(12)一些QC软件教程-生信菜鸟团博客2周年精选文章集

包括下面几个软件的用法,是我刚入门写的了,感兴趣的去我博客搜索看看,意义不大,我就复制粘贴那些内容了,我讲一点别的:

solexaQA 对测序数据进行简单过滤 RSeQC对 RNA-seq数据质控 NGS QC Toolkit 对测序reads进行简单过滤 fastqc对原始测序reads质控

但是QC的重要性!!!

如果没有充分理解你需要分析的数据,就贸然跑一大堆的软件,选择各种参数,这样意义不大!测序仪综述,了解测序原理。 我会在我的博客里面持续更贴把QC给整理清楚: 用sickle软件来对双端测序数据过滤低质量reads 用cutadapt软件来对双端测序数据去除接头 fastq定义; 要了解fastq格式:http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2847217/ https://en.wikipedia.org/wiki/FASTQ_format 如何做QC,为什么要QC,Quality trimming? Adapter removal? Contaminant filtering? NGS QC Toolkit:http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0030619 fastx_toolkit : http://hannonlab.cshl.edu/fastx_toolkit/commandline.html fastqc : SolexaQA/HTQC/http://bioinformatics-core-shared-training.github.io/cruk-bioinf-sschool/Day1/fastqc_sweave.pdf 需要用到的工具: http://hannonlab.cshl.edu/fastx_toolkit/commandline.html fastQC cutadapt 如果测序质量不合格,则需要: fastq_quality_filter -v -Q 64 -q 20 -p 75 -i sample.fastq -o sample_filtered.fastq 如果都是reads的前6个bp碱基有问题,则需要 fastx_trimmer -v -f 7 -l 36 -i sample_filtered.fastq -o sample_filtered_and_trimmed.fastq 如果混入了大量的接头,则需要! cutadapt -m 20 -e 0.1 -a GATCGGAAGAGCACACGTCTGAACTCCAGTCACACA sample2.fastq \ -o sample2--cutadapt.fastq 需要自己去查自己的接头是什么序列:https://github.com/csf-ngs/fastq ... ontaminant_list.txt 质控可视化: (A) Average quality score for each base position, (B) GC content distribution, (C) Average Phred quality score distribution, (D) Base composition and (E) read length distribution for both input (red) and HQ filtered (green) data. (F) Percentage of reads with different quality score ranges at each base position. 如果是特殊测序,质控需要加一些步骤 WES: RNA-seq: RSeQC或者RNA-SeQC,甚至还有质量控制联盟:Sequencing Quality Control Consortium http://bioinformatics.oxfordjournals.org/content/28/16/2184.short http://bioinformatics.oxfordjournals.org/content/28/11/1530.short http://www.nature.com/nbt/journal/v32/n9/abs/nbt.2957.html (http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE47792 值得研究) ChIP–seq: QC可以更复杂:raw data, alignment and variant calling /http://www.sciencedirect.com/science/article/pii/S0888754314000354 其它平台:PacBio http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3811116/ MinION nanopore sequencing :http://www.nature.com/articles/srep11996 http://www.nature.com/nbt/journal/v33/n3/abs/nbt.3103.html

如果是去除adapter,现在的软件非常多~最经典的就是Cutadapt,利用了 Semi-global sequence alignment can be performed using the Smith-Waterman algorithm [2] with minor revisions of the boundary condition as implemented in Cutadapt[3],一般我们打断的序列都是大于两倍的测序长度的,不管是pe150,还是PE250,都不会测到接头,但是打断毕竟是随机的,所以一些太小的片段,还是会测到接头的, 所以需要去除,尤其是microRNA,它的长度是20-24bp ( microRNA-MicroRNA(miRNA)是一类内生的、长度约20-24个核苷酸的小RNA,是发夹结构的约70-90个碱基大小的单链RNA前体经过Dicer酶加工后生成。),测序时候的长度肯定是大于这个长度的 所以肯定会测到3'端的adapter,如果测不到说明这个reads不是microRNA或者是受污染的. 还有很多其它工具 Fastx_clipper in the FastX-Toolkit (http://hannonlab.cshl.edu/fastx_toolkit/), SeqTrim (https://github.com/dariogf/SeqtrimNext) [7], TagCleaner[8], EA-Tools (http://code.google.com/p/ea-utils/). SeqPrep (https://github.com/jstjohn/SeqPrep) which focuses on paired-end (PE) reads; Flexbar[9], a flexible barcode demultiplexer that uses the Needleman-Wunsch algorithm [10] for pair-wise global sequence alignments, which has the same time complexity as that of Smith-Waterman algorithm; Trimmomatic (http://www.usadellab.org/cms/index.php?page=trimmomatic), which is a part of an integrated tool RobiNA[11]; Scythe (https://github.com/vsbuffalo/scythe), which uses a Naive Bayesian approach to classify contaminants in reads; TrimGalore (http://www.bioinformatics.babraham.ac.uk/projects/trim_galore/), which internally invokes Cutadapt with an extension to handle PE reads; AdapterRemoval[12], which is carefully tuned for trimming adapters from both single-end (SE) or PE reads; AlienTrimmer[13], which is based on k-mer decomposition for contaminant detection; and NextClip[14], which is dedicated to trimming adapters within Nextera LMP reads. 2014年出了一个skewer:http://bmcbioinformatics.biomedc ... 86/1471-2105-15-182

