KeepNotes blog

Stay hungry, Stay Foolish.

0%

转录组差异表达分析小实战（一）

Posted on Edited on In ,
Symbols count in article: 2.9k Reading time ≈ 3 mins.

读文献获取数据

文献名称：AKAP95 regulates splicing through scaffolding RNAs and RNA processing factors

  1. 查找数据：Data availability
    The RIP-seq an RNA-seq data have been deposited in the Gene Expression Omnibus database, with accession code GSE81916. All other data is available from the author upon reasonable request.

  2. 获得GSE号：GSE81916 #### 下载测序数据

  3. https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE81916获取数据信息，并点击网址下方的ftp，下载测序数据

  4. 从https://trace.ncbi.nlm.nih.gov/Traces/study/?acc=PRJNA323422可知我们需要的mRNA测序编号为SRR3589956到SRR3589962

  5. 通过Apera下载SRR数据，这里以SRR3589956为例：

     ascp -T -i /home/anlan/.aspera/connect/etc/asperaweb_id_dsa.openssh anonftp@ftp-private.ncbi.nlm.nih.gov:sra/sra-instant/reads/ByRun/sra/SRR/SRR358/SRR3589956/SRR3589956.sra ./

转化fastq测序数据

  1. 通过sratoolkit工具将SRR文件转化为fastq格式的测序数据（写了个shell循环）

     for i in $(seq 56 62);do nohup fastq-dump --split-3  SRR35899${i} &;done

  2. 通过fastqc对每个fastq文件进行质检，用multiqc查看整体质检报告（对当前目录下的fastq测序结果进行质检，生成每个fq文件的质检报告总multiqc整合后统计查看）

     fastqc *.fastq
 multiqc ./

    点击这个url可以查看我这个multiqc报告：http://www.bioinfo-scrounger.com/data/multiqc_report.html

  3. 如果有接头或者质量值不达标的需要进行过滤，这次的数据质量都不错，因此直接进行比对即可

序列比对

  1. 安装hisat2软件，下载人类的hiast2索引文件

    • hisat2下载并安装：

        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

    • 下载hisat2的human索引

        ftp://ftp.ccb.jhu.edu/pub/infphilo/hisat2/data/hg19.tar.gz
  tar zxvf hg19.tar.gz

  2. 用hisat2进行比对，测序数据放在data目录下，索引文件放在reference/index/hisat2/hg19目录下，SRR3589956-SRR3589958为人的测序数据

    for i in $(seq 56 58);do hisat2 -p 4 \
-x ~/reference/index/hisat2/hg19/genome \
-1 ./data/SRR35899${i}_1.fastq -2 ./data/SRR35899${i}_2.fastq \
-S SRR35899$i.sam >SRR35899${i}.log;done

  3. 用samtools将sam文件转化为bam文件，并使用默认排序

    for i in $(seq 56 58);do samtools sort -@ 5 -o SRR35899${i}.bam SRR35899${i}.sam;done

Reads计数

  1. 用htseq对比对产生的bam进行count计数

    • htseq安装，使用miniconda，省事！唯一的问题是htseq版本不是最新的，是0.7.2。想要最新版还是要正常安装，可参考http://www.biotrainee.com/thread-1847-1-2.html

        conda install -c bioconda htseq

    • 用htseq将对比后的结果进行计数

        for i in $(seq 56 58);do htseq-count -f bam -r pos -s no \
  SRR35899${i}.bam ~/reference/genome/hg19/gencode.v26lift37.annotation.gtf \
  1>SRR35899${i}.count 2>SRR35899${i}_htseq.log;done

  2. 将3个count文件（SRR3589956.count，SRR3589957.count，SRR3589958.count）合并成一个count矩阵，这是就需要脚本来解决这个问题，不然其他方法会稍微麻烦点

    #!/usr/bin/perl -w
use strict;

my $path = shift @ARGV;
opendir DIR, $path or die;
my @dir = readdir DIR;

my $header;
my @sample;
my %hash;
foreach my $file (@dir) {
    if ($file =~ /^\w+.*\.count/) {
        push @sample, $file;
        $header .= "\t$file";
        open my $fh, $file or die;
        while (<$fh>) {
            chomp;
            next if ($_ =~ /^\W+/);
            my @array = split /\t/, $_;
            $hash{$array[0]} -> {$file} = $array[1];
        }
        close $fh;
    }
}
print "$header\n";
map{
    my $gene = $_;
    print "$gene";
    foreach my $file (@sample) {
        print "\t".$hash{$gene} -> {$file};
    }
    print "\n";
}keys %hash;

  3. 按照接下来的剧本，应该讲count_matrix文件导入DESeq进行差异表达分析。但是从这篇文章的Bioinformatic analyses部分可以发现，作者的control组的2组数据是来自2个不同的批次（一个是SRR3589956，另外一个来源GSM1095127 in GSE44976），treat组倒是同一个批次（SRR3589957和SRR3589958）。但是对于Mouse cells来说，倒是满足2个control和2个treat都正常来自同个批次，因此打算重新用SRR3589959-SRR3589962重新做个一个count_matrix进行后续差异分析

本文出自于http://www.bioinfo-scrounger.com转载请注明出处

Related Posts