linux结构生物学,homework——生物技能树Linux练习题解答

一到十二题由于比较简单，所以我直接给出了命令和输出。十二题后详述了解决方法和做题思路。这次做题后对grep、cut 、awk、wc等命令印象更加深刻，学到很多知识。但是学生初来乍到，有错误在所难免，还请老师们纠正。

以下是我完成得作业：

一、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。

1.png

2.png

二、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

三、在文本文件 me.txt 里面输入内容:

3.png

四、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

五、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，效果如下

5.png

6.png

六、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!

7.png

8.png

七，再次删除掉前面几个步骤建立的文件夹及文件

9.png

10.png

11.png

解压：unzip

12.png

13.png

14.png

15.png

十、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。

16.png

17.png

十一、安装 samtools 软件:

安装软件conda install samtools

18.png

十二、打开 后缀为BAM 的文件，找到产生该文件的命令。

19.png

十三题、根据上面的命令，找到我使用的参考基因组具体有多少条染色体

grep 'chr[1-9,X,Y]' /teach/database/genome/hg38.fa ： 查看hg38文件中染色体列

cut -f1|sort|uniq|wc -l：提取染色体列并进行计数

grep 'chr[1-9,X,Y]' /teach/database/genome/hg38.fa |cut -f1|sort|uniq|wc -l

命令效果如下，这样就一次性达到了老师要求。我之前查看了其他同学的作业，需要输出好几个文本，挨个去查看和计数，因为我对于取文件的名字实在是头痛，就直接一次性输出统计数了。管道符大家一定要用起来，会起到事半功倍的效果。

20.png

十四题、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。

开始想直接用cut命令切出文本，结果一串乱码出来。bam文件是sam 文件的二进制格式，查看需要用到samtool view命令。用这个命令将需要的统计的文本打开，然后再用cut命令切出文本第二行，grep 命令查看指定字段，wc 统计行数，大功告成！

1,查看0的个数

samtools view tmp.rmdup.bam|cut -f 2 |grep '0'|wc -l

21.png

2，查看16的个数

samtools view tmp.rmdup.bam|cut -f 2 |grep '16'|wc -l

22.png

十五题、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

samtools view tmp.rmdup.bam|cut -f 2|sort|uniq -c

23.png

uniq 命令参数用法看这里：

https://www.runoob.com/linux/linux-comm-uniq.html

注：当重复的行并不相邻时，uniq 命令是不起作用的，即若文件内容为以下时，uniq 命令不起作用，这就是为什么先用sort的原因。

24.png

2，解压

25.png

3，tree 命令查看文件夹整体结构

26.png

十七题、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？

27.png

28.png

十八题、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，然后找到它们的hg38.tss 文件的哪一行。

1，登录ncbi,选择gene,找到下图部分，可以看到每个剪切变体前的以NM开头的为id号。

29.png

2，可以用grep，或者cut 命令查看：

30.png

十九题、解析hg38.tss 文件，统计每条染色体的基因个数。

tss 文件内容如下：

31.png

处理思路和第十三题有些相似：可以由上观察到，每个染色体号名字后面有多个基因，有的不同基因对应着相同的染色体号。所以可以先把此文件第2列提取出来，然后用sort和uniq命令对其进行归类和统计。对文本中指定内容进行提取可以用cut，或者awk，故本题解决方法可以有两种：

1，使用cut

cut -f2 hg38.tss|sort|uniq -c|head -n10

输出结果如下：

32.png

2，使用awk

awk '{print $2}' hg38.tss |sort |uniq -c

33.png

二十题、解析hg38.tss 文件，统计NM和NR开头，了解NM和NR开头的含义。

1,按指定字段查看hg38.tss 文件

​

34.png

35.png

2，对NM和NR进行统计

用指定字符"_",对文本进行分割，提取文本NM和NR开头，再用|sort|uniq -c进行统计

cut -d "_" -f1 hg38.tss |head -n10

效果如下：

36.png

NM:mRNA mixed，转录组产物序列；成熟mRNA转录本序列

NR:RNA mixed，非编码的转录子序列，包括结构RNAs，假基因转子等