Linux信创的含义,学生信的那些事儿之十三 - 生信技能树Linux练习20题

1. 在任意文件夹下面创建形如 1/2/3/4/5/6/7/8/9 格式的文件夹系列。

# 在自己的目录下创建一个专门用于做练习的文件夹先

cd /trainee/Jude

mkdir pracitce

cd practice

mkdir -p 1/2/3/4/5/6/7/8/9

2. 在创建好的文件夹下面，比如我的是 /Users/jimmy/tmp/1/2/3/4/5/6/7/8/9 ，里面创建文本文件 me.txt。

# 需要明确去什么地方，做什么

cd 1/2/3/4/5/6/7/8/9

touch me.txt

3. 在文本文件 me.txt里面输入如下内容:

Go to: http://www.biotrainee.com/

I love bioinfomatics.

And you ?

# 编辑文本内容用vim

vim me.txt

i

Go to: http://www.biotrainee.com/

I love bioinfomatics.

And you ?

esc

:wq

4. 删除上面创建的文件夹1/2/3/4/5/6/7/8/9 及文本文件me.txt.

# 强制删除目录

cd /trainee/Jude/practice

rm -rf 1

5. 在任意文件夹下面创建 folder1~5这5个文件夹，然后每个文件夹下面继续创建 folder1~5这5个文件夹。

# 我的方法(开始以为简单，后来发现很naive)

mkdir folder{1..5} #第一步创建5个文件夹

vim script #第二步写脚本

i

#!/bin/bash

for folder in folder1 folder2 folder3 folder4 folder5

do cd $folder; mkdir folder{1..5}; cd ..

done

esc

:wq

./script #第三部运行脚本，创建套娃文件夹

# 其他同学的方法，主要在第二步

mkdir -p folder{1..5}/folder{1..5}

6. 在第五题创建的每一个文件夹下面都创建第二题文本文件 me.txt ，内容也要一样.

# 开始是不会的，看了别人的答案，需要用到 xargs

touch me.text

echo folder{1..5}/folder{1..5} | xargs -n 1 cp -v me.txt

注释：

xargs：并不是所有命令都可以把管道符前面的输出作为输入，xargs就可以实现这个转换，建议参考：xargs命令详解

-n：表示每次传递给后面命令几个参数，后面跟数字“1”表示传递1个参数

7. 再次删除掉前面几个步骤建立的文件夹及文件.

rm -rf folder*

wget http://www.biotrainee.com/jmzeng/igv/test.bed

cat -n test.bed | grep H3K4me3

cat -n test.bed | wc

wget http://www.biotrainee.com/jmzeng/rmDuplicate.zip

unzip rmDuplicate.zip

cd rmDuplicate/

tree -d

打开第九题解压的文件，进入 rmDuplicate/samtools/single 文件夹里面，查看后缀为.sam的文件，搞清楚 生物信息学里面的SAM/BAM 定义是什么。

cd rmDuplicate/samtools/single

less -S -N tmp.sam

注释*：

SAM文件：是sequence alignment/map format的缩写，记录序列比对信息的文件，分为标头注释部分和序列比对部分，其中序列比对部分至少11列。

BAM文件是SAM文件的二进制格式，可用samtools view命令查看，格式转化便于储存更多的数据。

11. 安装 samtools软件

# 如果已经安装了conda，很简单

conda install samtools

# 如果单独安装

wget -c https://github.com/samtools/samtools/releases/download/1.9/samtools-1.9.tar.bz2

