNA片段在基因組上的位置并不是連續的，中間可能存在內含子。在比對轉錄組數據時，就需要考慮跳過剪切位點。
目前mapping的工具有很多，比如bwa, hisat, star等。hisat 是其中速度最快的，是tophat軟件的升級版本。采用了改進的FM index 算法，對于人類基因組，只需要4.3GB左右的內存。同時支持DNA和RNA數據的比對，軟件官網如下
http://ccb.jhu.edu/software/hisat2/index.shtml
目前最新版為為hisat2. 安裝過程如下
wget ftp://ftp.ccb.jhu.edu/pub/infphilo/hisat2/downloads/hisat2-2.1.0-Linux_x86_64.zip
unzip hisat2-2.1.0-Linux_x86_64.zip
下載解壓縮即可。
在進行比對前，首先需要對參考基因組建立索引, 基本用法如下
hisat2-build -p 20 ? hg19.fa hg19
對于轉錄組數據，在構建索引時，可以通過gtf文件，得到剪切位點和exon的信息，用法如下
hisat2_extract_splice_sites.py hg19.gtf > hg19.ss
hisat2_extract_exons.py hg19.gtf > hg19.exon
hisat2-build -p 20 ?--ss hg19.ss --exon hg19.exon ?hg19.fa hg19
hisat2 支持多種格式的輸入文件，常見格式有以下兩種
fasta
fastq
-f參數表示輸入問下格式為fasta,-q參數表示輸入文件格式為fastq。輸入文件可以是經過gzip壓縮之后的文件，默認輸入文件是fastq格式。
對于單端數據，采用-U指定輸入文件；對于雙端數據，采用-1和-2分別指定R1端和R2端的輸入文件。
reads比對到基因組上的一個位置，我們稱之為一個alignment。 軟件會對所有的alignments 進行打分和判斷，能夠符合過濾條件的alignment 稱之為valid ?alignment， 只有valid alignments , 才會輸出。
和blast類似，每個alignment也有對應的打分機制。hisat 從以下幾個方面對alignment 進行打分
1. 錯配堿基罰分
錯配堿基的罰分通過--mp參數指定，其值為逗號分隔的兩個數字，第一個數字為最大的罰分，第二個數字為最小的罰分
2. reads上的gap罰分
gap的罰分通過分成兩個部分，第一次出現gap的罰分和gap延伸的罰分，reads上的gap罰分通過--rdg參數指定，其值為逗號分隔的兩個數字，第一個數字為gap第一個位置的罰分，第二個數字為gap延伸的罰分。
3. reference上的gap罰分
reference上的gap罰分通過--rdg參數指定，其值為逗號分隔的兩個數字，第一個數字為gap第一個位置的罰分，第二個數字為gap延伸的罰分。
經過一系列的罰分機制，每個alignment會有一個對應的得分，然后會根據一個閾值，來判斷這個得分是否滿足valid ?alignment的要求。
hisat通過--score--min參數指定該閾值，指定方式是一個和reads程度相關的函數，默認值為L,0,-0.2, 對應函數為
f(x) = 0 - 0.2 * x
根據reads長度，可以計算出得分的閾值，大于該閾值的alignment 被認為是valid alignment , 才可能被輸出。L代表線性函數，此外，也支持其他類型的函數，比如常量，自然對數等，更多選擇請參考官方文檔。
一條reads可能會擁有多個valid ?alignments, 在輸出時，并不會輸出所有的alignments, 而是只輸出-k參數指定的N個alignments，-k參數的默認值為5。
輸出結果以SAM格式保存，默認輸出到屏幕上，可以通過-S參數指定輸出文件。
通常情況下，默認參數就能夠滿足我們的需求了。單端數據比對的用法如下
hisat -x hg19 -p 20 -U reads.fq -S align.sam
雙端數據用法如下
hisat -x hg19 -p 20 -1 R1.fq -2 R2.fq -S align.sam
下載地址：ftp://ftp.ccb.jhu.edu/pub/infphilo/hisat2/data/hg19.tar.gz
