當前位置 博文首頁 > TOP生物信息:一文學會常規轉錄組分析

    TOP生物信息:一文學會常規轉錄組分析

    作者:TOP生物信息 時間:2021-02-20 16:35

    數據來源:Cytosolic acetyl-CoA promotes histone acetylation predominantly at H3K27 in Arabidopsis;GSE79524

    我只試做了轉錄組分析那一部分。簡單概括就是為了評估乙;瘜虮磉_的影響,對野生型和突變體都做了轉錄組分析(基因差異表達分析和GO注釋)。

    原文方法,我換成了自己較熟悉的幾個工具

    1. 數據獲取及質控

    #1.腳本查看
    $ cat dir_6.txt 
    SRR3286802
    SRR3286803
    SRR3286804
    SRR3286805
    SRR3286806
    SRR3286807
    
    $ cat 1.sh 
    dir=$(cut -f1 dir_6.txt)
    for sample in $dir
    do
    prefetch $sample
    done
    
    $ cat 2.sh 
    for i in `seq 2 7`
    do
    fastq-dump --gzip --split-3 --defline-qual '+' --defline-seq '@$ac-$si/$ri' ~/ncbi/public/sra/SRR328680${i}.sra -O /ifs1/Grp3/huangsiyuan/learn_rnaseq/mRNA-seq/data/ &
    done
    
    #2.下載及解壓
    sh 1.sh
    sh 2.sh
    
    #解壓之后是這樣的,可以看出是雙端測序
    $ ls
    1.sh       SRR3286802_1.fastq.gz  SRR3286803_2.fastq.gz  SRR3286805_1.fastq.gz  SRR3286806_2.fastq.gz
    2.sh       SRR3286802_2.fastq.gz  SRR3286804_1.fastq.gz  SRR3286805_2.fastq.gz  SRR3286807_1.fastq.gz
    dir_6.txt  SRR3286803_1.fastq.gz  SRR3286804_2.fastq.gz  SRR3286806_1.fastq.gz  SRR3286807_2.fastq.gz
    
    #3.質量檢測:fastqc,multiqc
    ls *fastq.gz | while read id
    do
    fastqc ${id} &
    done
    multiqc *fastqc*
    
    #4.過濾接頭序列及低質量reads片段
    ##就這組數據來說,質量檢測的結果表明數據質量很好,因此這里省略的過濾這一步。
    

    2. 下載gff/gtf注釋文件并提取出感興趣的基因/轉錄本區間

    一個基因可能對應不同的轉錄本,不同的轉錄本可能對應不同的功能。
    以擬南芥的gff注釋文件為例:

    #提取基因
    $ less Arabidopsis_thaliana.TAIR10.42.gff3 | awk '{ if($3=="gene") print $0 }' | cut -d ";" -f1 | head -n 5
    1	araport11	gene	3631	5899	.	+	.	ID=gene:AT1G01010
    1	araport11	gene	6788	9130	.	-	.	ID=gene:AT1G01020
    1	araport11	gene	11649	13714	.	-	.	ID=gene:AT1G01030
    1	araport11	gene	23121	31227	.	+	.	ID=gene:AT1G01040
    1	araport11	gene	31170	33171	.	-	.	ID=gene:AT1G01050
    
    #提取轉錄本
    $ less Arabidopsis_thaliana.TAIR10.42.gff3 | awk '{ if($3=="mRNA") print $0 }' | cut -d ";" -f1 | head -n 10
    1	araport11	mRNA	3631	5899	.	+	.	ID=transcript:AT1G01010.1
    1	araport11	mRNA	6788	8737	.	-	.	ID=transcript:AT1G01020.6
    1	araport11	mRNA	6788	8737	.	-	.	ID=transcript:AT1G01020.2
    1	araport11	mRNA	6788	9130	.	-	.	ID=transcript:AT1G01020.3
    1	araport11	mRNA	6788	9130	.	-	.	ID=transcript:AT1G01020.5
    1	araport11	mRNA	6788	9130	.	-	.	ID=transcript:AT1G01020.4
    1	araport11	mRNA	6788	9130	.	-	.	ID=transcript:AT1G01020.1
    1	araport11	mRNA	11649	13714	.	-	.	ID=transcript:AT1G01030.1
    1	araport11	mRNA	11649	13714	.	-	.	ID=transcript:AT1G01030.2
    1	araport11	mRNA	23121	31227	.	+	.	ID=transcript:AT1G01040.1
    

