可变剪接分析流程（rMATS）

最新推荐文章于 2024-12-12 17:54:16 发布
最新推荐文章于 2024-12-12 17:54:16 发布
阅读量1.6w 收藏 102
点赞数 24
文章标签： 经验分享
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42910678/article/details/123587203
版权

组会上老师提了一嘴，测序的公司不做这个分析，但我觉得这应该用RNAseq数据就能做吧？最近刚好在搞RNAseq标准分析，顺便学个高级的。

文章目录

各种可变剪接软件

搜了一圈发现好几个软件，选了可视化最好看的miso，但是做到一半没做出来，最后用了和miso效果差不多的rmats。先贴上各个软件的主页：

SUPPA2，DEXSeq，SGSeq，LeafCutter ，SpliceGrapher ，MISO，rMATS + rmats2sashimiplot

SUPPA2

能够识别7总可变剪接事件：

  • 外显子跳跃（ES）
  • 3’端可变剪接（A3）
  • 5’端可变剪接（A5）
  • 第一外显子替换（AF）
  • 末尾外显子替换（AL）
  • 外显子互斥（ME）
  • 内含子保留（RI）
    在这里插入图片描述
    输出文件是这样的：
event_id  cluster_id  cond1_PSI_avg cond2_PSI_avg
ENSG00000004897;SE:chr17:45247408-45249283:45249430-45258928:-  1 0.967582617827  0.885135296685
ENSG00000004961;A5:chrX:11129580-11130139:11129543-11130139:+ 1 0.950872555163  0.720740016826
ENSG00000005189;A3:chr16:20824624-20826249:20824624-20826307:+  0 0.632147193342  0.332088364504
ENSG00000005189;A5:chr16:20818139-20818274:20818027-20818274:+  0 0.344510537149  0.161862745525
ENSG00000005189;SE:chr16:20851790-20855256:20855348-20855951:+  -1  0.853283401943  0.548674896371
ENSG00000005194;SE:chr16:57463192-57464170:57464251-57466399:-  -1  0.971516032983  0.829712829609

没有自带的可视化方法，只能通过查找差异大的结果用IGV可视化，这效果一言难尽😂
在这里插入图片描述
参考：
https://github.com/comprna/SUPPA
https://cloud.tencent.com/developer/article/1892323#3.8

DEXSeq

这个软件是以counts矩阵作为输入，并且要提供实验设计表，比较特别。可视化结果稍微好看点，但还是不太行
在这里插入图片描述
参考：
http://www.bio-info-trainee.com/bioconductor_China/software/DEXSeq.html

SGSeq

全局查看存在的可变剪接事件，并可视化：
在这里插入图片描述
挑选其中一个基因可视化其差异表达情况：
在这里插入图片描述
用bam和注释文件输入就可以，看着运行也不难，具体到基因的可视化效果不错！值得一试。
参考：
https://mp.weixin.qq.com/s?__biz=MzAxMDkxODM1Ng==&mid=2247485574&idx=1&sn=c9b36684206b52428d5d3bfcfddd765c&scene=21#wechat_redirect

LeafCutter

咋看一下，好像是挺麻烦的，而且看到这自带的可视化效果，就不想了解了😂（好像可以用其他方法可视化）
在这里插入图片描述
参考：
https://cloud.tencent.com/developer/article/1539862?from=article.detail.1625308

SpliceGrapher

这个软件用的sam文件作为输入，使用起来比较复杂，而且比较老（2012-13年发布），但是做的图还不错。
在这里插入图片描述
参考：
http://splicegrapher.sourceforge.net/
http://www.chenlianfu.com/?p=2290

MISO

第一眼看到这图就被征服了！！太好看！这就是想要的效果！马上学起来！
在这里插入图片描述
先解释下这种图，作者把这种图叫做sashimi_plot，因为长得和生鱼片比较像
在这里插入图片描述
下方的黑色矩形是从GFF中读取的外显子分布，左上方是每个样本中比对上exon的reads的可视化，采用了RPKM表示，不同剪切方式用曲线链接，曲线上标记的是比对上该区域的reads数目，不同分组的样本用不同颜色表示。右侧的图片是样本中对应的可变剪切的表达量值。
在这里插入图片描述

