原文网址: http://blog.biochen.com/archives/337 HISAT2是TopHat2/Bowti2的继任者,使用改进的BWT算法,实现了更快的速度和更少的资源占用,作者推荐TopHat2/Bowti2和HISAT的用户转换到HISAT2.官网:https://ccb.jhu.edu/software/hisat2/index.shtml HISAT2安装 下载HISAT2-2.0.1,并解压: unzip hisat2-2.0.1-beta-Linux_x86_64

转录组分析---Hisat2+StringTie+Ballgown使用 (2016-10-10 08:14:45) 转载▼ 标签: 生物信息学 转录组   1.Hisat2建立基因组索引: First, using the python scripts included in the HISAT2 package, extract splice-site and exon information from the gene annotation file:   $ extract_splice_

HISAT2,StringTie,Ballgown处理转录组数据 本文总阅读量次2017-05-26 HISAT2,StringTie,Ballgown处理转录组数据思路如下: 数据质控 将RNA-seq的测序reads使用hisat2比对 samtools将sam文件转成bam,并且排序,为下游分析做准备 stringtie对每个样本进行转录本组装 stringtie 将所有样本的转录本进行合并 注意:此处的mergelist.txt是自己创建的 计算表达量并且为Ballgown包提供输入文件

RNA-seq数据的比对结果怎么解读?网上有很多人问,这里做一个大致的总结. Hisat2和bowtie2比对后产生的Alignment summary的格式是一样的,如下: Alignment summary When HISAT2 finishes running, it prints messages summarizing what happened. These messages are printed to the "standard error" ("stder

与之对应的是single cell RNA-Seq,后面也会有类似文章. 参考:https://github.com/xuzhougeng/Learn-Bioinformatics/ 作业:RNA-seq基础入门传送门 资料:RNA-seq Data Analysis-A Practical Approach(2015) Bioinformatic Data Skill biostar handbook A survey of best practices for RNA-seq data an

hisat2+stringtie+ballgown Posted on 2016年11月25日 早在去年九月,我就写个博文说 RNA-seq流程需要进化啦!http://www.bio-info-trainee.com/1022.html ,主要就是进化成hisat2+stringtie+ballgown的流程,但是我一直没有系统性的讲这个流程,因为我觉真心木有用.我只用了里面的hisat来做比对而已!但是群里的小伙伴问得特别多,我还是勉为其难的写一个教程吧,你们之间拷贝我的代码就可以安装这些软

转录组的组装Stingtie和Cufflinks Posted: 十月 18, 2017  Under: Transcriptomics  By Kai  no Comments 首先这两款软件都是用于基于参考基因组的转录组组装,当然也可用于转录本的定量.前者于2016年的 protocol上发表的转录组流程HISAT, StringTie and Ballgown后被广泛使用,后者则是老牌的RNA分析软件了.在算法上来说Stringtie使用的是流神经网络算法,Cufflinks则是吝啬算法:

DGE-seq和普通的transcriptomic profiling相比较有什么不同,有什么特点? DGE就是用酶将mRNA切断,只使用靠近poly A的一小段RNA去测序. #1 由于不是测定mRNA的全长,DGE的数据量比转录组要小一些: #2 DGE比转录组价格低一些: #3 DGE和转录组都可以分析所有基因的表达丰度,并且比较组间基因表达差异: #4 转录组还可以分析SNP.RNA editing.splicing.gene fusion等:而DGE不适宜做这些分析. 转录组测序和数字

    转录组是某个物种或者特定细胞类型产生的所有转录本的集合.转录组研究能够从整体水 平研究基因功能以及基因结构,揭示特定生物学过程以及疾病发生过程中的分子机理,已广泛应 用于基础研究.临床诊断和药物研发等领域.基于 Illumina 高通量测序平台的转录组测序技术使 能够在单核苷酸水平对任意物种的整体转录活动进行检测,在分析转录本的结构和表达水平的同 时,还能发现未知转录本和稀有转录本,精确地识别可变剪切位点以及 cSNP(编码序列单核苷 酸多态性),提供最全面的转录组信息.相对于传统的芯片

Design based on biology 通过比较基因组学的方法,将脊椎动物基因组的数据,解决生物学各方面问题.新的调控注释(在脊椎动物的进化过程中的出现的)可以丰富物种树(比如不同功能蛋白质进化速度上的差异(因为编码蛋白质基因和早期进化基因的发现)). Sequencing 需要以下两种策略叠加: 1.Pooled genome sequence strategies :测同一物种的不同个体,不同个体叠加. 2.representative genome assembly approac

