首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >第二次RNA-seq实战总结(2)-数据下载并进行数据处理

第二次RNA-seq实战总结(2)-数据下载并进行数据处理

作者头像
戈贝尔光和热
发布2018-12-27 15:17:03
1.1K0
发布2018-12-27 15:17:03
举报
文章被收录于专栏:HUBU生信HUBU生信

原始数据来源于这篇文章https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE50177 这篇文章的数据适中,不仅可以用来做RNA-seq,后面我们还可以用来做CHIP-seq 1.用Aspera下载原始数据并存放到Sra文件夹里面

~/.aspera/connect/bin/ascp -T -i /home/qiujunhui/.aspera/connect/etc/asperaweb_id_dsa.openssh -k 1 -l 200m 
anonftp@ftp-private.ncbi.nlm.nih.gov:/sra/sra-instant/reads/ByRun/sra/SRR/SRR957/SRR957677/SRR957677.sra ./
~/.aspera/connect/bin/ascp -T -i /home/qiujunhui/.aspera/connect/etc/asperaweb_id_dsa.openssh -k 1 -l 200m 
anonftp@ftp-private.ncbi.nlm.nih.gov:/sra/sra-instant/reads/ByRun/sra/SRR/SRR957/SRR957678/SRR957678.sra ./
~/.aspera/connect/bin/ascp -T -i /home/qiujunhui/.aspera/connect/etc/asperaweb_id_dsa.openssh -k 1 -l 200m 
anonftp@ftp-private.ncbi.nlm.nih.gov:/sra/sra-instant/reads/ByRun/sra/SRR/SRR957/SRR957679/SRR957679.sra ./
~/.aspera/connect/bin/ascp -T -i /home/qiujunhui/.aspera/connect/etc/asperaweb_id_dsa.openssh -k 1 -l 200m 
anonftp@ftp-private.ncbi.nlm.nih.gov:/sra/sra-instant/reads/ByRun/sra/SRR/SRR957/SRR957680/SRR957680.sra ./

如果下载出现防火墙问题,则需要手动打开端口33001

iptables -I INPUT -p udp --dport 33001 -j ACCEPT
iptables -I OUTPUT -p udp --dport 33001 -j ACCEPT

2.下载hisat2索引文件 用hisat2进行比对,我们需要建立索引文件,这里我们的索引文件是人类基因组hg19的索引文件,可以去官网下载

wget ftp://ftp.ccb.jhu.edu/pub/infphilo/hisat2/data/hg19.tar.gz
mkdir hg19
mv hg19.tar.gz hg19
tar -zvxf hg19.tar.gz #将索引文件解压存放在hg19文件夹里面

3.下载人类基因组注释文件 在用htseq-count计算基因表达量的时候,我们需要用到参考基因组的注释文件,可以在gencode数据库下载

wget ftp://ftp.ebi.ac.uk/pub/databases/gencode/Gencode_human/release_29/GRCh37_mapping/gencode.v29lift37.annotation.gtf.gz
mv GRCh37_mapping/gencode.v29lift37.annotation.gtf.gz hg19
tar -zvxf GRCh37_mapping/gencode.v29lift37.annotation.gtf.gz #将基因组注释文件保存至hg19文件夹并解压

4.用脚本实现批量解压>比对>计算基因表达量一体化 为了简化操作我自己写了个脚本

#!/bin/bash
#把sra文件都存放在Sra文件夹里面
#参考基因组和注释文件都在hg19文件夹里面
#qiujunhui 1801963472@qq.com
mkdir Fastq_out #创建一个存放SRA-toolkit解压sra文件的输出文件夹
mkdir Sam_out #创建一个存放用hisat2比对的输出文件夹
mkdir Sorted.bam #创建一个存放用samtools将sam文件排序的生成的bam文件的文件夹
mkdir Counts  #创建一个存放用HTseq-count计算基因表达量的输出文件夹
#批量解压文件
for i in ~/Sra/*sra
do
        echo $i
        #判断sra文件时单端测序还是双末端测序
        num=$(fastq-dump -X 1 --split-spot -Z $i | wc -l | grep [0-9])
        if [ $num -eq 4 ];then
                echo "$i是单端测序"
                fastq-dump $i
                mv ~/Sra/*fastq ~/Fastq_out
                #用hisat2进行比对
                for x in ~/Fastq_out/*fastq
                do
                        echo $x
                        a=$(echo $x | cut -d "." -f1)

                       hisat2 -p 5 -x ~/hg19/genome -U $x -S $a.sam
                        mv ~/Fastq_out/*sam ~/Sam_out
                done
        else
                echo "$i是双端测序!"
                fastq-dump --split-files $i
                mkdir 1Fastq_out
                mkdir 2Fastq_out
                mv ~/Sra/*_1.fastq ~/1Fastq_out
                mv ~/Sra/*_2.fastq ~/2Fastq.out
                #用hisat2进行比对
                for j in ~/1Fastq_out/*_1.fastq
                do
                        for h in ~/2Fastq_out/*_2.fastq
                        do
                                b=$(echo $j | cut -d "_" -f1)
                                c=$(echo $h | cut -d "_" -f1)
                                if [ $b = $c ];then
                                        hisat2 -p 5 -x ~/hg19/genome -U -1 $j -2 $h -S $b.sam
                                mv ~/2Fastq_out/*.sam ~/Sam_out
                                fi
                        done
                done
        fi
done
#用samtools进行排序
for y in ~/Sam_out/*sam
do
        echo $y
        d=$(echo $y | cut -d "." -f1)
        samtools sort -n -@ 5 -o $d.bam $y
        mv ~/Sam_out/*bam ~/Sorted.bam
done
#用HTseq-count进行基因表达量计算
for z in ~/Sorted.bam/*bam
do
        echo $z
        e=$(echo $z | cut -d "." -f1)
        htseq-count -f bam -r name -s no -a 10 -t exon -i gene_id -m intersection-nonempty $z ~/hg19/gencode.v29lift37.annotation.gtf>$ecounts.txt
        mv ~/Sorted_bam/*.txt ~/Counts
done
#把不要的文件夹删除只留下counts文件夹
rm -rf ~/Sra
rm -rf ~/Fastq_out
rm -rf ~/1Fastq_out
rm -rf ~/2Fastq_out
rm -rf ~/Sam_out
rm -rf ~/Sorted.bam

计算出来的基因表达量存放在Counts文件夹里面 我们利用虚拟机和电脑的交互软件将文件保存到桌面,便于下一步用DESeq2进行基因表达差异分析

全文结束,欢迎在评论区讨论~

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018-11-04 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档