参考基因组和注释文件

Posted on 2018-06-30 21:27 微凉charles 阅读(1240) 评论(0) 编辑收藏

作业要求：
在UCSC下载hg19参考基因组，我博客有详细说明，从gencode数据库下载基因注释文件，并且用IGV去查看你感兴趣的基因的结构，比如TP53,KRAS,EGFR等等。
作业，截图几个基因的IGV可视化结构！还可以下载ENSEMBL，NCBI的gtf，也导入IGV看看，截图基因结构。了解IGV常识。

一. 参考基因组--下载

地址：UCSC https://genome.ucsc.edu/

image

(1)、进入UCSC---选择Downloads---genomic data---human---GRCh37/hg19---Full data set，下拉，找到chromFa.tar.gz,右击chromFa.tar.gz，选择“复制链接地址”

点击 Full data set后，有各类文件的说明文档

(2)、终端命令行操作

[

复制代码

](javascript:void(0); "复制代码")

<pre style="margin: 0px 0px 0px 22px; white-space: pre-wrap; overflow-wrap: break-word; font-size: 12px !important; font-family: "Courier New" !important;"> 1 # 切换到要存放参考基因组的目录
2 $cd data/GSE81916/reference/genome/hg19 3 4 # 用axel或wget下载参考基因组 5$ nohup wget http://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/chromFa.tar.gz # wget后面跟的是参考基因组的下载地址
6
7 # 解压下载后的文件
8 $tar -zxvf chromFa.tar.gz 9 10 # 解压后可以发现，参考序列是按照染色体号分开列出的，我们还需要把所有的序列写入到一个文件中。 11$ cat .fa > hg19.fa 12
13 #最后删除其他无用的文件 14 $ rm chr.fa</pre>

[

复制代码

](javascript:void(0); "复制代码")

二. 注释文件--下载

image

（1）、进入Gencode数据库---Data---Human---GRCh37-mapped Release---选择2016年10月份发布的最新注释版本“gencode.v26lift37.annotation.gtf.gz”

鼠标右击，“复制链接地址”

（2）、命令行批量下载
<pre style="margin: 0px 0px 0px 22px; white-space: pre-wrap; overflow-wrap: break-word; font-size: 12px !important; font-family: "Courier New" !important;">1 # 用axel批量下载 2 $axel ftp://ftp.sanger.ac.uk/pub/gencode/Gencode_human/release_26/GRCh37_mapping/gencode.v26lift37.annotation.gtf.gz 3 # 下载后解压 4$ gzip -d gencode.v26lift37.annotation.gtf.gz 5 # 与下载的hg19参考基因组放在一起 6 $ mv genconde.v26lift37.annotation.gtf ./Reference/Human/hg19</pre>

补充：GTF和GFF之间的区别

数据结构：都是由9列构成，分别是reference sequence name; annotation source; feature type; start coordinate; end coordinate; score; strand; frame; attributes.前8列都是相同的，第9列不同。

GFF第9列：都是以键值对的形式，键值之间用“=”连接，不同属性之间用“；”分隔，都是以ID这个属性开始。下图中有两个ID，说明是不同的序列。

image

GTF第9列：同样以键值对的形式，键值之间是以空格区分，值用双引号括起来；不同属性之间用“；”分隔；开头必须是geneid, transciptid两个属性。[图片上传失败...(image-9af276-1541836318580)]

三. 基因组浏览器：IGV

Integrative Genomics Viewer(IGV)是一种探索大型综合基因组数据的高性能交互式可视化工具。它支持各种各样的数据类型，包括基于芯片测序、二代测序数据和基因组注释数据等。

** IGV下载**

image.png

IGV使用

0、初始化窗口

image

1、载入基因组，选择Genome标签，load我们之前已经下载好的hg19.fa基因组。

2、载入基因组注释，但是在载入之前需要将gff3进行排序，选择Tools-Run igvtools，进入以下igvtools窗口：

image

3、获得sorted文件：command选择sort，再选择输入的注释文件，点击Run，就可以生成sorted.gff3文件。

4、通过file->load from file...选择sorted文件，打开。选择区域的大小，来看某些基因的信息，蓝色的粗线条就是代表基因。说到底，IGV就是一个将基因组及其注释信息可视化的工具。（下图是载入基因组和注释信息后的窗口）

image

四. 理论知识

RNA-seq数据分析的通用套路是：

1、检测测序数据的质量，如果需要，对数据进行预处理，去掉接头，去掉质量差的数据等等

2、将所有数据回帖到genome，根据结果，进行新基因或转录本的鉴定，然后对转录数据进行定量，并进行差异表达分析。也可跳过对新基因和新转录本的分析，只对已知的基因和转录本进行定量。

3、如果没有参考genome数据，可以供transcritome数据代替。

4、如果参考转录组数据也没有，可以直接对RNA-seq数据进行从头组装，注释，作为参考转录组。

image

图片源于《RNA-seq Data Analysis》

把高通量测序得到的reads回帖到参考基因组上，既是进行后续基因表达定量和差异表达分析的基础，同时也是可变剪接分析、SNP、InDel分析以及测试数据质量控制的一部分

回帖常用软件：HISAT2, STAR