2019年5月25日,一个普通的周六,正在听的歌——北京东路的日子,开始学习生信,写博客。 说明:阅读生信宝典和查阅文章的总结,原文请关注公众号生信宝典,参考的博文都附有链接,仅供参考。
知乎专栏:https://zhuanlan.zhihu.com/Data-Analysis
这篇文章讲述两个问题:系统学习还是遇到问题再找答案?是否要写博客。
第一个问题,两种途径都可以,都可以成为大神,但其一,要付出足够多的时间去写代码,修复bug;其二,要多思考、总结,在系统学习时给自己出题,在遇到问题时弄清楚一行行代码的意义;其三,要有兴趣和信仰,对代码的信仰、遇到bug时的信仰、资源的信仰、博客的信仰,相信自己,也相信资源。第二个问题,参考第一个问题的其三。这篇文章提到几个可能有用的书和文档:
廖雪峰老师的 python 教程R语言,dplyr data.table ggplot2 包的帮助文档stackoverflow 网站几乎能找到所有编程问题的答案一些复制粘贴,一些注释总结,仅助于自己记忆(记忆力相当差,把能记的都记了)和理解,当然可能有错误,后续再慢慢改正吧 关掉音乐专心学习
MD5值
#获取MD5值 ct@ehbio:~/$ md5sum test.fq.gz | tee > MD5.txt # tee: 同时写入文件并在屏幕输出结果 + d41d8cd98f00b204e9800998ecf8427e test.fq.gz #输出文字 #验证MD5值 ct@ehbio:~/$ md5sum -c MD5.txt test.fq.gz: 确定 #输出文字测序质量可以从两个水平评估:测序reads数 和 测序碱基数。它们都可以用简单的bash命令进行计算,但不是最高效的方式。
ct@ehbio:~/ $ zcat test.fq.gz #zcat: 不解压缩就可以查看文件内容 @ehbio1 ACCGAGCTTTTTTTTTTTTTT + ????????????????????? @ehbio2 ACCGAGCTTTTTTTTTTTTTT + ????????????????????? @ehbio3 ACCGAGCTTTTTTTTTTTTTT + ????????????????????? #获取行数,然后除以4,得到reads数 ct@ehbio:~/ $ echo $(( `zcat test.fq.gz | wc -l` /4 )) 4 #echo: 这里用于显示变量,还可用于-n,输出后不换行,-e,开启转义; #$(( )): 将其他进制转成十进制数显示出来; #``与$()都用来重组命令行,先执行``或()里的命令,将结果替换出来,再组成新的命令行。 #wc: 用于计算文件的字数、行数、列数等,-l 只显示行数。 #获取碱基数 ct@ehbio:~/ $ zcat test.fq.gz | grep -A 1 '^@' | grep '^[ACGTN]' | wc -c 66 #查看test.fq.gz内容,从中获取第一列开头为@的行及其之后的内容,从中获取开头为ACGTN的行,计算字符数。 #grep -A<显示列数>或--after-context=<显示列数> 除了显示符合范本样式的那一列之外,并显示该列之后的内容。获得reads数和碱基数后,可以用表格展示。但为了更直观一般用柱状图展示。样品特别多时用直方图展示,优先关注是否存在测序量异常高或低的样品。
一般用FastQC软件来评估测序质量,它是一个基于Java的软件包(并不清楚Java是啥),下载后放到环境变量就可使用。
运行方式:fastqc ehbio_1_1.fq.gz ehbio_1_2.fq.gz生成结果和解释如表所示: 左图显示每个碱基的中位质量得分(箱线图中间的蓝线)都比较高,而右图的的碱基质量得分变化较大,测序质量逐渐下降,测序质量差。可能需要进行一定的预处理比如移除低质量碱基。 图横坐标表示平均GC含量,纵坐标表示reads数。左图显示每个read的GC分布(红线)与理论分布(蓝线)相契合,GC含量均一。右图出现了GC含量双峰,表示测序样品可能存在特定的序列污染如混入了引物二聚体,当这一指标异常并且导致后期的序列比对率很低时,需要引起注意。 接头序列含量图。横坐标表示read中碱基的位置,纵坐标表示接头序列含量。从图中可以得知read的前17 bp是干净的,之后的位置出现了比例不等的接头序列,需要去除。另一方面也反映了这个库的质量很差,有可能需要重建。 当样品数目很多时,会得到更多的质量评估图,结果很不直观。因此可以用下面所示的所有样品测序质量的散点图来表示。通过GC含量(横坐标)和碱基测序质量(纵坐标)来判断样品的测序质量。两个值都是FAIL的样品,需要重点关注。
附grep命令详解:https://www.cnblogs.com/wangcp-2014/p/5146335.html 贴来一些 1.主要参数 [options]主要参数:-a或–text 不要忽略二进制的数据。 -A<显示列数>或–after-context=<显示列数> 除了显示符合范本样式的那一列之外,并显示该列之后的内容。 -b或–byte-offset 在显示符合范本样式的那一列之前,标示出该列第一个字符的位编号。 -B<显示列数>或–before-context=<显示列数> 除了显示符合范本样式的那一列之外,并显示该列之前的内容。 -c或–count 计算符合范本样式的列数。 -C<显示列数>或–context=<显示列数>或-<显示列数> 除了显示符合范本样式的那一列之外,并显示该列之前后的内容。 -d<进行动作>或–directories=<进行动作> 当指定要查找的是目录而非文件时,必须使用这项参数,否则grep指令将回报信息并停止动作。 -e<范本样式>或–regexp=<范本样式> 指定字符串做为查找文件内容的范本样式。 -E或–extended-regexp 将范本样式为延伸的普通表示法来使用。 -f<范本文件>或–file=<范本文件> 指定范本文件,其内容含有一个或多个范本样式,让grep查找符合范本条件的文件内容,格式为每列一个范本样式。 -F或–fixed-regexp 将范本样式视为固定字符串的列表。 -G或–basic-regexp 将范本样式视为普通的表示法来使用。 -h或–no-filename 在显示符合范本样式的那一列之前,不标示该列所属的文件名称。 -H或–with-filename 在显示符合范本样式的那一列之前,表示该列所属的文件名称。 -i或–ignore-case 忽略字符大小写的差别。 -l或–file-with-matches 列出文件内容符合指定的范本样式的文件名称。 -L或–files-without-match 列出文件内容不符合指定的范本样式的文件名称。 -n或–line-number 在显示符合范本样式的那一列之前,标示出该列的列数编号。 -q或–quiet或–silent 不显示任何信息。 -r或–recursive 此参数的效果和指定“-d recurse”参数相同。 -s或–no-messages 不显示错误信息。 -v或–revert-match 反转查找。 -V或–version 显示版本信息。 -w或–word-regexp 只显示全字符合的列。 -x或–line-regexp 只显示全列符合的列。 -y 此参数的效果和指定“-i”参数相同。 –help 在线帮助。
pattern正则表达式主要参数: \: 忽略正则表达式中特殊字符的原有含义。 ^:匹配正则表达式的开始行。 $: 匹配正则表达式的结束行。 <:从匹配正则表达 式的行开始。 >:到匹配正则表达式的行结束。 [ ]:单个字符,如[A]即A符合要求 。 [ - ]:范围,如[A-Z],即A、B、C一直到Z都符合要求 。 . :所有的单个字符。 *: 所有字符,长度可以为0。
4.grep命令使用简单实例 $ grep ‘test’ d* 显示所有以d开头的文件中包含 test的行。 $ grep ‘test’ aa bb cc 显示在aa,bb,cc文件中匹配test的行。 $ grep ‘[a-z]{5}’ aa 显示所有包含每个字符串至少有5个连续小写字符的字符串的行。 $ grep ‘w(es)t.\1′ aa 如果west被匹配,则es就被存储到内存中,并标记为1,然后搜索任意个字符(.),这些字符后面紧跟着 另外一个es(\1),找到就显示该行。如果用egrep或grep -E,就不用”\”号进行转义,直接写成’w(es)t.*\1′就可以了。
5.grep命令使用复杂实例 假设您正在’/usr/src/Linux/Doc’目录下搜索带字符 串’magic’的文件: $ grep magic /usr/src/Linux/Doc/* sysrq.txt:* How do I enable the magic SysRQ key? sysrq.txt:* How do I use the magic SysRQ key? 其中文件’sysrp.txt’包含该字符串,讨论的是 SysRQ 的功能。 默认情况下,’grep’只搜索当前目录。如果 此目录下有许多子目录,’grep’会以如下形式列出: grep: sound: Is a directory 这可能会使’grep’ 的输出难于阅读。这里有两种解决的办法: 明确要求搜索子目录:grep -r 或忽略子目录:grep -d skip 如果有很多 输出时,您可以通过管道将其转到’less’上阅读: $ grep magic /usr/src/Linux/Documentation/* | less 这样,您就可以更方便地阅读。
有一点要注意,您必需提供一个文件过滤方式(搜索全部文件的话用 *)。如果您忘了,’grep’会一直等着,直到该程序被中断。如果您遇到了这样的情况,按 ,然后再试。
下面还有一些有意思的命令行参数: grep -i pattern files :不区分大小写地搜索。默认情况区分大小写, grep -l pattern files :只列出匹配的文件名, grep -L pattern files :列出不匹配的文件名, grep -w pattern files :只匹配整个单词,而不是字符串的一部分(如匹配’magic’,而不是’magical’), grep -C number pattern files :匹配的上下文分别显示[number]行, grep pattern1 | pattern2 files :显示匹配 pattern1 或 pattern2 的行, grep pattern1 files | grep pattern2 :显示既匹配 pattern1 又匹配 pattern2 的行。
grep -n pattern files 即可显示行号信息
grep -c pattern files 即可查找总行数
这里还有些用于搜索的特殊符号: < 和 > 分别标注单词的开始与结尾。 例如: grep man * 会匹配 ‘Batman’、’manic’、’man’等, grep ‘<man’ * 匹配’manic’和’man’,但不是’Batman’, grep ‘<man>’ 只匹配’man’,而不是’Batman’或’manic’等其他的字符串。 ‘^’:指匹配的字符串在行首, ‘$’:指匹配的字符串在行 尾, 突然感到心累,grep命令好复杂T_T
今天就到这吧,后背酸痛,明天继续0.0