01全长转录组数据处理
测序数据如下图

每个棉种含有两个重复的数据,之所以有3个文件,是因为有一个重复的数据量没有测够;之后进行了补测
2019-10-10
合并两次测序的bam文件
后来发现还得使用ccs方法将两个bam文件指定为一个数据集
2019-10-11
因为在进行数据打磨时报错了
Missing .pbi file
2019-10-13
使用iso-seq中dataset程序处理,重复二的数据
使用ccs处理
之前数据的分析,师姐已经完成了;接下来主要是针对数据进行个性化的分析了;其实我还挺想自己把流程走一遍的,可惜公司不会把分析流程的protocol发给我们
2019-10-14
将之前的结果解压,到当前文件夹
unrar x result.rar
参考我之前写的软件使用说明
tps://zpliu.gitbook.io/booknote/ke-bian-jian-qie/ruan-jian-shi-yong/01-san-dai-ce-xu-isoseq#2-shi-yong-ccs-dui-yuan-shi-shu-ju-jin-hang-guo-lv
统计测序序列情况
1.二倍体亚洲棉
数据来源:第03三步分析流程里文件Classify_stat.xls
CO_31
序列类型
数目
比例
consensus reads质控后经过ccs处理
320874
100%
non-full-length reads
34265
10.68%
full-length reads(包括chimeric reads)
286277
89.22%
filtered short reads长度小于300bp
332
0.1%
chimeric reads
9710
3.03%
CO_32
序列类型
数目
比例
consensus reads质控后经过ccs处理
292447
100%
non-full-length reads
34265
10.68%
full-length reads(包括chimeric reads)
228041
77.98%
filtered short reads长度小于300bp
366
0.13%
chimeric reads
11003
3.77%
四倍体陆地棉
Col31&C0l32
序列类型
数目
比例
consensus reads质控后经过ccs处理
685383
100%
non-full-length reads
103674
15.13%
full-length reads(包括chimeric reads)
581611
84.86%
filtered short reads长度小于300bp
98
0.01%
chimeric reads
18914
2.76%
二倍体雷蒙德氏棉
Col31&C0l32
序列类型
数目
比例
consensus reads质控后经过ccs处理
487063
100%
non-full-length reads
87450
17.95%
full-length reads(包括chimeric reads)
399112
81.94%
filtered short reads长度小于300bp
501
0.1%
chimeric reads
26652
5.47%
比较测序数据与参考基因组数据中isform的长度与对应exon的数目
在测序数据中
06_Alignment/all.collapsed.gff文件中有每条isform的信息1.统计每条isform的长度信息,只包含外显子的长度
2.统计每条isform的外显子数目
参考基因组gff文件中有每个mRNA的注释信息
多了一个sed的处理主要是isform的第九列多了·一些信息
ID=evm.model.Ga01G0001.exon2,把exon那部分去除后获得isform编号准备绘图的数据
得到每个基因组中isform的外显子数目分布情况
2019-10-16
绘制isform长度比较信息,和外显子数目的比较信息
2019-10-17
第7个文件夹annotation中包含了,与参考基因组注释文件进行合并后的注释信息
利用地6步分析中得到的非冗余的isform序列,与基因组进行比较
棉种
非冗余的isform
比对到注释基因的isform
没有比对到基因区域
对应基因数
对应的转录本数
原参考注释基因数目
TM1
89,411
83,281
6,130
32,003
39,098
70199
A2
7,2393
69,179
3,214
20,907
参考基因组没有预测不同转录本
40960
D5
55,381
53,058
2,323
18,904
24,368
37505
第8个和第9个、10个文件的数据暂时用不到
分析第11个关于可变剪切的文件
分析不同棉种中可变剪切的类型,及发生可变剪切的基因数目
grep ExonS splice.as.xls|wc -l 统计外显子跳跃事件的数目
grep ExonS splice.as.xls|awk '{print $2}' |sort|uniq |wc -l 统计对应的基因数目
剪切事件数目/对应的基因数目
棉种
gene 总数目
事件总数目
TM-1
23137
121567
A2
11733
60921
D5
14483
81392
棉种
ES(ExonS)
IR(IntronR)
AltD
AltA
AltP
Other
TM1
5824/3519
70132/18813
13147/7329
15631/8522
8182/4201
8650/3621
A2
2536/1564
38121/9515
4746/2736
6129/3278
4764/2318
4624/1975
D5
5502/3005
42372/11062
8104/4713
11799/6094
5980/3046
7634/2810
看看比例TM-1
事件类型
事件比例与数目
基因数目与比例
IR
70132~57%