    從ID可以看出AT1G01020基因有6個轉錄本。這篇文獻比較的是基因層面的表達差異,所以這里我提取的是基因gff,算上線粒體和葉綠體上的基因一共27655個。

    $ less Arabidopsis_thaliana.TAIR10.42.gff3 | awk '{ if($3=="gene") print $0 }' > gene27655.gff
    

    3. 將reads比對到參考基因組

    3.1 為參考基因組建立索引
    nohup ~/mysoft/hisat2-2.1.0/hisat2-build Arabidopsis_thaliana.TAIR10.dna.toplevel.fa Arabidopsis_thaliana &
    

    3.2 比對
    $ cat 3.sh 
    for i in `seq 2 7`
    do
    hisat2 -x ~/learn_rnaseq/mRNA-seq/ref/Arabidopsis_thaliana -p 8 \
    -1 ~/learn_rnaseq/mRNA-seq/data/SRR328680${i}_1.fastq.gz \
    -2 ~/learn_rnaseq/mRNA-seq/data/SRR328680${i}_2.fastq.gz \
    -S ~/learn_rnaseq/mRNA-seq/map/SRR328680${i}.sam
    done
    
    $ nohup sh 3.sh &
    

    從報告文件來看比對率都挺高的,97%以上。

    3.3 sam轉bam, 并排序
    $ cat 1.sh 
    for i in `seq 2 7`
    do
    /ifs1/Software/biosoft/samtools-1.9/samtools view -@ 8 -Sb SRR328680${i}.sam > SRR328680${i}.bam
    /ifs1/Software/biosoft/samtools-1.9/samtools sort -@ 8 -n SRR328680${i}.bam > SRR328680${i}.n.bam
    done
    $ nohup  sh 1.sh &
    

    4. 計算表達量

    Usage: featureCounts [options] -a <annotation_file> -o <output_file> input_file1 [input_file2] ...
    nohup ~/mysoft/subread-1.6.3-source/bin/featureCounts -F GTF -t gene -g gene_id -T 4 -a ~/learn_rnaseq/mRNA-seq/ref_ht/gene27655.gff -o ~/learn_rnaseq/mRNA-seq/count/test ~/learn_rnaseq/mRNA-seq/map/SRR328680*.n.bam &
    #上面這一步運行完之后會多出test.summary,test這兩個文件
    nohup ~/mysoft/subread-1.6.3-source/bin/featureCounts -F GTF -t gene -g gene_id -T 4 -p -a ~/learn_rnaseq/mRNA-seq/ref_ht/gene27655.gff -o ~/learn_rnaseq/mRNA-seq/count/test2 ~/learn_rnaseq/mRNA-seq/map/SRR328680*.n.bam 2> log2 &
    #上面這行只多了-p選項,為了看看在雙端測序中統計fragments和reads有什么區別。運行完了多出test2.summary,test2兩個文件。
    

    從test2和text兩個矩陣文件中,可以看出加了p之后求的是fragments的計數,數值大概是reads計數的1/2,這很好理解,因為fragment的定義中就是包含了一對reads的。

    $ lsx test2 |head -n 20 | tail -n 5
    AT1G01140       1       64166   67774   -       3609    2309    2073    2323    1522    1742    1254
    AT1G01150       1       69911   72138   -       2228    3       0       0       1       2       4
    AT1G01160       1       72339   74096   +       1758    766     730     857     745     819     747
    AT1G01170       1       73931   74737   -       807     1796    1758    1748    1061    1540    1340
    AT1G01180       1       75390   76845   +       1456    374     315     311     358     284     312
    
    $ lsx test |head -n 20 | tail -n 5
    AT1G01140       1       64166   67774   -       3609    4587    4118    4613    3025    3469    2484
    AT1G01150       1       69911   72138   -       2228    6       0       0       2       4       8
    AT1G01160       1       72339   74096   +       1758    1449    1383    1637    1412    1538    1409
    AT1G01170       1       73931   74737   -       807     3220    3121    3169    1914    2771    2369
    AT1G01180       1       75390   76845   +       1456    745     619     619     708     558     621
    