1.安装

miso需要依赖python和一些python的包，python建议2.7.x版本，我用的是2.7.15，直接用conda安装，miso和其他包就用pip安装：

conda install python=2.7.15
pip install misopy
pip install numpy
pip install scipy
pip install pysam
pip install matplotlib

2.构建索引

用自带的index_gff方法对GFF文件构建索引

index_gff --index ./final_gene.gff ./index_db
#index_db为输出文件夹

！需要注意BAM文件里的染色体号和GFF里必须对应，可能会出现一处是”chr3“，另一处是”3“的情况

3.计算插入长度分布及其统计信息

通过exon_utils将reads对准长度的构成外显子，然后测量每对的插入长度来计算样品的插入长度分布。通过这种方式获得的插入长度集形成了一种分布，并且用pe_utils统计这种分布的数据

exon_utils --get-const-exons ./final_gene.gff \
--min-exon-size 1000 \
--output-dir ./exons/

exon_untils会在目标文件夹里输出一个至少1000个碱基长度的外显子GFF文件。pe_utils使用输出的GFF对BAM文件计算插入长度

pe_utils --compute-insert-len ./0221_sort.bam \
./exons/final_gene.min_1000.const_exons.gff \
--output-dir ./insert-dist/

在输出的.insert_len文件中首行可以看到插入长度分布的均值、标准差、离散度以及用于估计分布和计算这些值的读对数。均值和标准差在后面运行时有用。
在这里插入图片描述

4.运行

运行miso需要一个设置文件，官方自带了一个settings/miso_settings.txt，直接用也行，一般参数默认就ok，具体各个参数的作用看官网吧

[data]
filter_results = True
min_event_reads = 20
strand = fr-unstranded

[cluster]
cluster_command = qsub

[sampler]
burn_in = 500
lag = 10
num_iters = 5000
num_processors = 4

官网有单端测序的示例，我用的是双端测序。BAM文件要排序过的，并且和bai索引要处在同一个文件夹下，这里因为我是提交集群运算，去掉了num_processors = 4，用的自己的setting文件。read-len是读长，这个数值可以从质控的结果里看到。paired-end后面的两个数字分别是插入片段长度的均值和方差。

miso --run ./index_db ./0221_sorted.bam \
--output-dir ./out_dir \
--read-len 150 \
--paired-end 308.9 83.8 \
--settings-filename ./miso_setting.txt

到这步可以说成功一半了！然后接下来…
就没有然后了😭
因为miso不支持混合读长，报错了

MISO does not support mixed read lengths. Please trim your reads to a uniform length and re-run or run MISO separately on each read length. Proceeding anyway, though this may result in errors or inability to match reads to your annotation.
Read lengths were: 128,129,130,131,132,133,134,135,136,137,138,139,140,141,142,143,144,145,146,147,148,149,150,55,56,57,63,67,70,71,72,73,75,76,77,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99,100,101,102,103,104,105,106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121,122,123,124,125,126,127

搜了一下，目前这个问题有两种解决办法：
1.修剪读长，修改FATSQ或BAM文件，全部改到一样的长度
2.等更新，等它更新到能支持混合读长…

参考：
https://miso.readthedocs.io/en/fastmiso/#installation
http://blog.sina.com.cn/s/blog_83f77c940102y19m.html
https://www.jianshu.com/p/18dd5396bb77
https://cloud.tencent.com/developer/article/1625312
https://www.biostars.org/p/175838/
https://miso-users.mit.narkive.com/Xh5rX1Cz/install-miso-using-pip-and-mixed-read-length-bams
https://github.com/yarden/MISO/issues/94

rMATS

miso行不通就换一个效果差不多的。rmats可以识别5种可变剪接事件：Skippedexon (SE) 外显子跳跃、Alternative5’ splice site (A5SS) 5’端可变剪切、Alternative3’ splice site (A3SS) 3’端可变剪切、Mutuallyexclusive exons (MXE) 互斥可变外显子、Retainedintron (RI) 内含子保留

