今天又有小伙伴微信问我perl模块安装的问题，因为ENSEMBL发布的大多数数据库以及软件都是基于perl的，尤其是分量很重的VEP，所以即使你再如何如何的讨厌perl，也不得不与之打交道。
这种细节问题问我，我当然无法直接给出答案咯。毕竟，我的知识积累都不是靠死记硬背的。所以需要取回过头查看一下我的博客，才意识到，我竟然已经写了7篇教程，关于perl的模块。目录如下：
首先需要自己确定已经安装了哪些模块，都安装在哪里？还有新的模块需要安装到哪里？
然后再学习如何安装新的模块。
DIPG和 adult glioblastomas (GBMs) 很大区别，不应该用同样的治疗方式。
测序策略是：
We integrated deep sequencing analysis of 36 tumor-normal pairs (20 whole-genome sequencing (Illumina HiSeq 2000) and 16 whole-exome sequencing (Applied Biosystems SOLiD 5500xl)) with comprehensive methylation (28 DIPGs; Illumina Infinium450k methylation array), copy number (45 DIPGs; Affymetrix SNP6.0) and expression (35 DIPGs; Illumina HT-12 v4) data (Supplementary Table 1). Continue reading
很久很久以前我就写过一个服务器系列教程：http://www.bio-info-trainee.com/555.html
在那里，我留下了一个疑问，因为后来没有机会再继续捣鼓服务器，所以一直悬而未决，问题描述如下： Continue reading
我知道会有续集，但也没想到续集来得这么快！今天收到了一个生信技能树公众账号铁杆粉丝（我们之间有过9次邮件交流）的求助信，下面我们首先一起帮他解决一下碰到的问题。随后和大家分享一下可以提高搜索效率和准确率的Google搜索技巧。
今天是大年初二，这篇文章我只想传达一点：
没有什么菜鸟级别的生物信息学数据处理是不能通过Google得到解决方案的，如果有，请换个关键词继续Google！
首先用两分钟的时间简单介绍一下R语言：
因为这个语言是肉丝儿（Ross Ihaka）和萝卜特（Robert Gentleman）两个人1992年在S语言的基础上发明出来的开源语言，所以叫做R语言。这两个人是统计学教授出身，所以R语言在统计学方面有着纯正的血统！如果你平时的工作和统计相关，你好意思不会点R语言么？
垃圾数据对初学者的伤害真的很可怕！
最近在带一些朋友入门，想起了当年自己入门的各种凄惨惨戚戚！
碱基质量值很差，GC不平衡，还有接头，PCR重复也很多，kmer值也很诡异，时间都耗在QC上面了，结果几个月下来，你一个流程都没搞明白，各种查资料，还是在原地打转。 Continue reading
我们在第19讲留下了一个悬念：为什么我算的染色体覆盖度与公司给我的报告不符合！！
公司算出每条染色体的覆盖度都接近于100%了，而我是结果是: Continue reading
来自于我们生信技能树论坛的超级版主bioinfo.dong的好文一篇，比较符合我博客的思想，就友情转发一下：
原文链接见：http://www.biotrainee.com/thread-379-1-1.html
刚接触生信的同学大都有个困惑，知道生物信息可能需要编程，可是选择什么语言呢？有人会说perl啊，Python啊，R啊，java啊，等等等等。目的不一样，选择也不一样，你可以说语言都没有区别，达到目的就行，当然没问题。可是我们也要知道每种语言都有其独特优势，你可以用perl倒腾出矩阵运算，也可以画出想要的图，可是没有R专业；你也可以用R的正则表达式处理文本，可是perl或者Python做正则会更方便一些。这不是比较帖，只是从一个Python体验者的角度来说一下为什么选择Python。我目前的编程组合是Python+R+Shell Scripting。
这篇文章比较适合编程初学者，常年用perl的老司机们可以随便看一下，虽说perl和Python很像，有了一门的基础，学另一门就容易多了，可是真让一个用了几年perl的人彻底换Python还是比较困难的，主要还是习惯问题。最初做生信的人大都以perl作为常用脚本语言。我也是从perl开始的，当年为了申请出国读Bioinformatics，认真把小骆驼书看了一遍。来美国之后的第一个导师刚好是教perl的，我又跟着学了一次，看完导师推荐的《Unix and Perl to the Rescue》，算是巩固加第二次入门。之后一年基本都是用perl来处理数据。一个偶然的机会，同学说一起学学Python吧，听说很好用，于是就在网上找了个教程把题目刷了一遍。虽说入了门，可是每次项目赶时间的时候第一个想到的还是用perl来解决，所以入门很久也没啥长进，我亲爱的同学因为perl用的太好，虽然知道Python很好用，可始终没法狠心转过来，而我因为本身perl学得也只是半斤八两，纠结了一段时间也就彻底放弃perl了。
