牛的参考转录组序列文件下载及salmon索引构建

Posted on by

猪马牛羊狗等动物的科学研究貌似并不多，最近接到《生信技能树》公众号后台粉丝提问，跟着我们的转录组课程没办法完成自己的数据分析，因为物种不一样。

我这里以牛来举例吧，说明一下牛的参考转录组序列文件下载及salmon索引构建，以及转录组流程！

首先在 https://m.ensembl.org/Bos_taurus/Info/Annotation 可以查看牛的基因组的基本情况：

基因组情况

这样就对牛这个物种有一个大概的认知，可以看到牛的参考基因组质量还行，基因注释也是比较不错的！

然后去： http://asia.ensembl.org/Bos_taurus/Info/Index 可以看到参考基因组和参考转录组的下载地址：

image-20210509211515914

点击进去就可以看到最新版地址了，因为要演示salmon流程，仅仅是需要参考转录组序列的fasta文件即可，代码如下：

wget http://ftp.ensembl.org/pub/release-104/fasta/bos_taurus/cdna/Bos_taurus.ARS-UCD1.2.cdna.all.fa.gz
gunzip Bos_taurus.ARS-UCD1.2.cdna.all.fa.gz
# 100M Mar 28 02:02 Bos_taurus.ARS-UCD1.2.cdna.all.fa
salmon -v
# salmon 0.13.1
# 参考： https://mp.weixin.qq.com/s/kG2uI3me8Xo69mClThRutA
salmon index -t Bos_taurus.ARS-UCD1.2.cdna.all.fa -i Bos_taurus.ARS-UCD1.2.cdna.salmon.index

得到的salmon的index是一个文件夹，内容如下:

ls -lh Bos_taurus.ARS-UCD1.2.cdna.salmon.index/|cut -d" " -f 5-

4.4K May 9 21:17 duplicate_clusters.tsv
793M May 9 21:18 hash.bin
 666 May 9 21:18 header.json
 115 May 9 21:18 indexing.log
1.5K May 9 21:18 quasi_index.log
 77 May 9 21:18 refInfo.json
 12M May 9 21:17 rsd.bin
355M May 9 21:17 sa.bin
 91M May 9 21:17 txpInfo.bin
 96 May 9 21:18 versionInfo.json

单段fastq测序数据的salmon流程

前面的质控就不再赘述，直接上批量salmon流程代码：

## 定量获得TPM值 
mkdir salmon_output
cd cleanData

index=../ref/Bos_taurus.ARS-UCD1.2.cdna.salmon.index/

# 单端测序
 ls *gz|grep -v "_1" |grep -v "_2" |while read id;do
echo salmon quant -i $index --libType A -r ${id} -o ../salmon_output/${id}_quant --seqBias --gcBias --validateMappings 
done > single_salmon.sh

quant.sf文件很重要，要用于后续的分析。ENST和ENSG的前三个字母（ENS），意思是“ENSENMBLE”。T是指转录本。G是指基因。当然，也会看到ENSP，P自然是指蛋白质了。

双端fastq测序数据的salmon流程

index=../ref/Bos_taurus.ARS-UCD1.2.cdna.salmon.index/
# 双端测序
ls *val*gz|cut -d"_" -f 1|sort -u |while read id;do
echo salmon quant -i $index -l ISF --gcBias \
 -1 ${id}_1_val_1.fq.gz -2 ${id}_2_val_2.fq.gz -p 2 \
 -o ../salmon_output/${id}_output 
done > paired_salmon.sh

这里的 —libType A 参数一定要搞对哦，我就遇到过使用了错误的参数而比对率超级低的情况：

--libType A

参考教程：http://www.bio-info-trainee.com/2809.html

如果是下载参考基因组和基因注释文件

需要注意的 是 有 3个版本的哦：

<species>: The systematic name of the species.
<assembly>: The assembly build name.
<sequence type>:
 * 'dna' - unmasked genomic DNA sequences.
 * 'dna_rm' - masked genomic DNA. Interspersed repeats and low
 complexity regions are detected with the RepeatMasker tool and masked
 by replacing repeats with 'N's.
 * 'dna_sm' - soft-masked genomic DNA. All repeats and low complexity regions
 have been replaced with lowercased versions of their nucleic base

也多次讲解了，不再赘述，感兴趣的可以去看！基本上就是RNA-seq数据分析路线了，参考我在B站的教学视频，视频观看方式 ：

转录组的标准分析，比较容易复现，基本上看我六年前的表达芯片的公共数据库挖掘系列推文即可；

​

Comments are closed.