观察数据
数据修剪后的结果
可以看到,公司修剪后的结果均带有一个CGCCAGGCCC,而相应的,其后大多数带有“TTT”,这符合公司统计的插入位点碱基的统计结果,下图。因此,公司给出的结果是barcode+trimmed seq序列。
再看一下原始数据,找一下删除了那些序列
可以看见,修剪了CGCCAGGCCC之前的序列,同时修剪了所有不含CGCCAGGCCC的序列。在包含了CGCCAGGCCC的序列中,还修剪了3’端的序列,我们将这些序列比对一下,结果如下
可见这部分修剪掉的序列可能也是接头序列,被修剪掉了,而在我的之前的自主分析中,这部分序列被保留了,在BWT的比对算法中,如果匹配到正链中,这部分序列并不影响比对的起始位置,如果是匹配到负链,这部分序列会使其丢失匹配,这也是为什么我的数据中比对到负链的结果重复性很差的原因。
合并
由于这三个数据是重复测序数据,最终统计的插入位点是这三个数据的总和,所以直接将三个数据使用cat工具进行合并。
cat replicate1.trimmed.fq replicate2.trimmed.fq replicate3.trimmed.fq > merged.trimmed.fq
质控
由于公司给的数据中仍存在部分接头序列“CGCCAGGCCC”,这部分需要去除,否则会影响后续的比对结果
我们使用cutadapt对数据进行修剪
conda activate cutadapt
cutadapt -g CGCCAGGCCC -o merged.trimmed.QC.fq merged.trimmed.fq
运行日志
比对
使用bwa软件对将数据比对到人的参考基因组中。
bwa mem -t 32 ../../human.ref.bwaindex/GCF_000001405.40_GRCh38.p14_genomic.fna merged.trimmed.QC.fq > merged.trimmed.QC.align.sam &
比对结果的预处理
去除表头
awk '!/@SQ/' merged.trimmed.QC.align.sam > merged.trimmed.QC.align.1.sam
提取文件的前六列
awk '{print $1, $2, $3, $4, $5, $6}' merged.trimmed.QC.align.1.sam > merged.trimmed.QC.align.2.sam
去除没有比对上的序列
awk '$4 != 0' merged.trimmed.QC.align.2.sam > merged.trimmed.QC.align.3.sam
所有结果
最后,使用excel对MAP上的位置进行统计即可。