Fig 1. rmats识别的剪切类型

1.安装

因为要用到专门可视化rmats的rmats2sashimiplot，所以就先一起装了,先解决两个软件的环境。

conda install python
conda install samtools
conda install bedtools
#python安装成功后，用pip安装
pip install numpy
pip install scipy
pip install matplotlib
pip install pysam

再用conda安装rmats，安装成功后用rmats.py -h命令，看看能不能输出帮助文档

conda install rmats

rmats2sashimiplot需要去官网下载、解压，复制到服务器。
在这里插入图片描述
进入到rmats2sashimiplot-master的文件夹里，用命令chmod 777 setup.py开放全部权限。执行python ./setup.py install安装。输入rmats2sashimiplot -h能出现帮助文档即成功

如果运行rmats时出现缺libgfortran.so.3或libgsl.so.0的报错，请看这里https://www.jianshu.com/p/451b7e84bbe5

2.运行

rmats支持FASTQ和BAM文件输入，用FASTQ输入的话，需要再安装STAR，好像FASTQ输入不保存中间的BAM文件，建议还是用BAM输入。我是用Hitsat2构建好的BAM作为输入，BAM文件要排序过的，最好提前构建索引，并且放在同一个目录下。
rmats也是要求BAM文件和GTF染色体号要对应，我的数据出乎意料的一致，但也找到了处理方法

sed -i '2,$s/\tchr/\t/g' *MATS*txt
#-i表示直接修改文件内容，2,$表示从第二行到最后一行（第一行是列名，不能替换），g表示全局

接下来把BAM文件的文件名写入b1.txt和b2.txt，一个实验组，另一个对照组。注意各个bam文件之间用逗号隔开，但不能放空格，用英文逗号，建议用绝对路径。b1和b2文件需要转为Linux格式，rmats局限在只能两个分组，多个分组比对需要多运行几次.

echo ./1.bam,./2.bam > b1.txt
echo ./3.bam,./4.bam > b2.txt

在这里插入图片描述

运行时的--b1、--b2也建议用绝对路径输入。--grf是参考基因组注释。--od是存放输出结果的文件夹。-t表示双端测序。--nthread线程数。--readLength测序的读长,可以从质控报告里看到。--tmp缓存文件存储目录。

用gffread *.gff -T -o *.gtf可以转换gff文件

rmats.py \
--b1 ./b1.txt \
--b2 ./b2.txt \
--gtf ./final_gene.gtf \
--od output_rmats \
-t paired \
--nthread 4 \
--readLength 150 \
--tmp out_rmats

从日志文件中可以看比对到的类型：
在这里插入图片描述
输出文件里的output_rmats/summary.txt里也有个比对的类型，但是没搞清楚为什么两个文件内数量对不上，大致是一样的，看个趋势没问题
在这里插入图片描述

3.结果解读

/output_rmats/里会输出这几种文件：[AS_Event].MATS.JC.txt 最常用的结果文件，统计了跨剪切位点的reads，AS_Event包括A3SS、A5SS、MXE、RI、SE。fromGTF.[AS_Event].txt从GTF和RNA衍生出的所有已鉴定的替代剪接（AS）事件。fromGTF.novelJunction.[AS_Event].txt选择性剪接 (AS) 事件，仅在考虑 RNA 后才被识别（而不是单独分析 GTF），这不包括具有未注释剪接位点的事件。fromGTF.novelSpliceSite.[AS_Event].txt该文件仅包含那些包含未注释拼接位点的事件。仅在启用–novelSS参数时相关。JC.raw.input.[AS_Event].txt仅包括跨rmat定义的交汇点的读取的事件计数(交汇点计数)。summary.txt所有AS事件类型的简要摘要。包括总事件计数和重要事件计数。默认情况下，如果FDR<=0.05，则将事件视为重要事件。通过运行rMATS_P/asumy.py，可以使用不同的标准重新生成摘要。tmp包含由准备步骤生成的中间文件。

