數據分析流程

來自知乎孟浩巍的“快速入門生物信息學的”Live，超棒的~

首先是質控部分，使用fastqc進行對結果分析。

對於Illumia二代測序的結果質控包括兩個方面，去掉測序質量不好的序列，即Quality Control；二是需要去掉連在玻璃上的短的接頭，cut adaptor。

-t 8表示調用8個核心去運算。

之後，對每一個序列文件都生成一個zip和一個html文件。

例如：

那麽這2500000肯定是不同的基因，只不過這個機器的測序長度是150，所以所有的基因長度都是相同的。

對250萬reads，每個位點的Q做一個箱線圖，要求箱線值最低點高於20%，否則需要將那部分切除。

在145左右的的序列Q值較低測序不穩，所以這樣的序列145之後的全不要了。

這個是GC含量圖，通常A和T相同，C和G相同，但是前10bp不穩定，需要切除。

表示測序過程中測到的段序列的含量，橫軸是1-150bp,縱軸是百分比。由於某種原因導致測的絕大多數都是測的adaptor。

這個主要是衡量建庫水平，建庫中通常有6-8輪的PCR，但有時會出現過P的現象，當duplication過高的情況下，需要去dup。但是在RNA-seq裏通常是不去dup的。

②接下來，使用fastx_trimmer去頭去尾。

zcat $fastq_1 | fastx_trimmer -f 11 -l 140 -z -o $out_fastq_1 &

zcat解壓縮，$fastq_1是輸入的第一個文件，這個文件解壓縮之後的結果給fastx_trimmer這個命令，

這個命令的參數-f是指first即保留的第一個bp（這裏前10bp剪切掉了）；last即保留的最後一個bp(保留到第140bp)，-z是壓縮命令，-o是輸出到這個文件裏。

//其中$：在bash裏表示當前是普通用戶；是變量引用操作符。a=10; echo $a會輸出10。

③使用cutadaptor去掉兩端的adaptor。

trimmer之後有一個去adaptor的過程，使用cutadaptor的軟件，

nohup cutadapt --times 1 -e 0.1 -0 3 
--quality-cutoff 6 -m 50 -a AGATCGGAAGAGC 
-A AGATCGGAAGAGC -o $out_fastq_1 
-p $out_fastq_2 $fastq_1 $fastq_2  >  $log_file 2>$1 &
 

//其中nohup：不掛斷地運行命令。

//2>$1：$1是傳遞給shell腳本的第一個參數；（轉自:https://www.cnblogs.com/kaituorensheng/p/4002697.html）

$# 是傳給腳本的參數個數
$0 是腳本本身的名字
$1 是傳遞給該shell腳本的第一個參數
$2 是傳遞給該shell腳本的第二個參數
$@ 是傳給腳本的所有參數的列表
$* 是以一個單字符串顯示所有向腳本傳遞的參數，與位置變量不同，參數可超過9個
$$ 是腳本運行的當前進程ID號
$? 是顯示最後命令的退出狀態，0表示沒有錯誤，其他表示有錯誤

//times 1一條序列只去一次Adaptor；-e 0.1在匹配時可以有10%的錯誤率；-O 3 adaptor序列必須和測序序列有3個堿基以上的overlap才可以；常用6；-m 50如果處理之後低於50的話就扔掉序列，短序列測序質量可能不是很好；-a和-A是Illumina常用的通用引物，之所以輸入兩個，是因為我是一個雙端測序的結果，需要對兩個文件內容進行分別去除，-a對應Reads1，-A對應reads2，$fasrq_1和_2是上一步的輸出；>最後是寫入log文件

一次rna-seq的過程-知乎live轉