先说用了很长时间perl再用Python觉得不习惯的点。
（1）首先是动物园的书，《learning perl》真是入门的典范。再看《Learning Python》，几千页，那么厚，我到现在也没法认真看下去。
（2）另外perl语句比较简洁，几个符号就可以讲清楚的，Python可能需要几行，比如按行读取，perl只要while(<>)就可以，而最初学Python的时候，光这个问题就困扰了很久。再比如perl正则匹配的$1, Python是match.group(1)。perl的简洁伴随的缺点是可读性较差，自己的代码写完了都不想再看，更不要说别人写的。
（3）perl的正则表达式是真的非常厉害，我已经不记得是怎么厉害的了，就只记得Python的re module刚开始接触不太好用，不过现在已经感觉不出区别了。
（4）通常一个Python脚本需要很多modules，不熟悉之前会觉得很痛苦，perl就比较少用到，我总共也没用几次，一方面说明我的perl确实学得不好，另一方面可能也真是不太好用，看到就觉得麻烦。但Python的modules一旦熟悉了会大大提高工作效率。重点说一下Python的优点。Python作为编程语言真正的优势比如面向对象编程（OOP），可移植/扩展/嵌入，强大的爬虫功能，APP开发，web开发等都不在讨论范围之内，只从最实用的角度做一下说明：
（1）简单，适合作为入门语言。很多时候觉得读Python的代码像是在读简单的英文，或者觉得pseudocode稍微一改就可以在Python里run了。Python还规范了很好的写作格式，该缩进的必须缩进，这样更增强了可读性。同时提高了代码重复利用的可能（很多时候perl代码写完就不想读了，三个月不用再回来已经看不太懂了，Python的就可以留着慢慢用。。。）
（2）Python社区活跃。有问题可以很容易搜索到解决方案。我perl的老师现在也转教Python了，问他为什么，他说perl的community不活跃，用Python是一种趋势
（3）作为开源语言，Python有很多非常好用的包，可以最大程度让我们避免把时间浪费在重复造轮子上。刚接触Python的时候我就觉得这简直是perl和R的整合，之前提过Python的scipy，numpy，pandas，matlibplot等等packages使其同样拥有了很强大的统计画图功能，我曾一度弃用R，用Python做所有的数据处理，数据分析和画图。不过现在又将这些工作交回了R，实验室本身是做统计的，用R显得入流一点：-）
（4）Python的jupyter notebook！！！这个是要强力推荐的！！！以前叫ipython notebook。用过R的都知道R Studio。jupyter notebook就是Python的Studio。以前写perl或者Python是不是这样的流程：写好了，存成.pl或.py格式，在shell里python xxx.py或者perl xxx.pl。运行完发现不好，有bug，打开文件找找bug在哪，再运行，还不行，唉，反反复复，好累。有了jupyter notebook你就可以边写边跑边改程序。有任何不确定的地方，都可以在notebook里直接测试，有任何bug都可以在notebook里直接改。简直方便到爆。现在用Anaconda安装jupyter还附赠很多包，方便又实惠。
（5）学好Python可以转行！！！跳出生物坑，奔向美好的互联网坑。前面提到的爬虫，APP开发，web编程都是很实用的技能。许多互联网公司也会专门招Python程序员，比如Google，比如Youtube，比如Dropbox。。。
我本专业是Bioinformatics，需要上一些计算机和统计的研究生课程，还记得算法课上老师第一节课就问，java和C++都会吧，如果不会的话Python总会吧，都不会的话这门课的作业写不了。就因为觉得自己还算会一点Python，把一次学习java的好机会浪费掉了
暂时就想到这么多。说的未必对。都是自己的体会吧。希望对初学者有用～
因为最近在研究CHIP-seq测序数据处理，发现有些文章重点并不是数据处理本身，而是对生物学基础知识的掌控以及实验设计，这篇文章我重点推荐一下，我略微翻译了一些，笔记如下：
前面已经讲到了该文章的数据已经上传到NCBI的SRA数据中心，所以直接根据索引号下载，然后用SRAtoolkit转出我们想要的fastq测序数据即可。下载的数据一般要进行质量控制，可视化展现一下质量如何，然后根据大题测序质量进行简单过滤。所以需要提前安装一些软件来完成这些任务，包括： sratoolkit /fastx_toolkit /fastqc/bowtie2/hg19/miRBase/SHRiMP
下面是我用新服务器下载安装软件的一些代码记录，因为fastx_toolkit /fastqc我已经安装过，就不列代码了，还有miRBase的下载，我在前面第二讲里面提到过，传送门：自学miRNA-seq分析第二讲~学习资料的搜集 Continue reading