tar -jxvf samtools-1.9.tar.bz2

cd samtools-1.9/

./configure --prefix=/trainee/Jude/practice/samtools-1.9

make

make install

echo 'export PATH="/trainee/Jude/practice/samtools-1.9:$PATH"'>>~/.bahsrc

source ~/.bashrc

12. 打开后缀为BAM的文件，找到产生该文件的命令。

# 打开BAM文件

samtools view tmp.sorted.bam | less -SN

# 产生bam文件的命令一般都在头部注释信息中,不过是在头部信息的最后一行，所以用tail命令

which samtools

/usr/bin/samtools view -H tmp.sorted.bam | tail

# 经过上面的操作可知生成BAM文件的命令如下:

/home/jianmingzeng/biosoft/bowtie/bowtie2-2.2.9/bowtie2-align-s --wrapper basic-0 -p 20 -x /home/jianmingzeng/reference/index/bowtie/hg38 -S /home/jianmingzeng/data/public/allMouse/alignment/WT_rep2_Input.sam -U /tmp/41440.unp

13. 根据上面的命令，找到我使用的参考基因组 /home/jianmingzeng/reference/index/bowtie/hg38 具体有多少条染色体。

# 方法一：通过看BAM文件标头信息确认染色体数量，筛选时用到正则表达式

samtools view -H tmp.rmdup.bam | grep -o -E "SN:chr[0-9]+|SN:chr[a-zA-Z]"| sort | uniq -c | wc -l

# 方法二：直接找打hg38.fa文件查看染色体数量(hg38.fa需要绝对路径)

less -S hg38.fa | grep ">chr" | cut -d "_" -f 1 | sort | uniq -c | wc -l

14. 上面的后缀为BAM 的文件的第二列，只有0和16 两个数字，用 cut/sort/uniq等命令统计它们的个数。

# 方法一(复杂)

samtools view tmp.sorted.bam | less -SN | cut -f 2 | grep 0 | wc

samtools view tmp.sorted.bam | less -SN | cut -f 2 | grep 16 | wc

# 方法二(简单)

samtools view tmp.sorted.bam | less -SN | cut -f 2 | sort | uniq -c

15. 重新打开rmDuplicate/samtools/paired文件夹下面的后缀为BAM的文件，再次查看第二列，并且统计。

cd /trainee/Jude/practice/rmDuplicate/samtools/paired

samtools view tmp.sorted.bam | less -SN | cut -f 2 | sort | uniq -c

wget -c http://www.biotrainee.com/jmzeng/sickle/sickle-results.zip

unzip sickle-results.zip

cd sickle-results/

tree

17. 解压 sickle-results/single_tmp_fastqc.zip文件，并且进入解压后的文件夹，找到fastqc_data.txt 文件，并且搜索该文本文件以 >>开头的有多少行？

cd sickle-results

unzip single_tmp_fastqc.zip

cd single_tmp_fastqc/

less -SN fastqc_data.txt | grep \>\> | wc

18. 下载 http://www.biotrainee.com/jmzeng/tmp/hg38.tss 文件，去NCBI找到TP53/BRCA1等自己感兴趣的基因对应的 refseq数据库 ID，然后找到它们在hg38.tss 文件的哪一行。

# 涉及到refseq数据库中对应基因的ID查找

wget http://www.biotrainee.com/jmzeng/tmp/hg38.tss

less -SN hg38.tss | grep -n NM_001126115

less -SN hg38.tss | grep -n NM_007294

19. 解析hg38.tss 文件，统计每条染色体的基因个数。

# 某染色体有多少个重复就对应着多少个基因

less hg38.tss | awk '{print$2}' | cut -c 1-5 | sort |uniq -c

# 或者

less hg38.tss | cut -f 2 | cut -c 1-5 | sort |uniq -c

注释：

.tss 文件记录基因坐标，第一列是基因的Refseq ID，第二列是染色体号，第三列是基因起始坐标，第四列是基因终止坐标。

20. 解析hg38.tss 文件，统计NM和NR开头的数量，了解NM和NR开头的含义。

less -SN hg38.tss | grep NM | wc

less -SN hg38.tss | grep NR | wc

注释*：

NM含义：表示标准序列(转录产物序列，成熟mRNA转录本序列)

NR含义：非编码蛋白的mRNA序列

参考文章