(10)仿写fastqc-生信菜鸟团博客2周年精选文章集

用仿写软件的方法来学习编程

我首先仿写了fastqc软件,学会了很多基础知识:

仿写fastqc软件的一些功能-R代码

仿写fastqc软件的部分功能-perl代码

仿写fastqc软件的部分功能(上)

前面我们介绍了fastqc这个软件的使用方法 http://www.bio-info-trainee.com/?p=95 ,这是一个java软件,但是有些人服务器没有配置好这个java环境,导致无法使用,这里我贴出几个perl代码,也能实现fastqc的部分功能

统一测试文件是illumina的phred33格式的fastq文件,共100000/4=25000条reads,读长都是101个碱基

程序名-fastq2quality.pl

使用命令:perl fastq2quality.pl SRR504517_1.fastq >quality.txt

功能: 把fastq格式的每条原始reads的第四行ascii码质量值,转换为Q值并输出一个矩阵,有多少条reads就有多少行,每条reads的碱基数就是列数。

[perl] while (<>){

next unless $.%4==0;

chomp;

s/\r//g;

@F=split//;

foreach (@F){

$num=ord($_);

$num-=33;

print "$num\t";

}

print "\n";

} [/perl]

统计结果如下

程序名-fastq2meanQ.pl

使用命令:perl fastq2meanQ.pl SRR504517_1.fastq

功能: 把fastq格式的原始reads统计每条reads的平均Q值,并画出Q值1到50各有多少条reads的分布图

[perl] while (<>){

next unless $.%4==0;

chomp;

s/\r//g;

@F=split//;

$mean=0;

$sum=0;

foreach (@F){

$num=ord($_);

$num-=33;

$sum+=$num;

}

$mean=int($sum/@F);

$hash{$mean}++;

}

print "$_ \t$hash{$_}\n" foreach sort {$a<=>$b} keys %hash; [/perl]

统计结果如下

程序名-fastq2fivenum.pl

使用命令:perl fastq2fivenum.pl SRR504517_1.fastq

功能: 把fastq格式的每条原始reads的第四行ascii码质量值,转换为Q值,并对每一个位点统计所以reads的四分位数,加上平均数。

[perl] use List::Util qw/max min sum maxstr minstr shuffle/;

while (<>){

next unless $.%4==0;

chomp;

s/\r//g;

@F=split//;

foreach (0..@F-1){

$num=ord($F[$_]);

$num-=33;

$tmp[$_]->{$num}++;

}

}

print "num\tmean\tmin\tq25\tq50\tq75\tmax\n";

$i=0;

foreach $hash (@tmp){

$sum_reads=sum values %{$hash};

$num_q25=int($sum_reads/4);

$num_q50=int($sum_reads/2);

$num_q75=int(3*$sum_reads/4);

$sum_Q=0;

$sum_value=0;

foreach (sort {$a<=>$b} keys %{$hash}){

#print "$_ \t$hash->{$_}——"

$sum_Q+=$_ * $hash->{$_};

$q25_before=($sum_value<$num_q25);

$q50_before=($sum_value<$num_q50);

$q75_before=($sum_value<$num_q75);

$sum_value+=$hash->{$_};

$q25_last=($sum_value>$num_q25);

$q50_last=($sum_value>$num_q50);

$q75_last=($sum_value>$num_q75);

$q25=$_ if $q25_before && $q25_last;

$q50=$_ if $q50_before && $q50_last;

$q75=$_ if $q75_before && $q75_last;

}

$mean=$sum_Q/$sum_reads;

$min=min keys %{$hash};

$max=max keys %{$hash};

$i++;

print "$i\t$mean\t$min\t$q25\t$q50\t$q75\t$max\n";

} [/perl]

统计结果文件如下

最后一个,统计GC含量

程序名-fastq2meanGC.pl

使用命令:perl fastq2meanGC.pl SRR504517_1.fastq

功能: 把fastq格式的原始reads统计每条reads的平均Q值,并画出Q值1到50各有多少条reads的分布图

[perl]</pre> while (<>){

next unless $.%4==2;

chomp;

s/\r//g;

@F=split//;

$GC=0;

foreach (@F){

$GC++ if /G/;

$GC++ if /C/;

}

#print "$GC\n";

$GC=int(100*$GC/length);

$hash{$GC}++;

}

print "$_ \t$hash{$_}\n" foreach sort {$a<=>$b} keys %hash; <pre>[/perl]

结果如下所示

这个我将会在下一篇讲诉如何用R画图

仿写fastqc软件的一些功能(下)

文件来自于上面perl代码的输出文件,好像算法有点问题,26G的文件居然处理近一个小时才出数据!

