写在前面,对正文没多大帮助,可以跳过:
更新一下ChIP-Seq数据分析的总结,前两天才发现我放在知乎上的ChIP-Seq数据分析方法还是我刚读研那会写的,写得比较详细但对很多操作的理解不如现在深,所以打算再发一篇。SE型是Single End的缩写,是指单端测序;PE是指Pair End双端测序,因为DNA是双链结构,所以我们捕获的DNA片段是一对反向互补序列,我们可以只测其中一条,也就是从一个方向,这样也能通过参考基因组知道捕获序列的位置,但如果片段较大的话,就只能知道片段一端的位置,另一端位置不清楚,这减少了一些信息,并且会使数据的可靠性降低,所以现在做测序一般都是采用双端测序,并且会选择测较长的片段,比如双端150bp,如果片段打得好,长度在300bp左右,那么测出来的一对reads正好有交集,这样互相印证reads的可靠性,同时得到了丰富的序列信息,那是不错的测序结果(我这里说的测序是二代测序,测序原理不理解的可以到网上查一下,我现在写这个的时候二代测序还是主流,可能用不了多久就会是三代了,到时候可能就不需要双端测,单端就能把DNA片段测通,或者双端测的长度能达到1kb以上)。
——————————————————————————————————————
1.数据处理。我们拿到测序结果后一般会先观察一下测序质量,然后对数据中异常或不必要的部分去除,比如测序接头,测空的NNN...片段等,就像做饭一样先得看食材的质量,然后清洗一下,去除不好的地方再开始做。
用到的软件:fastqc、multiqc、trim_galore、picard、samtools(安装方法路径网上很多);
fastqc *.fq
multiqc ./
不需要一个个的去输文件名,输入上面两句软件就能识别文件运行了。
因为测序的数据集一般不止一个,所以为了方便我写了循环脚本,把这些流程化的处理放在了一起:
#编写一个文本用于测序读取文件和命名对数据进行质检去重复等处理:
ls *R1_001.fastq > 0
ls *R2_001.fastq > 1
ls *R2_001.fastq|cut -d"_" -f 1 > 2
ls *R1_001.fastq|cut -d"." -f 1 > 3
ls *R2_001.fastq|cut -d"." -f 1 > 4
paste 0 1 2 3 4 > config.clean
打开文件看到的效果是这样的:
CK1_R1_001.fastq CK1-ChIP_R2_001.fastq CK1-ChIP CK1-ChIP_R1_001 CK1_R2_001
分别是:测序文件 测序文件 BAM文件名 trim-gloer处理后文件名 trim-gloer处理后文件名
#编写一个循环脚本,sh文件
cd “存放文件路径” #到工作目录下
module load "软件" #加载需要用的软件,有的