JC文件会有一个对应的JCEC文件，二者的区别在于JC考虑跨越剪切位点的reads，而JCEC不仅考虑前者的reads还考虑到只比对到Fig 1中条纹的区域（也就是说没有跨越剪切位点的reads），但是我们一般使用JC.raw.input.AS_Event.txt的结果就够了（如果只是单纯的比较两组样品间可变剪切的差异的话）

以MXE.MATS.JC.txt为例说明每列的意义：

ID	GeneID	geneSymbol	chr	strand	1stExonStart_0base	1stExonEnd	2ndExonStart_0base	2ndExonEnd	upstreamES	upstreamEE	downstreamES	downstreamEE	ID	IJC_SAMPLE_1	SJC_SAMPLE_1	IJC_SAMPLE_2	SJC_SAMPLE_2	IncFormLen	SkipFormLen	PValue	FDR	IncLevel1	IncLevel2	IncLevelDifference
0	"MS.gene23798"	NA	chr8.4	-	30758609	30758704	30759122	30759182	30758025	30758095	30760455	30760527	0	1	11	7	9	209	244	0.0120878457309	0.0604392286545	0.096	0.476	-0.38
1	"MS.gene61989"	NA	chr7.2	-	80697619	80697769	80704270	80704420	80697113	80697232	80705567	80706851	1	1	1	0	3	298	298	0.102057409464	0.34019136488	0.5	0.0	0.5
  • ID: 官网描述“rMATS event id”，其实就是序号
  • GenelD: 可变剪接事件所在基因编号
  • geneSymbol: 可变剪接事件所在基因名称
  • chr: 可变剪接事件所在染色体
  • strand: 可变剪接事件所在染色体链的方向
  • 1stExonStart_0base: 第一个可变剪接事件跳跃外显子的起始位置，以0开始计数
  • 1stExonEnd: 第一个可变剪接事件跳跃外显子的终止位置
  • 2ndExonStart_0base:第二个可变剪接事件跳跃外显子的起始位置，以0开始计数
  • 2ndExonEnd: 第二个可变剪接事件跳跃外显子的终止位置
  • upstreamES: 可变剪接事件跳跃外显子的上游exon起始位置
  • upstreamEE: 可变剪接事件跳跃外显子的上游exon终止位置
  • downstreamES: 可变剪接事件跳跃外显子的下游exon起始位置
  • downstreamEE: 可变剪接事件跳跃外显子的下游exon终止位置
    在这里插入图片描述
  • ID: 同上
  • IJC_SAMPLE_1: 样本一在inclusion junction（IJC）下的count数，重复样本的结果以逗号分隔
  • SJC_SAMPLE_1: 样本一在skipping junction（SJC）下的count数，重复样本的结果以逗号分隔
  • IJC_SAMPLE_2: 样本二在inclusion junction（IJC）下的count数，重复样本的结果以逗号分隔
  • SJC_SAMPLE_2: 样本二在skipping junction（SJC）下的count数，重复样本的结果以逗号分隔
  • IncFormLen: 可变剪接事件Exon Inclusion Isoform的有效长度
  • SkipFormLen: 可变剪接事件Exon Skipping Isoform的有效长度
  • PValue: 两组样本间可变剪接事件表达差异显著性p值
  • FDR: 可变剪接事件表达差异显著性FDR值
  • IncLevel1: 处理组可变剪接事件Exon Inclusion Isoform在两个Isoform总表达量的比值
  • IncLevel2: 对照组可变剪接事件Exon Inclusion Isoform在两个Isoform总表达量的比值
  • IncLevelDifference: IncLevel1与IncLevel2的差值
    在这里插入图片描述

