【转录组入门】5：序列比对

作业要求：

比对软件很多，首先大家去收集一下，因为我们是带大家入门，请统一用hisat2，并且搞懂它的用法。
直接去hisat2的主页下载index文件即可，然后把fastq格式的reads比对上去得到sam文件。
接着用samtools把它转为bam文件，并且排序(注意N和P两种排序区别)索引好，载入IGV，再截图几个基因看看！
顺便对bam文件进行简单QC，参考直播我的基因组系列。

 

 

【1】选择比对工具

Hisat2 或 STAR（本次选择Hisat2）

 

【2】下载hisat2的index文件（就是参考基因组）

1、进入hisat2官网，主页面右侧中间位置，

右击“H.sapiens,UCSC hg19”下面的genome，“复制链接地址”

2、Ubuntu终端命令行下载

# 切换到下载目录
$ cd ~/src
$ wget  ftp://ftp.ccb.jhu.edu/pub/infphilo/hisat2/data/hg19.tar.gz

# 解压下载后的文件
$ tar -zxvf hg19.tar.gz

补充：

（1）可以在Windows系统中用迅雷下载，这样下载比较快

（2）若没有现成的index，可以通过HISAT2的方法创建

# 其实hisat2-buld在运行的时候也会自己寻找exons和splice_sites，但是先做的目的是为了提高运行效率
$ extract_exons.py gencode.v26lift37.annotation.sorted.gtf > hg19.exons.gtf &extract_splice_sites.py gencode.v26lift37.annotation.gtf > hg19.splice_sites.gtf &
# 建立index， 必须选项是基因组所在文件路径和输出的前缀
$ hisat2-build --ss hg19.splice_sites.gtf --exon hg19.exons.gtf genome/hg19/hg19.fa hg19

 

 【3】正式比对

# 编写批量比对的脚本  hisat2_align.sh
   for i in `seq 56 58`
   do
         hisat2 -t -x reference/index/hg19/genome -1 RNA-Seq/SRR35899${i}_1.fastq.gz -2 RNA-Seq/SRR35899${i}_2.fastq.gz  -S  RNA-Seq/aligned/SRR35899${i}.sam &
   done
# 运行脚本 hisat2_align.sh
$ bash  hisat2_align.sh

# hisat2用法
$ hisat2 [options]* -x <hisat2-idx> {-1 <m1> -2 <m2> | -U <r> | --sra-acc <SRA accession number>} [-S <hit>]
# -x index : 参考基因组
# 双端测序：hisat2 -x hisat2_index -1 m1 -2 m2 -S name.sam
# 单端测序：hisat2 -x hisat2_index -U r1 -S name.sam

比对结果解释：

1、全部数据都是100%的，6.37%的数据一次都没有比对，85.71%的数据是唯一比对，7.92%是多个比对。

2、然后6.37%的一次都没有比对的数据，如果不按照顺序来，有4.94%的比对。

3、之后把剩下的部分用单端数据进行比对的话，58.21%数据没比对上，34.94%的数据比对一次，6.86%比对超过一次。

4、零零总总的加起来是96.47%的比对！！

 

 【4】sam格式转换成bam格式

# 编写脚本
  for i in `seq 56 58`
  do
      samtools view -S SRR35899${i}.sam -b > SRR35899${i}.bam  #转换成bam文件
      samtools sort SRR35899${i}.bam -o SRR35899${i}_sorted.bam  #采用默认方式排序
      samtools index SRR35899${i}_sorted.bam  #生成索引
  done

 

【5】比对结果QC

QC软件有很多，这里我们使用RSeQC

• RSeQC——http://rseqc.sourceforge.net/

• Qualimap——http://qualimap.bioinfo.cipf.es/

• Picard——http://broadinstitute.github.io/picard/

使用RSeQC进行比对结果QC

 1、安装RSeQC

# RSeQC的安装，需要先安装gcc；numpy；R；Python2.7，这里比较难装的就是numpy——可以直接利用anaconda安装（http://www.jianshu.com/p/14fd4de54402）
# 我的环境已经配置好了，所以直接可以用pip命令安装
$ conda install RSeQC

