概述

BEDTools是可用于genomic features的比较，相关操作及进行注释的工具。而genomic features通常使用Browser Extensible Data (BED) 或者 General Feature Format (GFF)文件表示，用UCSC Genome Browser进行可视化比较。

与BEDTools使用相关的基本概念

已有的一些genome features信息一般由BED格式或者GFF格式进行存储。
genome features: 功能元素（gene）， 遗传多态性 (SNPs, INDELs, or structural variants), 已经由测序或者其他方法得到的注释信息，也可以是自定义的一些特征信息。
Overlapping/intersecting features: 两个genome features的区域至少有一个bp的共同片段。

BED和GFF文件的一个差异

BED文件中起始坐标为0，结束坐标至少是1,； GFF中起始坐标是1而结束坐标至少是1。

相关格式

BED format

BEDTools主要使用BED格式的前三列，BED可以最多有12列。BED格式的常用列描述如下：
chrom: 染色体信息， 如chr1, III, myCHrom, contig1112.23, 必须有
start: genome feature的起始位点，从0开始， 必须有
end: genome feature的终止位点，至少为1， 必须有
score: 可以是p值等等一些可以刻量化的数值信息
strands: 正反链信息

GFF format

seqname - name of the chromosome or scaffold; chromosome names can be given with or without the ‘chr’ prefix. Important note: the seqname must be one used within Ensembl, i.e. a standard chromosome name or an Ensembl identifier such as a scaffold ID, without any additional content such as species or assembly. See the example GFF output below.

source - name of the program that generated this feature, or the data source (database or project name)

feature - feature type name, e.g. Gene, Variation, Similarity

start - Start position of the feature, with sequence numbering starting at 1.end - End position of the feature, with sequence numbering starting at 1.

score - A floating point value.strand - defined as + (forward) or - (reverse).

frame - One of ‘0’, ‘1’ or ‘2’. ‘0’ indicates that the first base of the feature is the first base of a codon, ‘1’ that the second base is the first base of a codon, and so on..

attribute - A semicolon-separated list of tag-value pairs, providing additional information about each feature.

See more from http://www.ensembl.org/info/website/upload/gff.html

genome files

BEDTools中的一些工具（genomeCoverageBed, complementBed, slopBed）需要物种的染色体大小的信息，genome file一般就是每行都是tab隔开，两列，一列为染色体的名字，第二列为这个染色体的大小。一般常用物种的genome file在BEDTools安装目录的/genome里面。
自定义基因组genome files文件生成方法见我的另一篇博文：批量求fasta格式序列长度。

BEDTools使用总结

intersect/intersectBed：计算 Overlaps

用来求两个BED或者BAM文件中的overlap，overlap可以进行自定义是整个genome features的overlap还是局部。

默认的结果描述如下图：

加-wa参数可以报告出原始的在A文件中的feature， 如下图

加-wb参数可以报告出原始的在B文件中的feature, 加-c参数可以报告出两个文件中的overlap的feature的数量。

当用bedtools intersect 处理大文件时比较耗内存，有效的方法是对A和B文件按照染色体名字(chromosome)和位置(position)排序(sort -k1,1 -k2,2n),然后用-sorted参数重新intersect。

其他参数：

-wo 返回overlap碱基数

-v 返回非overlap区间

-s 相同链上的feature

-c 两个文件中的overlap的feature的数量

complement：返回基因组非覆盖区

Slop：增加特征区间大小

要求：单个输入bed文件（-i指定）和genome files

-l 3 -r 5:增加左3右5

flank：提取特定区域(启动子区)

要求：基因组GTF文件（-i指定）和genome files

getfasta：提取序列

要求：基因组fasta文件（-fi指定）和提取区间GTF文件(-bed指定)

-tab Report extract sequences in a tab-delimited format instead of in FASTA format.

提取序列之samtools（速度较快）

nuc: 计算GC含量即各碱基数

输出结果解释：在原bed文件每行结尾增加以下几列

genomecov：染色体和全基因组覆盖度计算

要求：单个输入bed文件（-i指定）和genome files；如果输入为bam(-ibam指定)文件，则不需要genome files。

• ranges-cov.bed文件需提前排序sort -k1,1 ranges-cov.bed > ranges-cov-sorted.bed
• -bg参数可得到每个碱基的覆盖度。

coverage：计算染色体给定区间覆盖度

贡献来源

http://www.plob.org/2012/09/26/3748.html

http://bedtools.readthedocs.org/en/latest/content/bedtools-suite.html

https://code.google.com/archive/p/bedtools/wikis/Usage.wiki

https://code.google.com/archive/p/bedtools/wikis/UsageAdvanced.wiki