1. Bioinformatics trainings, Vietnam Hanoi, November, 2015
Explore SNP
polymorphism data
A. Dereeper, G. Sarah, F. Sabot
Bioinformatics trainings, Vietnam Hanoi, November, 2015

2. Tablet Graphical tools to visualize assemblies Accept many formats
ACE, SAM, BAM
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

3. GATK (Genome Analysis ToolKit)
Software package to analyse NGS data.
Implemented to analyse human resequencing data, for medical purpose
(1000 genomes, The Cancer Genome Atlas)
Included: depth analyses, quality score recalibration, SNP/InDel detection
Complementary with other packages: SamTools, PicardTools, VCFtools, BEDtools
PREPROCESS:
* Index human genome (Picard), we used HG18 from UCSC.
* Convert Illumina reads to Fastq format
* Convert Illumina 1.6 read quality scores to standard Sanger scores
FOR EACH SAMPLE:
1. Align samples to genome (BWA), generates SAI files.
2. Convert SAI to SAM (BWA)
3. Convert SAM to BAM binary format (SAM Tools)
4. Sort BAM (SAM Tools)
5. Index BAM (SAM Tools)
6. Identify target regions for realignment (Genome Analysis Toolkit)
7. Realign BAM to get better Indel calling (Genome Analysis Toolkit)
8. Reindex the realigned BAM (SAM Tools)
9. Call Indels (Genome Analysis Toolkit)
10. Call SNPs (Genome Analysis Toolkit)
11. View aligned reads in BAM/BAI (Integrated Genome Viewer)
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

4. Global BAM with read group
Fastq (RC1)
Fastq (RC2)
Fastq (RC3)
Fastq (RC4)
Cutadapt
Cutadapt
Cutadapt
Cutadapt ….
Mapping BWA
Mapping BWA
Mapping BWA
Mapping BWA
Add or Replace Groups
Add or Replace Groups
Add or Replace Groups
Add or Replace Groups
BAM with read group
BAM with read group
BAM with read group
BAM with read group
mergeSam
Global BAM with read group
VCF file 4 4

5. For GBS data Tassel pipeline Version 5 TASSEL-GBS Plos One, 2014
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

6. GBS RAD-Seq RNA-Seq WGRS Reads pre-processing and mapping Galaxy +
workflow
SNP Calling and
genotype assignation
Tassel
Genotyping data
Storage and mining
Genotyping data analyses and visualization
(GWAS, diversity…)

7. Format VCF (Variant Call Format) Advantages:
Variation description for each position + genotype assignations
Indexed flat files.
Binary files also exist: BCF format
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

8. Autres fonctionalités GATK Other GATK functionalities
Module DepthOfCoverage:
Allows to get sequencing depth for each gene, each position and each individual
Module ReadBackedPhasing:
Allows to set, if possible, associations between alleles (phase and haplotypes) when we are in an heterozygote situation.
Et non
AGG
GGA
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

9. Another format for variant calling (generated by samtools)
Format Pileup
Another format for variant calling (generated by samtools)
Describe alignment row by row (not line by line like in SAM format)
Used by VarScan like softwares (varscan pileup2snp)
Frequently used for rare variants, with a low frequency (e.g. viral pop)
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

10. - Based on NoSQL technology
Projet Gigwa, pour la gestion des données massives de variants (GBS, RADSeq, WGRS)
« With NGS arise serious computational challenges in terms of storage, search, sharing, analysis, and data visualization, that redefine some practices in data management. »
- Based on NoSQL technology
- Handles VCF files (Variant Call Format) and annotations
- Supports multiple variant types: SNPs, InDels, SSRs, SV
- Powerful genotyping queries
- Easily scalable with MongoDB sharding
- Transparent access
- Takes phasing information into account when importing/exporting in VCF format
Distance:
Comparaison de séquences 2 à 2 et à chaque paire on associe une distance de divergence (calcul utilisant un modèle d’évolution donné) => Matrice de distance.
On choisit l’arbre avec la plus courte somme de distances.
Parcimonie:
Sélectionne l’arbre nécessitant le minimum de changements évolutifs (d’évènements de substitution)
Bonne approximation dans les régions où les séquences sont proches
Likelihood:
Méthode probabiliste basé sur une heuristique.
Pour une topologie et longueurs de branches données, on estime pour chaque site la probabilité que le pattern de nucléotides observés ait évolué le long de cet arbre. On calcule la vraisemblance de tous les arbres possibles et on retient celui ayant la plus haute vraisemblance…
Inférence Bayesienne: basé sur les Chaines de Markov Monte Carlo (MCMC) pour échantilloner des arbres à partir de distribution de topologies d’arbres.
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