4.可视化

rmats2sashimiplot 支持SAM或BAM作为输入，一般用BAM
有三种输出方法，先介绍常用的参数：--b1和--b2是经过排序且有索引的；-t是rmats输出的可变剪接类型，有五个选项SE RI A3SS A5SS MXE；-c：染色体的座标 （染色体-正负链-开始-终止 + gff3格式的注释文件）；-e是对应-t所选参数的文件。这里的需要可视化SE.MATS.JC.txt的文档，看到有教程说“ 里面有几条内容，就会生成几个图片，所以需要自己去挑选一下，挑选的时候，尽量不要选存在 NA 的值 ”，实际使用的时候数量不一致，可能是存在NA？--l1、--l2输出对照组和实验组对应的名字（可以自己起）；-o结果输出的文件夹；--intron_s指定图片中intron的比例

-t、-e的方法不能和-c连用，亲测同时用只会按前者方式输出

有个教程提供了循环的方法：https://www.jianshu.com/p/451b7e84bbe5

1）文件输入

这种方法把rmats输出的某个可变剪接事件作为输入，会可视化事件里的全部基因，适合看整体的差异变化。一次只能选一种文件

rmats2sashimiplot --b1 ./0221_sort.bam \
--b2 ./0225_sort.bam \
-t SE \
-e ./output_rmats/SE.MATS.JC.txt \
--l1 0221_sort \
--l2 0225_sort \
-o ./plot

在这里插入图片描述
可以看到没有miso右侧的柱状图，这是因为rmats中只会计算可变剪切事件的inclusion level值，并没有提供95%执行区间的值。图中的IncLevel值是直接从rmats的输出结果中读取的，所以二者是一致的。
对于曲线上方标记的reads数目，和rmats输出结果中的IJC和SJC是不同的，因为是两个软件统计的结果，从配置文件可以看出，只提供了bam文件给miso，所以图上的reads数是由miso这个软件计算得到的，自然和rmats计算的reads数目有所出入，但是只是微小差异，总体的趋势还是一致的。
对于rmats2sashimiplot产生的图片，我们不需要太过于纠结reads数目和rmats对应不上，只需要看reads分布的大体趋势即可，重点是关注不同样本中IncLevel的差异。

2）基因坐标输入

使用-c以基因坐标的形式输入，结尾坐标会有时-1有时+1，输出文件只有一个。

rmats2sashimiplot --b1 ./0221_sort.bam \
--b2 ./0225_sort.bam \
-c chr8.4:-:30755930:30760752:./final_gene.gff \
--l1 0221_sort \
--l2 0225_sort \
-o ./plot

建议还是从输出的可变剪接事件中找到目标基因，再用这种方式可视化。试过从注释文件里随便找个基因坐标，输出失败，应该是要有可变剪接才能可视化。这里随便选了一段30758609:30760527结果没有东西输出
在这里插入图片描述

这个坐标是从GFF文件中取出的完整基因坐标，所以会有大段的空，猜测是UTR区
在这里插入图片描述
在这里插入图片描述
如果用可变剪接事件里的坐标就会填满整个图，不会留空。这里用的是1stExonStart_0base和downstreamEE

ID	GeneID	geneSymbol	chr	strand	1stExonStart_0base	1stExonEnd	2ndExonStart_0base	2ndExonEnd	upstreamES	upstreamEE	downstreamES	downstreamEE	ID	IJC_SAMPLE_1	SJC_SAMPLE_1	IJC_SAMPLE_2	SJC_SAMPLE_2	IncFormLen	SkipFormLen	PValue	FDR	IncLevel1	IncLevel2	IncLevelDifference
0	"MS.gene23798"	NA	chr8.4	-	30758609	30758704	30759122	30759182	30758025	30758095	30760455	30760527	0	1	11	7	9	209	244	0.0120878457309	0.0604392286545	0.096	0.476	-0.38