一.下载该软件

http://solexaqa.sourceforge.net/index.htm

下载解压开

现在已经把它的三个功能整合到一起啦

之前是分开的程序,我主要用它的两个perl 程序,我比较喜欢之前的版本,所以下面的讲解也是基于这两个perl程序。

这两

个主要是对reads进行最大子串的截取

二.准备数据。

就是我们测序得到的原始数据。

第一个就是质量控制,一般是以20为标准,当然你也可以自己设定,该软件质控的原理如下:

使用默认的参数值(defaults to P = 0.05, or equivalently, Q = 13)

基本上就是取符合阈值的最大子串。

二:命令使用很简单一般使用DynamicTrim与LengthSort.pl就可以了

for id in *fastq

do

echo $id

perl DynamicTrim.pl -454 $id

done

for id in *trimmed

do

echo $id

perl LengthSort.pl $id

done

首先使用DynamicTrim.pl程序,非常耗时间

几个小时完毕之后

查看,产出文件如下

可以看到丢弃的不多,也就三五百M的

简单查看丢弃的,都是短的。

perl -lne ‘{print length if $.%4==2}’ SRR1793918.fastq.trimmed.discard |head

用这个脚本查看,可知好像都是短于25个碱基的被舍弃掉了,这个参数可以调整的。

接下来就可以用这些数据进行数据分析了

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

来自专栏工科狗和生物喵

C++初入门,写个弱智银行卡系统

写在前面: 自从课程设计之后,我们就开始了生产实习,我们老师找的是河南卫华集团的技术部实习,经过一阵子的不适应(比如说河南这边的基本没味道的伙食,我们现在两个人...

45811
来自专栏黑白安全

高清无码!比鬼片还刺激!且听“诡娃”远控的这首惊魂曲

近日,360云安全系统发现一款名为“诡娃”的远控木马,正通过钓鱼软件、网页挂马等多渠道扩散。“诡娃”除了能进行操控中招电脑等行为外,还会通过控制指令让中招机器弹...

912
来自专栏生信技能树

GEO数据挖掘-第一期-胶质母细胞瘤(GBM)

lncRNAs PVT1 and HAR1A are prognosis biomarkers and indicate therapy outcome for...

2695
来自专栏数据小魔方

使用Python中的folium包创建热力密度图

最近探索出来一个在Python中创建热力图非常高效的方法,使用folium包来创建热力图,实际效果非常赞,过程简单,代码量少。

3152
来自专栏落影的专栏

Audio Unit录音(播放伴奏+耳返)

前言 相关文章: 使用VideoToolbox硬编码H.264 使用VideoToolbox硬解码H.264 使用AudioToolbox编码AAC 使...

4236
来自专栏Jerry的SAP技术分享

我用ABAP做过的那些无聊的事情

Jerry的成都同事李贝宁(Li Ben), 《SAP成都研究院李三郎:SCP Application Router简介》的作者,有一次11月份的时候和Jerr...

1392
来自专栏Golang语言社区

Oculus + Node.js + Three.js 打造VR世界

Oculus Rift 是一款为电子游戏设计的头戴式显示器。这是一款虚拟现实设备。这款设备很可能改变未来人们游戏的方式。 周五Hackday Showcase的...

4768
来自专栏大数据挖掘DT机器学习

Python爬取链家网数据:新房楼盘价格分析

本文将详细讲解利用python爬虫收集了链家网800多条公开数据并作简单分析。数据真实性有待考查,本文仅作为数据分析入门者参考。 安装环境 Window 10 ...

4045
来自专栏木子昭的博客

Django网页模板的继承include与复用extends

Django使用网页模板的方式分为两种, 一是建立代码块, 在新的页面导入代码块, 关键词为include 二是建立模板,新的页面在模板基础上扩充, 关键词为e...

1431
来自专栏生信宝典

生物信息学数据库分类概览 (第一版)

生物与计算机的结合让生物进入大数据时代,为方便管理各种生物数据,科学家们开发了各式各样的生物数据库。了解与自己研究领域相关的数据库,并加以利用可能会使研究工作得...

2673

扫码关注云+社区