芯片和高通量测序数据分析简介

Clean data
匹配到基因组或转录组
bowtie, blast, BWA
其他分析 IGV,UCSC上显示 Motif: MEME, RSAT
Annotated data
转录本
可视化的数据
如Motif分析
功能聚类分析
GO KEGG
计算表达量,差异表达
Cufflinks, Cuffdiff, edgeR
序列数据格式
FastQ 的Q值与碱基识别正确率的关系
FastQC 软件检测 高通量测序数据的质量
序列数据格式
Fasta
>1-3000 GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAA 第一行：以>开头，序列的名称。可以用来存储一些信息，如丰度等。 第二行：序列，如果不能确定的序列用N表示
和FPKM几乎一样，在pair-end测序中结果可能稍微有差别。
两个需要注意的地方
基因组的“+”和“-”链：跟生物学的正负链不太一样，以参考基因组 序列为准，与之相同的为“+”，与之反向互补的为“-”。一般“+”在 浏览器中箭头从左到右，“-”为从右到左。
+链
-链
0-Base和1-Base: 由于对参考序列第一碱基位置理解不同，有的数据认为 0，有的认为为1，所以序列会差一个碱基。UCSC浏览器用的是1-base， 而其他很多数据格式用的是0-base，所以差一个碱基。
Read: 测到一条序列即为一个read,一般用多少个read来衡量测序深度。
Map: 将测到的序列比对到参考基因组或者转录组的过程，有时也叫
Align/Alignment Annotation: 注释，根据已知基因组各个区域对应的基因情况，将序 列mapping到的位置与基因一一对应起来。
RPM: Reads Per million，指每百万条map到基因组的序列中有多少条
RMP FPKM
序列数据格式
FastQ
@HWUSI-EAS100R:6:73:941:1973#0/1 GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAAC +HWUSI-EAS100R:6:73:941:1973#0/1 !''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>
目的序列。( miRNA丰度通常用此表示)
RPKM: Reads Per Kilobase of exon model per Million mapped reads,
RPM的值再除以基因的长度(kb)，考虑了基因长度对reads的影响。
FPKM: Fragments per kilobase of exon per million fragments mapped，
芯片和高通量测序数据分析简介
如何入门
分析高通量数据需要哪些知识： 1、掌握一门编程语言(perl ,python,C/C++) 2、掌握基本的linux系统的命令 3、掌握一些统计分析工具(R语言) 4、熟悉常见的数据格式和一些数据库
快速入门技巧： 临摹：学习时找到一篇领域经典的文章，文章要有详细的protocol， 跟着文章的protocol得到跟文章相似的结果。
常用数据格式(SAM)
@PG ID:Bowtie VN:0.12.7 CL:"bowtie --best --strata -m 10 -v 2 --sam /mnt/hgfs/D/index/hg19 Hdox_rm3linker Hdox.sam" HWI-ST1269:1490 16 chr11 3793010 255 39M * 0 0 GCGAAGCCTGAATTAGTGGTGGAGGAGCT GGGIIGJJJIJJJJJJJJJJJJJJJJJJII XA:i:2 MD:Z:2A27A8 NM:i:2
SAM是一种序列比对格式标准，由sanger制定，是以TAB为分割符 的文本格式。
head 行，以@开头，可以来存一些体现了比对的一些总体信息。 此后每一行为一个条序列。 第一列： read name，read的名字通常包括测序平台等信息 第二列：为flag的总和（整数）。 第三列：比对到参考序列上的染色体号。若是无法比对，则是* 第四列：比对到参考序列第一个碱基所在的位置。若是无法比对，则是0 第五列：比对的质量分数，越高说明该read比对的位置越唯一。 第六列：CIGAR值，碱基匹配上的碱基数。match/mismatch,insertion,deletion
ID 序列 Read名称 测序质量
第一行：以@开头，reads的ID以及其他信息，测序仪产生的信息等
第二行：序列，如果不能确定的序列用N表示
第三行：以+符号开头，read的名称等信息，一般与第一行相同，可以省 略，但+符号不能省略。
第四行：测序质量，用ASCII码表示，数字在0-40之间，数值越大质量越 高。质量与序列错误率的关系如下：
Raw data
质控
FastQC， fastx-toolkit
数据库：refgene, ensemble,gencoe百度文库 软件：bedtools，自写脚本
序列注释
Clean data
Aligned data
转录本组装
Cufflinks,trinity
去接头序列
FastQC， fastx-toolkit
实践：拥有一定基础后立马参与一个project，以从解决问题为目 的去学习相关知识和软件。
多尝试，使用软件需要调试不同参数，多接触不同类型的数据， 多访问不同的数据库。
一些基本概念
测序深度：测序深度是指测序得到的总碱基数与待测基因组大小的
比值，比如10X。但通常测序深度也直接用来表示测序产生数量量的 大小，用数据量(如10G)，以及read数(如5千万条read)来表示。
UCSC的Tables使用的是0-based； UCSC的Genome Browser使用的是1-based； NCBI的dbSNP使用的是0-based； BED、BAM格式使用的是0-based； SAM、Wiggle 格式使用的1-based； VCF、GFF格式使用的是1-based。
高通量测序数据分析流程