在这里插入图片描述
其实也是能看出两种不同输出的对应关系，GFF中完整基因坐标的范围会更大
在这里插入图片描述

最后说下--intron_s的用法，这个能够调整显示峰值的比例，默认是1，下图是用同一个基因坐标测试不同数值的比例效果
在这里插入图片描述

3）样本组输入

当一个样品有多个重复的时候，可以用--group-info对它们进行合并，计算均值，作为一个整体分析。这部分还没实操过，用的官网例子

rmats2sashimiplot \
--b1 ./sample_1_replicate_1.bam,./sample_1_replicate_2.bam,./sample_1_replicate_3.bam \
--b2 ./sample_2_replicate_1.bam,./sample_2_replicate_2.bam,./sample_2_replicate_3.bam \
-t SE \
-e ./SE.MATS.JC.txt \
--l1 SampleOne \
--l2 SampleTwo \
--exon_s 1 \
--intron_s 5 \
-o test_grouped_output \
--group-info grouping.gf
###------------------------
cat grouping.gf
group1name: 1-2
group2name: 3-6

在这里插入图片描述
--b支持bam和sam作为输入。这里的*.gf文件是用来区别不同分组，用echo写入分组信息，有两种表示方法，，单独分隔和-按范围取。举个栗子：如果有6个输入--b1 a.bam,b.bam,c.bam --b2 d.bam,e.bam,f.bam这里abc是实验组的3个重复，def是对照组的3个重复，就可以用

test: 1,2,3
control: 4,5,6

这里test和control可以随意命名，会显示在图上。也可以用-来表示一样的效果

test: 1-3
control: 4-6

需要注意输入文件的顺序非常重要
在这里插入图片描述
参考：
https://blog.csdn.net/weixin_51192038/article/details/122135310
https://blog.csdn.net/weixin_51192038/article/details/116131250
https://www.jianshu.com/p/451b7e84bbe5
https://www.i4k.xyz/article/weixin_51192038/116131250
https://www.jianshu.com/p/abab2f188172
https://blog.csdn.net/weixin_40007804/article/details/112145840
https://cloud.tencent.com/developer/article/1587437?from=article.detail.1625308
https://cloud.tencent.com/developer/article/1625313?from=article.detail.1625308
https://zpliu.gitbook.io/booknote/ke-bian-jian-qie/di-wu-ci-fen-xi/hui-zhi-ke-bian-jian-qie
http://rnaseq-mats.sourceforge.net/index.html
https://github.com/Xinglab/rmats-turbo/blob/v4.1.2/README.md#all-arguments
https://www.bioinfo-scrounger.com/archives/611/
https://zhuanlan.zhihu.com/p/228962609
https://github.com/Xinglab/rmats2sashimiplot#sam-files-with-rmats-event

彩蛋

rmats官网推荐了一些可以协同使用的软件：rMAPS: RNA Map Analysis and Plotting Server：用来分析rMATS的SE事件周围的RNA结合蛋白（RBPs）结合位点；rMATS-STAT：用于测试差异剪接的独立统计模型；PrimerSeq: Primer Seek in RNA-seq：用于设计rMATS输出的RT-PCR引物。有空再摸索一下这些~