    將test2文件中的這7列提取出來即為表達矩陣。

    grep "^AT" test2 | cut -f1,7,8,9,10,11,12 > 6sample_count_matrix.txt
    

    5. 差異表達分析

    6sample_count_matrix.txt

    使用DESeq2 包。

    a <- as.matrix(read.table("6sample_count_matrix.txt",sep="\t",header = T,row.names=1))
    condition <- factor(c(rep("WT",3),rep("acc1.5",3)), levels = c("WT","acc1.5"))
    colData <- data.frame(row.names=colnames(a), condition)
    #查看一下
    > colData
            condition
    WT1            WT
    WT2            WT
    WT3            WT
    acc1.51    acc1.5
    acc1.52    acc1.5
    acc1.53    acc1.5
    
    #確保
    > all(rownames(colData) == colnames(a))
    [1] TRUE
    
    dds <- DESeqDataSetFromMatrix(a, colData, design= ~ condition)
    dds <- DESeq(dds)
    #運行結束會報告
    estimating size factors
    estimating dispersions
    gene-wise dispersion estimates
    mean-dispersion relationship
    final dispersion estimates
    fitting model and testing
    
    #得到初步結果并查看
    res <-  results(dds, contrast=c("condition", "acc1.5", "WT"))
    ##log2(fold change)也是一個衡量差異顯著性的指標
    resLFC <- lfcShrink(dds, coef="condition_acc1.5_vs_WT", type="apeglm")
    resLFC
    ##按照p值由小到大排列
    resOrdered <- res[order(res$pvalue),]
    resOrdered
    ##矯正p值小于0.001的有多少個差異基因
    sum(res$padj < 0.001, na.rm=TRUE)
    ##畫個MA-plot看看大體趨勢
    plotMA(res, ylim=c(-2,2))
    plotMA(resLFC, ylim=c(-2,2))
    
    #按照自定義的閾值提取差異基因并導出
    diff_gene_deseq2 <-subset(res, padj < 0.001 & abs(log2FoldChange) > 1)
    write.csv(diff_gene_deseq2,file= "DEG_acc1.5_vs_WT.csv")
    

    6. 簡單的GO注釋

    首選clusterProfiler包。

    library(”clusterProfiler“)
    library("org.At.tair.db")
    e <- read.table("DEG_acc1.5_vs_WT.csv", header = T,sep = ",")
    f <- e[,1]
    #轉換ID并將ENTREZID編號作為后面的識別ID
    ids <- bitr(f, fromType="TAIR", toType=c("SYMBOL","ENTREZID"), OrgDb="org.At.tair.db")
    f <- ids[,3]
    
    按照GO系統給基因分類
    ggo <- groupGO(gene     = f,
                   OrgDb    = org.At.tair.db,
                   ont      = "CC",
                   level    = 3,
                   readable = TRUE)
    > head(ggo)
                       ID                    Description Count GeneRatio
    GO:0005886 GO:0005886                plasma membrane   237   237/718
    GO:0005628 GO:0005628              prospore membrane     0     0/718
    GO:0005789 GO:0005789 endoplasmic reticulum membrane     3     3/718
    GO:0019867 GO:0019867                 outer membrane     6     6/718
    GO:0031090 GO:0031090             organelle membrane    63    63/718
    GO:0034357 GO:0034357        photosynthetic membrane    23    23/718
    
    富集分析
    ego2 <- enrichGO(gene         = ids$TAIR,
                     OrgDb         = org.At.tair.db,
                     keyType       = 'TAIR',
                     ont           = "CC",
                     pAdjustMethod = "BH",
                     pvalueCutoff  = 0.01,
                     qvalueCutoff  = 0.05,
                     readable      = TRUE)
    