R语言本身自带的画图工具都很丑,懒得说了,可以用ggplot2来重新画一个,不是项目要求没有报酬我就懒得画了,大家面前看看画图原理即可。

a=read.table(“meanQ.txt”)

看看数据结构如下

> head(a)

V1 V2

1 2 93879

2 3 17800

3 4 25295

4 5 33259

5 6 55685

6 7 84866

plot(a,type=’l’,col=’red’,ylab=’reads number’,xlab=’mean quality’,main=’mean Q distribution’)

可以看出绝大部分的reads的Q值都在30-35直接,也就是说本次测序挺符合要求的,但是还是需要对那些平均Q20以下的reads过滤掉。

a=read.table(‘meanGC.txt’)

看看数据结构如下

> head(a)

V1 V2

1 0 503

2 1 151

3 2 163

4 3 179

5 4 315

6 5 443

plot(a,type=’l’,col=’red’,ylab=’reads number’,xlab=’reads bp’,main=’GC% distribution’)

可以看出GC含量的分布看起来挺符合正态分布的,大部分reads的GC含量都是在40%-60%直接

a=read.table(‘fivenum.txt’,header=T)

看看数据结构如下

boxplot(t(a[,3:7]),xlab=’reads bp’,ylab=’Q value’,main=’mean Q boxplot’)

可以看出测序质量从1-100bp过去质量越来越差,但是大部分都是高于Q30,但是88bp之后的碱基测序质量不咋地,可能需要trim掉

对于这个数据还可以画一个图

plot(a[,1:2],type=’l’,col=’red’,ylab=’Q value’,xlab=’reads bp’,main=’mean Q value distribution’)

可以看到88bp之后的平均Q值小于30,根据我们的阈值可能要把所有的reads的后面约10个bp的碱基要trim掉

原文发布于微信公众号 - 生信技能树(biotrainee)

原文发表时间:2017-01-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏吉浦迅科技

DAY24:阅读SIMT架构

1963
来自专栏Y大宽

RNA-seq(6): reads计数,合并矩阵并进行注释

小结 计数分为三个水平: gene-level, transcript-level, exon-usage-level 标准化方法: FPKM RPKM ...

2955
来自专栏calmound

网络流—最大流(Edmond-Karp算法)

 网络流看了两天,终于有了一点眉目,也拿模版A了道题目,通过对于模版代码的调试也真正了解了ek算法的用途了。  想好好写下总结都不让人顺心,写到一半网站死了,又...

4266
来自专栏我是攻城师

如何实现Solr自定义评分查询

3657
来自专栏祝威廉

MLSQL拥抱BigDL,轻轻松松无编码玩深度学习

原谅我,前半句是真的,后半句是噱头,但是真的很简化了。 MLSQL已经有一个相对来比较完善的Python Runtime,细节可以参看这篇文章,所以玩深度学习是...

1132
来自专栏机器之心

TensorFlow初学者指南:如何为机器学习项目创建合适的文件架构

选自MetaFlow 作者:Morgan 机器之心编译 参与:李亚洲、蒋思源 在这篇文章中,作者根据自己的经验为 TensorFlow 初学者给出了设计文件、文...

3746
来自专栏Crossin的编程教室

【每周一坑】缩小图片尺寸

之前我们的题目大多偏向解决数学问题,今天来一道偏应用的: 我们知道,通常来说一张图片的分辨率越高,它就越清晰,但文件占用的空间就越大。有时候我们并不需要那么高的...

2957
来自专栏生信技能树

使用sequenza软件判定肿瘤纯度

发表该软件的文章当时使用了10 个 ovarian serous carcinomas (OVCA) 和 20 个clear-cell renal cell c...

2213
来自专栏华章科技

利用R语言制作出漂亮的交互数据可视化

利用R语言也可以制作出漂亮的交互数据可视化,下面和大家分享一些常用的交互可视化的R包。

1601
来自专栏逍遥剑客的游戏开发

Havok使用笔记

1473

扫码关注云+社区