可变剪切|rmats
weifanbio的博客
11-30 3895
可变剪切 可变剪切(或选择性剪切)是一个过程，即主要基因或者mRNA前体转录所产生的RNA的外显子以多种方式通过RNA剪切进行重连。由此产生的不同的mRNA可能被翻译成不同的蛋白质构体，因此，一个基因可能编码多种蛋白质。 rmats 下面是小编使用rmats进行可变剪切的步骤，大家感兴趣可以瞅瞅。 1.下载好对应参考序列的gff文件以及fasta文件 可用gffread进行转换 gffread *.gff -T -o *.gtf 2.对参考序列建立索引并生成bam文件（可选择STAR或HISAT2） STA
使用leafcutter 做可变剪切分析流程
samhuairen的专栏
06-03 2416
本博客的主要目的是把本次使用Leafcutter做可变剪切的分析流程记录一下，以方便后续分析或者分享给别人。 Leafcutter的文章发表在了NG上，有感兴趣的可以看原文。 #批量改文件的名字 #A0-cbp20-1_L4_380380.R1.fastq.gz #A0-cbp20-1.R1.fastq.gz ls *.gz | while read id; do sample_name=${id%%_*}; file_name=${id#*.}; mv $id $sample_name.$file_
浅谈可变剪接
kmd13110088261的博客
12-12 1186
可变剪接，也称为选择性剪接，是指在前体mRNA（pre-mRNA）成熟过程中，通过剪接体复合物的作用，选择性地移除内含子并连接外显子，从而产生多种不同的成熟mRNA的过程。可变剪接通常由剪接体复合物介导，剪接体识别并剪切前体mRNA上的特定序列，包括5'剪接位点、3'剪接位点和分支点。不同的剪接异构体可能具有不同的功能，或者在不同的细胞类型和发育阶段中发挥作用。（1）蛋白质多样性：通过不同的剪接方式，一个基因可以产生多个不同的mRNA剪接异构体，进而翻译成不同的蛋白质，增加了蛋白质组的复杂性。
有参转录组实战4-可变剪接分析
liangjinghui123的博客
01-06 748
可变剪接分析，有作用，但有显著作用的并不多
可变剪切分析神器——rMATs
weixin_47195452的博客
11-19 1366
配对研究的选择能够减少个体的特异性变异，提供统计精确度。，预算固定时，需要在测序深度和重复样本数之间做选择，通过增加重复的数量能够更好地估计重复之间的可变性，但这样做会降低测序深度并增加单个重复的估计不确定性。综上所述，作者的数据为RNA-Seq的选择性剪接分析提供了指导原则，证明了生物学重复对于设计研究的重要性，同时合并RNA-seq或合并来自多个重复样品的RNA-Seq数据不是解决变异性的有效方法，并且异常值的产生会导致结果的假阳性率变高，因此重复数据的使用对于差异性剪接分析是必不可少的。
rMATs 分析可变剪切
weixin_51192038的博客
12-24 2861
rMATs 可变剪切及rmats2sashimiplot可视化安装与使用 一、安装及使用 用conda安装： conda install -c bioconda rmats=4.0.2 （要用4.0.2的版本做，才可以跑出结果） 检查是否安装上：rmats.py -h 如果出现帮助文档，即可运行使用 （1）将bam文件传输到b1.txt和b2.txt中（传输时，各个bam文件之间用逗号隔开，但不能放空格，用英文逗号，bam文件需要用到hisat2 比对出来的，只能用bam文件可以出结果） echo 231
Linux环境：可变剪切分析软件rMATS安装、使用与解读
qq_41749087的博客
11-09 9987
Linux服务器上安装可变剪切分析软件rMATS
可变剪接分析一步到位，这个 R 包够猛！
weixin_49214410的博客
09-25 2706
① ASpediaFI提供以下功能AS事件检测与标注AS事件量化AS事件的功能交互分析AS事件和通路的可视化②需要注意的是，该软件包使用S4类ASpediaFI对象作为其功能（方法）的封装器，以及输入和输出（槽）的容器。ASpediaFI类包含以下数据槽samples: 一个包含样本信息的数据框。前三列应为名称、BAM 文件路径和条件。events: 从GTF文件中提取的AS事件列表。psi: 一个包含AS事件定量的SummarizedExperiment对象。gtf。
linux可变剪切分析,SUPPA 可变剪切分析
weixin_36463131的博客
05-15 702