转自公众号Eric生信小班.学习群体遗传套路 中科院昆明动物园吴东东研究团队联合国外研究团队2019年在Genome Biology发表题为Whole genomes and transcriptomes reveal adaptation and domestication of pistachio的研究论文,利用全基因组和转录组数据,系统研究了开心果在驯化与环境适应上的遗传机制,研究内容和方法采用群体基因组学的常规分析,包括基因组de novo.转录组.群体进化.选择位点分析,可作为群体基因

参考:产品手册 PacBio三代全长转录组有什么优势? 近年来,随着高通量测序技术的发展,转录组测序已经成为研究基因表达调控的主要手段.但二代的转录本重构准确率很低,三代可以直接得到全长转录本,无需组装.可改善基因表达定量结果,发现新的基因和转录异构体,鉴定可变剪切及基因融合现象. Google第一个就是官网介绍,可以立马理解Iso-Seq的字面意思了. Iso-Seq 就是 isoform sequencing,中文就是同源异构体测序,其实也是一种 RNA 测序技术. The challeng

参考: 转录组文章的常规套路 文章解读:<Science>小麦转录组研究文章 转录组数据饱和度评估方法 Paper这个东西是多么的诱人,可以毕业,可以评职称,可以拿绩效. 现在的文章都是有套路的,也不能说是水文,但大多是一个模式下的产物,真正有价值的好文其实是少之又少的. 大部分的Paper都是八股文,只需要填词就好了. Transcriptome analysis of leaves, roots and flowers of Panax notoginseng identifies gen

参考文章:http://weibo.com/p/23041883f77c940102vbkd?sudaref=passport.weibo.com 软件连接:https://github.com/alexdobin/STAR/ 因为不连续的转录本结构,相对短的片段长度,和测序技术持续增加的通量,高通量RNA-seq数据的准确比对是一个有挑战性且仍未解决的问题.当前可用的RNA-seq比对器遭受高比对错误率,低比对速度,片段长度限制和比对偏差.结果:为了比对我们的大量(> 800亿片段)ENCOD

进入http://browser.1000genomes.org/index.html网站 假定要寻找“6:133098746-133108745”这段距离的SNP数据,“6”表示6号染色体,后面的数据表示距离. 点击“Go”,进入如下界面后,再点击左栏的“Get VCF data” 弹出如下界面,再继续点击“VCF to PED converter” 再点击“Next” 接下来,弹出来的窗口让你选择种族(population),比如有中国CHB,日本JPT,挑选完感兴趣的种族,然后点击“Nex

1,软件介绍 FreeBayes is a Bayesian genetic variant detector designed to find small polymorphisms, specifically SNPs (single-nucleotide polymorphisms), indels (insertions and deletions), MNPs (multi-nucleotide polymorphisms), and complex events (composite

互信息已广泛应用于特征选择问题,但应用在 SNP 选择上还存在着一些局限.第一,互信息只能衡量一个 SNP 组合与表型的相关性, 无法衡量多个 SNP 与表型的相关性.第二, 利用互信息排序 SNP 时,隐含着一个假设,即: SNP 间是相互独立的,不存在着依赖关系.然而事实上,SNP 间存在着广泛的交互作用.因此,互信息排序 SNP 会严重低估交互作用 SNP 的重要性.第三,利用互信息选择 SNP 组合时,任意加入一个新 SNP 都会使互信息值不小于加入前该 SNP 组合的互信息值,限制了不

是单核苷酸多态性,人的基因是相似的,有些位点上存在差异,这种某个位点的核苷酸差异就做单核苷酸多态性,它影响着生物的性状,影响着对某些疾病的易感性.SNPedia是一个SNP调査百科,它引用各种已经发布的文章,或者数据库信息对SNP位点进行描述,共享着人类基因组变异的信息.我们可以搜索某个SNP位点来寻找与之相关的信息,也可以根据相关疾病,症状来寻找相关的SNP. 初次使用SNPedia   SNPedia主页网址为http://snpedia.com/index.php/SNPedia,比如我想

PLINK提供了“--ld”的参数计算两个SNP位点的连锁不平衡值. 命令如下: plink --file file --ld rs123 rs134 --out rs123_rs134 生成如下数据: --ld rs123 rs134: R-sq = 0.0313386       D' = 1 Haplotype Frequency Expectation under LE --------- --------- -------------------- TG 0 0.022549 CG 0

shapeit最大的功能是对双链DNA进行phase和基因型进行impute.除此之外,还能提取SNP和样本,同样的,也能去除SNP和样本.下面简单介绍这两个功能. 一.提取SNP 提取SNP用到“--include-snp”参数,具体命令为: time shapeit \ -convert \ --input-haps data.phased \ --output-haps data.phased.subset \ --include-snp include_marker.site 其中,in