题目目录
- 准备练习文件
- 1. 统计共多少条reads(pair-end reads这里算一条)参与了比对参考基因组
- 2. 统计共有多少种比对的类型(即第二列数值有多少种)及其分布。
- 3. 筛选出比对失败的reads,看看序列特征。
- 4. 比对失败的reads区分成单端失败和双端失败情况,并且拿到序列ID
- 5. 筛选出比对质量值大于30的情况(看第5列)
- 6. 筛选出比对成功,但是并不是完全匹配的序列(看第6列)
- 7. 筛选出inset size长度大于1250bp的 pair-end reads
- 8. 统计参考基因组上面各条染色体的成功比对reads数量(看第3列)
- 9. 筛选出原始fq序列里面有N的比对情况(看第10列)
- 10. 筛选出原始fq序列里面有N,但是比对的时候却是完全匹配的情况
- 11. sam文件里面的头文件行数
- 12. sam文件里每一行的tags个数一样吗
- 13. sam文件里每一行的tags个数分别是多少个
- 14. sam文件里记录的参考基因组染色体长度分别是?
- 15. 找到比对情况有insertion情况的
- 16. 找到比对情况有deletion情况的
- 17. 取出位于参考基因组某区域的比对记录,比如 5013到50130 区域(看第4列)
- 18. 把sam文件按照染色体以及起始坐标排序
- 19. 找到 102M3D11M 的比对情况,计算其reads片段长度。(看第10列)
- 20. 安装samtools软件后使用samtools软件的各个功能尝试把上述题目重新做一遍。
- 其它概念题
sam的全称是:sequence alignment/map format。bam是sam的二进制文件,sam文件包括标头注释部分和比对结果部分。
本文主要介绍如何使用Linux中的shell命令来处理这种文件。
视频教程:https://www.bilibili.com/video/BV1ds411g7eg?p=13
题目原文:http://www.bio-info-trainee.com/3578.html
格式说明:http://samtools.github.io/hts-specs/
准备练习文件
首先使用bowtie2软件自带的测试数据生成sam/bam文件,代码如下:
mkdir -p ~/biosoft
cd ~/biosoft
# 下载
wget https://sourceforge.net/projects/bowtie-bio/files/bowtie2/2.3.4.3/bowtie2-2.3.4.3-linux-x86_64.zip
# 解压
unzip bowtie2-2.3.4.3-linux-x86_64.zip
cd ~/biosoft/bowtie2-2.3.4.3-linux-x86_64/example/reads
# 生成sam文件
../../bowtie2 -x ../index/lambda_virus -1 reads_1.fq -2 reads_2.fq > tmp.sam
# 使用samtools将sam文件转成bam文件
# samtools view -bS tmp.sam >tmp.bam
tmp.sam文件内容:
1. 统计共多少条reads(pair-end reads这里算一条)参与了比对参考基因组
# 思路:去除开头前三行,利用第一列去重,再统计
cat tmp.sam | grep -v '^@' | cut -f 1 | uniq | wc -l
###
# 输出结果
10000
注:双端测序(Paired-end和Mate-pair),是对一个长的序列测得其两端的序列。两端的序列形成"一对",中间的距离叫插入长度(insert length)。
2. 统计共有多少种比对的类型(即第二列数值有多少种)及其分布。
# -n是按照数字大小排序,-r是以相反顺序,-k是指定需要排序的列数
cat tmp.sam | grep -v '^@' | cut -f 2 | sort | uniq -c | sort -nrk 1
###
# 输出结果
4650 83
4650 163
4516 99
4516 147
213 77
213 141
165 69
165 137
153 73
153 133
136 89
136 165
125 153
125 101
24 65
24 129
16 177
16 113
2 81
2 161
Decoding SAM flags:http://broadinstitute.github.io/picard/explain-flags.html
example:
3. 筛选出比对失败的reads,看看序列特征。
注:第六列为简要比对信息表达式,如果值为“*”则表示比对失败。
# 答案1
cat tmp.sam | grep -v '^@' | cut -f 6 | grep '*' | wc
# 答案2
cat tmp.sam | grep -v '^@' | awk '{if($6=="*") print}'| wc