SUPPA是一款通过转录本定量来获取可变剪切定量结果的软件。转录本的定量方式有很多，例如count，FPKM, TPM等，作者建议使用TPM，因为先均一化了基因的长度，然后均一化了测序的深度。同时建议使用salmon软件进行定量软件的下载与安装首先下载salmon二进制版本wget https://github.com/COMBINE-lab/salmon/releases/download/v0...
SUPPA2 分析可变剪切（附详细代码）
weixin_51192038的博客
04-28 5704
SUPPA2 分析可变剪切 1、下载基因组转录本文件 以人类基因组转录本文件下载为例： 打开网站ensemble：http://asia.ensembl.org/index.html --> 点击 human 点击download dna fasta 点击划红线的部分，并下载到本地，之后上传到服务器中。 也可以在https://www.gencodegenes.org/mouse/ 网站中下载gtf文件和转录本fa文件 2、解压基因组转录本文件 gunzip Homo_sapiens.GRC
rMATS-ISO:rMATS-Iso是rMATS的一般化，适用于复杂的剪接模式。-开源
04-29
rMATS-Iso是rMATS统计框架的概括，可使用复制的RNA-seq数据检测具有复杂剪接模式的差异剪接模块。
rmats2sashimiplot:可视化rmats的可变剪切结果
热门推荐
庐州月光的博客
11-22 1万+
欢迎关注”生信修炼手册”!在miso这款可变剪切分析软件中，提出了一种可变剪切事件的可视化方式, sashimiplot, 示意如下上述示意图表示的是一个外面子跳跃的可变剪切事件，最下方...
用ggsashimi做可变剪切的可视化
samhuairen的专栏
04-10 4234
可变剪切的可视化软件ggsashimi用R和python来实现， python准备好数据， 利用R画图。简单好用，但也折腾了半天，现在把完成本次可视化的步骤详细的记录一下，必备以后用。 1. 准备可视化的基因注释文件，基因的注释文件是gtf格式，每个文件包含了这个基因的不同类型的可变剪切，可以从整个基因组注释文件中提取出来，但需要注意的是有时候注释文件中的染色体用，1，2，3等数字代替，而bam...
rmats-turbo
最新发布
02-01
`rmats-turbo` 是一种用于分析 RNA-seq 数据以检测可变剪接事件的工具。该软件优化了计算效率，使得处理大规模数据集更加高效。对于如何使用 `rmats-turbo` 来执行特定操作，通常涉及安装、配置环境变量以及运行命令...
Deep-learning augmented RNA-seq analysis of transcript splicing | 用深度学习预测可变剪切
weixin_30765505的博客
08-29 1195
可变剪切的预测已经很流行了，目前主要有两个流派： 用DNA序列以及variant来预测可变剪切；GeneSplicer、MaxEntScan、dbscSNV、S-CAP、MMSplice、clinVar、spliceAI 用RNA来预测可变剪切；MISO、rMATS、DARTS 前言废话 科研圈的热点扎堆现象是永远存在的，且一波接一波，大部分不屑于追热点且不出成果也基...
linux可变剪切分析,生信实操|一个生信素人的上道经验分享-转录组测序（可变剪接篇）...
weixin_34901693的博客
05-15 3389
原标题：生信实操|一个生信素人的上道经验分享-转录组测序(可变剪接篇) 转录组测序技术(RNA-seq)作为目前二代测序领域最普遍的技术手段，自从转录组测序问世以来，已经开发了数百种分析工具。根据转录组分析内容可大致将其分析流程分为比对，转录本组装，差异表达分析和差异基因注释。目前，分析的每一步都有很多软件，其软件的性能和分析效率不尽相同。对于转录组分析的第六步——绘图，主要介绍转录组分析中常见的...
SUPPA 可变剪切分析
weixin_30559481的博客
07-01 3238
SUPPA是一款通过转录本定量来获取可变剪切定量结果的软件。转录本的定量方式有很多，例如count，FPKM, TPM等，作者建议使用TPM，因为先均一化了基因的长度，然后均一化了测序的深度。同时建议使用salmon软件进行定量 软件的下载与安装 首先下载salmon二进制版本 wget https://github.com/COMBINE-lab/salmon/relea...
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值