# 进入存放bam文件的目录
$ cd 
# 对bam文件进行质控，其余都同样的进行
$ bam_stat.py  -i SRR3589956_sorted.bam

2、分析并查看结果

总read数是67327865，其中能够比对上的有49466502，所以mapped的比率是73.5%，符合人类的70%~90%的结果

 3、比对到基因组各种原件上的情况：   （基因组覆盖率的QC）

bed文件的下载：

hg19:https://sourceforge.net/projects/rseqc/files/BED/Human_Homo_sapiens/

mm10:https://sourceforge.net/projects/rseqc/files/BED/Mouse_Mus_musculus/

两个都选择RefSeq

bed文件还可以用gtf文件转换，网上也有很多写好的脚本可以用。

开始分析：

$ read_distribution.py -i RNA-Seq/aligned/SRR3589956_sorted.bam -r reference/hg19_RefSeq.bed

分析结果：

 

【6】IGV查看比对结果

载入参考基因组，基因组注释文件，很bam文件，看一些基因。

 

 

理论知识

RNA-Seq数据分析分为很多种：说找差异表达基因、寻找新的可变剪切……

【】找差异表达基因：单纯只需要确定不同的read计数就行的话，

可用工具：bowtie, bwa这类比对工具，或者是salmon这类align-free工具，并且后者的速度更快。

【】找到新的isoform，或者RNA的可变剪切，看看外显子使用差异的话

可用工具：TopHat, HISAT2或者是STAR这类工具用于找到剪切位点。

因为RNA-Seq不同于DNA-Seq，DNA在转录成mRNA的时候会把内含子部分去掉。所以mRNA反转的cDNA如果比对不到参考序列，会被分开，重新比对一次，判断中间是否有内含子。

文章：Gaining comprehensive biological insight into the transcriptome by performing a broad-spectrum RNA-seq analysis总结：

】二类错误（纳伪）：hisat2最少

】一类错误（弃真）：hisat2较高

】唯一比对：STAR最佳

】稳定性：STAR最佳

】速度：hisat2最快（HISAT2比STAR和TopHat2平均快上2.5~100倍）

 

序列比对实质：把reads和index进行比较

 

SAM（sequence alignment/mapping）数据格式

是一种序列比对格式标准， 由Sanger制定，是以TAB为分割符的文本格式。主要应用于测序序列mapping到基因组上的结果表示，当然也可以表示任意的多重比对结果

是目前高通量测序中存放比对数据的标准格式，当然他可以用于存放未比对的数据。

sam文件由：头文件和map结果组成

】头文件：由一行行以@起始的注释构成

】map结果：

每个read只占一行，只是它被tab分成了很多列，一共有12列，分别记录了：

1.read名称

2.SAM标记

3.chromosome号

4.5′端起始位置

5.MAPQ（mapping quality，描述比对的质量，数字越大，特异性越高）

6.CIGAR字串，记录插入，删除，错配以及splice junctions（后剪切拼接的接头）

7.mate名称，记录mate pair信息

8.mate的位置

9.模板的长度

10.read序列

11.read质量

12.程序用标记

 

处理SAM格式的工具主要是：SAMTools，SAMTools的主要功能如下：

    view: BAM-SAM/SAM-BAM 转换和提取部分比对

    sort: 比对排序

    merge: 聚合多个排序比对

    index: 索引排序比对

    faidx: 建立FASTA索引，提取部分序列

    tview: 文本格式查看序列

    pileup: 产生基于位置的结果和 consensus/indel calling

最常用功能：格式转换、排序、索引

# 格式转换

$ samtools  view  -b  test.sam  >  test.bam

# 排序

$ samtools  sort  test.bam  -o  test_sorted.bam      # 采用默认方式排序

$ samtools  sort  -n  test.bam  -o  test_sorted_n.bam     # 根据reads名排序

# 索引

$ samtools  index  test_sorted.bam

 

常用的比对质控软件有：

1.Picard https://broadinstitute.github.io/picard/

2.RSeQC http://rseqc.sourceforge.net/

3.Qualimap http://qualimap.bioinfo.cipf.es/

 

RNA-Seq数据分析分为很多种

找差异表达基因或寻找新的可变剪切……