    > head(ego2)
                       ID          Description GeneRatio   BgRatio       pvalue    p.adjust      qvalue
    GO:0009505 GO:0009505 plant-type cell wall    20/654 274/24998 3.989815e-05 0.002907596 0.002713546
    GO:0048046 GO:0048046             apoplast    22/654 328/24998 5.995043e-05 0.002907596 0.002713546
                                                                                                                                                 geneID
    GO:0009505         ATBXL2/ATPMEPCRA/LRX1/AtWAK1/ATPME2/GLL22/LRX2/SS3/ATPAP1/ATC4H/CASP1/BGLU15/RHS12/BGAL1/ATGRP-5/ATPCB/EARLI1/ATPGIP2/FLA13/PME5
    GO:0048046 iPGAM1/ATDHAR1/AOAT1/ANN1/ATPEPC1/GDPDL1/CLE12/AGT/ENO2/GOX1/ATPCB/AtBG2/CRK9/CORI3/PMDH2/BETA/UDG4/ATSBT4.12/LTP3/AtPRX71/ATBXL4/ANNAT2
               Count
    GO:0009505    20
    GO:0048046    22
    
    GO基因集富集分析
    geneList = 2^e[,3]
    names(geneList)=as.character(ids[,3])
    geneList = sort(geneList, decreasing = TRUE)
    
    ego3 <- gseGO(geneList     = geneList,
                  OrgDb        = org.At.tair.db,
                  ont          = "CC",
                  nPerm        = 1000,
                  minGSSize    = 100,
                  maxGSSize    = 500,
                  pvalueCutoff = 0.05,
                  verbose      = FALSE)
    head(ego3)
    

    enrichGO和gseGO這兩個都用得比較多。

    可視化
    barplot(ggo, drop=TRUE, showCategory=12)
    dotplot(ego2)
    


    自己的分析略顯簡單,沒有過多的細化,后面隨著學習的深入再來補充。注:第2步提取gene_feature這一步沒有必要,因為軟件可以自動識別feature!2019.8.10


    reference

    Statistical analysis and visualization of functional profiles for genes and gene clusters:
    http://www.bioconductor.org/packages/release/bioc/vignettes/clusterProfiler/inst/doc/clusterProfiler.html
    Analyzing RNA-seq data with DESeq2:
    http://www.bioconductor.org/packages/release/bioc/vignettes/DESeq2/inst/doc/DESeq2.html

    因水平有限,有錯誤的地方,歡迎批評指正!

    bk
    下一篇:沒有了
推土機2019:ImageCombiner - Java服務端圖片合成工具,好用! 萊布尼茨:【從零開始擼一個App】Fragment和導航中的使用 等不到的口琴:億級流量架構之資源隔離思路與方法 TOP生物信息:一文學會常規轉錄組分析 Twittytop:我的2020之路 我愛睡蓮:keepalived-1.3.5+MHA部署mysql集群 程序員養成日記:mysql一張表到底能存多少數據? 等你歸去來:java線程池趣味事:這不是線程池 Linyiwei:C++算法代碼――Tuna Linux中執行shell腳本的4種方法總結 歐洲云計算巨頭機房著火:數據中心被毀,部分客戶數據丟失無法恢復 php中文文字水印亂碼怎么辦 介紹Linux環境下PHP7.0安裝 如何解決php7中文亂碼問題 PHP中十六個魔術方法你都了解嗎 做網賺大師:要了解網絡賺錢的來龍去脈 axure8怎么制作一個敬告彈窗效果? 對于企業來說在選購云服務器時應該從哪些方面進行考慮 curl,使用curl方式獲取頁面所有內容 exit,在exit里輸入文本來顯示信息 javascript 正則表達式,正則表達式的應用領域包括字符串語義分析 css布局,css布局從此進入了grid時代 jiaocheng,ghost是一個用于系統備份和恢復的工具 R語言修改下載安裝包install.package的默認存儲路徑的操作方法 R語言中R-squared與Adjust R-squared參數的解釋 python numpy中mat和matrix的區別 如何在Asp.Net Core中集成ABP Dapper R語言如何實現多元線性回歸 formatnumber,使用fmt:formatNumber標簽格式化el表達式的值 什么是xml,一看就懂的xml介紹
国产av欧美av亚韩av_欧美 日产 国产 首页_婷婷五月色中文字幕的