Gossie的博客

样本：ChengShuaiShuai 早熟转录组 72个Ref: UTX_TM1_2.11. 质控fastqc *multiqc *trimmomatic_run.sh #去掉前9个碱基2. 比对gffread annotation.gff3 -T -o annotation.gtfhisat2_extract_splice_sites.py .UTX.gtf >UTX.gene.sshisat2_extract_exons.py UTX.gene.gtf >UTX.ge

GATK推荐的最好的过滤方式是用 VQSR功能，它通过机器学习算法来判断SNP的优劣，因此至少需要两个已存在的 SNP 数据集，一个是经过验证的高质量 SNP 数据集作为真集（如 HapMap），还需要一个质量不是特别高，允许存在小部分假阳性的数据集做训练集（如，1000G）。这些数据集在人类研究中很容易找到，但是在植物中比较困难，因此本流程用硬过滤（hard-filtering）的方法进行变异过滤。提取SNP和INDELSNP 和 INDEL 的过滤参数有所不同，因此分开过滤。#vcf索引nohu

1. Genomics Database对于群体数据来说，多样本同时时行 SNP Calling 的准确度要优于单个样本的 SNP Calling.GATK3 的多样本 SNP Calling 功能是 CombineGVCFs，GATK4 新出了 GenomicsDBImport功能，官网建议它适合1000个样本以上的 SNP Calling，但是它的另一个优点是可扩展性，即随时可以向 database 里添加新的材料，以扩大群体数量，而不用对旧的数据再从头操作一次。Tips：GenomicsDBIm

1. 创建基因组索引bwa index genome.fa2. 查看read group信息，按read group分组, 比对、合并，生成gvcf由于数据太多，无法存储过多的中间文件，因此写了一个脚本，边运行边删除中间文件，过程包括：解压，按read group分组。（RG（read group） 信息非常重要，GATK需要通过RG来判断碱基测序质量。我的一个样品的测序数据可能会来自不同的Cell，不同的lane、flowcell，甚至不同的机器，这在重测序中比较常见。因此，我将一个fastq

1. 查看原始reads质量fastqc -t 40 *multiqc ./ -o /testfastqc 软件用于查看每个fastq文件的质量，multiqc软件可以收集fastqc的结果，在大数据量的时候便于查看/test为fastqc的结果文件夹。2.低质量reads处理#用trimmomatic对进行测序数据质量控制#需要一个包含样本名称的单列文件#线程t=8# 模式PE（双端）或者SE（单端）mode='PE'#以下参数适情况修改、添加。#ILLUMINACLIP模式