11. http://gigwa.southgreen.fr/gigwa/ Distance:
Comparaison de séquences 2 à 2 et à chaque paire on associe une distance de divergence (calcul utilisant un modèle d’évolution donné) => Matrice de distance.
On choisit l’arbre avec la plus courte somme de distances.
Parcimonie:
Sélectionne l’arbre nécessitant le minimum de changements évolutifs (d’évènements de substitution)
Bonne approximation dans les régions où les séquences sont proches
Likelihood:
Méthode probabiliste basé sur une heuristique.
Pour une topologie et longueurs de branches données, on estime pour chaque site la probabilité que le pattern de nucléotides observés ait évolué le long de cet arbre. On calcule la vraisemblance de tous les arbres possibles et on retient celui ayant la plus haute vraisemblance…
Inférence Bayesienne: basé sur les Chaines de Markov Monte Carlo (MCMC) pour échantilloner des arbres à partir de distribution de topologies d’arbres.
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
A. Dereeper, G. Sarah, F. Sabot
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

12. SNiPlay: Web application for polymorphism analyses
Distance:
Comparaison de séquences 2 à 2 et à chaque paire on associe une distance de divergence (calcul utilisant un modèle d’évolution donné) => Matrice de distance.
On choisit l’arbre avec la plus courte somme de distances.
Parcimonie:
Sélectionne l’arbre nécessitant le minimum de changements évolutifs (d’évènements de substitution)
Bonne approximation dans les régions où les séquences sont proches
Likelihood:
Méthode probabiliste basé sur une heuristique.
Pour une topologie et longueurs de branches données, on estime pour chaque site la probabilité que le pattern de nucléotides observés ait évolué le long de cet arbre. On calcule la vraisemblance de tous les arbres possibles et on retient celui ayant la plus haute vraisemblance…
Inférence Bayesienne: basé sur les Chaines de Markov Monte Carlo (MCMC) pour échantilloner des arbres à partir de distribution de topologies d’arbres.
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

13. IFB project “Galaxy4Sniplay” (WP4 IFB, Plant node)
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
A. Dereeper, G. Sarah, F. Sabot
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

14. Available using Galaxy Toolshed Installable on any Galaxy instance
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
A. Dereeper, G. Sarah, F. Sabot
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

15. Bioinformatics trainings, Vietnam Hanoi, November, 2015
Upload a VCF file in SNiPlay
Upload a VCF file
(+ reference if not available in genome collection)
Select rice genome
The reference corresponce to mRNA
A. Dereeper, G. Sarah, F. Sabot
Bioinformatics trainings, Vietnam Hanoi, November, 2015 15 15

16. Filters using VCFtools or Gigwa Maf Missing data Annotation Position…
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
A. Dereeper, G. Sarah, F. Sabot
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

17. SNP annotation using SnpEff
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
A. Dereeper, G. Sarah, F. Sabot
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

18. A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

19. sNMF Test different values of K
(estimates the probability (likelihood tests) that samples are structured in K populations)
For the best value of K, the application shows Q estimates for each individual (admixture percent)
(probability that the individual belongs to each population)

20. MDS (Multi-Dimensional Scale) plot
SNP-based Distance tree with FastME

21. Used to measure the degree of polymorphism within a population
Diversity analysis
Pi: Nucleotide diversity: Average number of nucleotide differences per site between any two DNA sequences chosen randomly from the sample population
Used to measure the degree of polymorphism within a population
Comparison between individuals
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

22. => Can allows the detection of introgression
Introgression = Movement of a exogene region (gene flow) from one species into the gene pool of another by the repeated backcrossing of an interspecific hybrid with one of its parent species
Widely used in agronomy obtained but can occurs naturally
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
A. Dereeper, G. Sarah, F. Sabot
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

23. Haplotypes Haplotype reconstruction using Gevalt
High frequency haplotypes
Low frequency haplotype
Group distribution whithin this haplotype
Distance between 2 haplotypes
(nb of mutations)
Haplotypes
Haplotype reconstruction using Gevalt
Network with Haplophyle
Available only for regions presenting few variants (short regions, genes)
Exploit phased VCF (in progress…)
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

24. Design de puces Illumina Illumina ship design
Submission file for Illumina
Fichier de soumission pour Illumina
Genotypage file
Analyse with BeadStudio software
Cartesian coordinates
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

25. GWAS (Genome-Wide Association Studies)
Estimate association between a marker and a phenotypic character
Manhattan plots: displays GWAS statistical tests
(-log10 pvalue) along chromosomes
TASSEL, MLMM sofwares
False positives because of the studied structuration panel
=> correction using structure population et and kinship
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
A. Dereeper, G. Sarah, F. Sabot
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

26. TD: Study of root charaters using GWAS in Oryza sativa japonica
TD: Study of root charaters using GWAS in Oryza sativa japonica. Influence of a correction using structure and kinship
A. Dereeper, G. Sarah, F. Sabot
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

27. Analyse de structure de populations Population structure analysis
Test different values of K
(estimates of probability that samples are structured in K populations)
For the best value of K, the application shows Q estimates for each individual
(admixture percent)
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
A. Dereeper, G. Sarah, F. Sabot
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015

28. Relatedness between individuals (kinship matrix)
TASSEL and plink softwares
Estimation of relatedness between individuals using a distance matrix
A. Dereeper, G. Sarah, F. Sabot, Y. Hueber
A. Dereeper, G. Sarah, F. Sabot
Formation Bio-informatique, 9 au 13 février 2015
Bioinformatics trainings, Vietnam Hanoi, November, 2015