18813~81%
AD
13147~10.8%
7329~31.6%
AA
15631~12.8%
8522~36.8%
ES
5824~4.8%
3519~15.2%
AP
8182~6.7%
4201~18.1%
Other
8650~7.1%
3621~15.6%
看看比例A2
事件类型
事件比例与数目
基因数目与比例
IR
38121~62.5%
9515~81%
AD
4746~7.8%
2736~23.3%
AA
6129~10%
3278~27.9%
ES
2536~4.1%
1564~13.3%
AP
4764~7.8%
2318~19.7%
Other
4624~7.6%
1975~16.8%
看看比例D5
事件类型
事件比例与数目
基因数目与比例
IR
42372~52%
11062~76%
AD
8104~9.9%
4713~32.5%
AA
11799~14.5%
6094~42%
ES
5502~6.7%
3005~20.7%
AP
5980~7.3%
3046~21%
Other
7634~9.4%
2810~19.4%
D5的剪切事件相对与A2来说有点偏高,可能是由于A2的参考基因组本身就没有对多个转录本进行预测;为了验证这个猜想,就只看PBc得到的转录本之间的剪切事件
棉种
ES(ExonS)
IR(IntronR)
AltD
AltA
AltP
Other
TM1
1225/916
18218/5901
2532/1641
3088/1926
2797/1532
2609/1264
A2
1253/840
17865/5347
2201/1444
2945/1803
2358/1312
2571/1068
D5
504/368
9578/3160
1112/770
1438/901
1379/858
1466/735
2019-10-18
在第7个文件夹中matchAnnot_result.txt文件中包含比对到参考基因组上的isform和对应的参考基因编号
分析全长转录组的数据与原始数据相比在isform数目上的差异
2019-11-2
根据参考基因组的注释文件,产生剪切位点的bed文件
假定剪切复合体是以外显子识别的模式进行剪切的,并且不关心外显子在正负链上的关系
生成各种类型的剪切
将甲基化的数据构造成bed文件
统计每个区域中含有甲基化的位点的数目
提取对应区域的CG类型的数目,进行甲基化水平的标准化
画两幅内含子和外显子连接的图,intron5-exon5 vs exon3-intron3
ggplot2绘制图形
2019-11-08
重新分析可变剪切的数据,使用gmap进行比对,过滤指标覆盖度85%,相似度90%
2019-11-14
考虑每个isform直接的比较
棉种
ES(ExonS)
IR(IntronR)
AltD
AltA
AltP
Other
TM1
17702/3440
254763/18239
37147/7111
48642/8180
13878/3441
8005/2046
A2
5074/1390
94222/9164
12407/2762
17002/3382
11798/2650
4310/1213
D5
18554/2949
148092/10583
19095/3523
31982/4988
5508/1406
5199/1279
只考虑基因坐标
棉种
ES(ExonS)
IR(IntronR)
AltD
AltA
AltP
Other
TM1
4139/3440
53689/18239
10223/7111
11951/8180
5088/3441
2823/2046
A2
1656/1390
27223/9164
3839/2762
5021/3382
4428/2650
1757/1213
D5
3863/2949
31532/10583
4903/3523
7343/4988
1892/1406
1758/1279
A2_8 vs D5_6
棉种
gene 数目
事件数目
TM1
21405
87934
A2
10861
42044
D5
12684
51616
棉种
ES(ExonS)
IR(IntronR)
AltD
AltA
AltP
Other
TM1
4139/3440
53689/18239
10223/7111
11951/8180
5088/3441
2823/2046
A2
2276/1560
28078/9203
4135/2810
5199/3376
1823/1296
1435/949
D5
4280/2958
31756/10581
4900/3427
7055/4731
1819/1303
1805/1209
2019-11-16
比较Alt exon与constituents exon的甲基化水平
提取可变剪切文件中所有isform的exon坐标
先提取PacBio对应的isform编号,以及对应的mRNA对应的编号
提取Alter exon的坐标
2019-11-20
之间比较Constitutive Exon和Alternative Exon之间甲基化水平的差异
Alternative Exon需要把对应的链的信息给补充完整
直接根据基因区编号来补充把
感觉失败了

把四个坐标中甲基化位点为0的exon去除试试
同样没有发现想要的效果,比如Alter 的剪切位点中exon和intron之间的甲基化程度相差不大,而Constitutive 剪切位点附近的甲基化程度相差很大

不把intron与exon拆开看了,就分析5'|3’剪切位点附近甲基化程度和CG含量
佛了,想要差异大一些又没差异

参考
bedtools使用 https://www.jianshu.com/p/6c3b87301491
ggplot2 https://blog.csdn.net/Bone_ACE/article/details/47427453# 标签修改
Last updated
Was this helpful?