这个软件比较重要，尤其是对做遗传变异相关研究的，很多人做完了snp-calling后喜欢用ANNOVAR来进行注释，但是那个注释还是相对比较简单，只能得到该突变位点在基因的哪个区域，那个基因这样的信息，如果想了解更具体一点，就需要更加功能化的软件了，snpEFF就是其中的佼佼者，而且是java平台软件，非常容易使用！而且它的手册写的非常详细：http://snpeff.sourceforge.net/SnpEff_manual.html Continue reading
既然你点进来看，肯定是有需求咯！ 一般来说，R语言自带的install.packages函数来安装一个包时，都是默认安装最新版的。 但是有些R包的开发者他会引用其它的一些R包，但是它用的是人家旧版本的功能，但他自己来不及更新或者疏忽了。 而我们又不得不用他的包，这时候就不得不卸载最新版包，转而安装旧版本包。
我是受到了SOAPfuse的启发才想到整理各种基因组版本的对应关系，完整版！！！
以后再也不用担心各种基因组版本混乱了，我还特意把所有的下载链接都找到了，可以下载任意版本基因组的基因fasta文件，gtf注释文件等等！！！
GRCh36 (hg18): ENSEMBL release_52.GRCh37 (hg19): ENSEMBL release_59/61/64/68/69/75.GRCh38 (hg38): ENSEMBL release_76/77/78/80/81/82.
Feb 13 2014 00:00 Directory April_14_2003 Apr 06 2006 00:00 Directory BUILD.33 Apr 06 2006 00:00 Directory BUILD.34.1 Apr 06 2006 00:00 Directory BUILD.34.2 Apr 06 2006 00:00 Directory BUILD.34.3 Apr 06 2006 00:00 Directory BUILD.35.1 Aug 03 2009 00:00 Directory BUILD.36.1 Aug 03 2009 00:00 Directory BUILD.36.2 Sep 04 2012 00:00 Directory BUILD.36.3 Jun 30 2011 00:00 Directory BUILD.37.1 Sep 07 2011 00:00 Directory BUILD.37.2 Dec 12 2012 00:00 Directory BUILD.37.3
1. Navigate to http://genome.ucsc.edu/cgi-bin/hgTables2. Select the following options:
clade: Mammal
genome: Human
assembly: Feb. 2009 (GRCh37/hg19)
group: Genes and Gene Predictions
track: UCSC Genes
table: knownGene
region: Select "genome" for the entire genome.
output format: GTF - gene transfer format
output file: enter a file name to save your results to a file, or leave blank to display results in the browser3. Click 'get output'.
for i in $(seq 1 22) X Y M;
do echo $i;
wget http://hgdownload.cse.ucsc.edu/goldenPath/hg19/chromosomes/chr${i}.fa.gz;## 这里也可以用NCBI的：ftp://ftp.ncbi.nih.gov/genomes/M_musculus/ARCHIVE/MGSCv3_Release3/Assembled_Chromosomes/chr前缀
done
gunzip *.gz
for i in $(seq 1 22) X Y M;
do cat chr${i}.fa >> hg19.fasta;
done
rm -fr chr*.fasta
我已经构建好bioconductor中文社区的雏形，大家可以进去看看！
突然发现我的bioconductor.cn这个域名都快要过期了！
哈哈，才想起一年前的计划到现在还没开始实施，实在不像我的风格，可能是水平到了一定程度吧，很多初级工作不像以前那样事无巨细的把关了。正好，借这个机会找几个朋友帮我一起完成这个bioconductor中文社区计划！
刚开始接触生物信息学的时候我也很纠结什么fastq,fastq,sam,bam,vcf,maf,gtf,bed,psl等等，甚至还有过时了的NCBI,ENSEMBL格式，如果是我刚开始 学的时候，我倒是很愿意把他们全部搞透彻，写详细的说明书，但是现在成长了，这些东西感觉很low了，正好我看到了一篇帖子讲数据格式的收集大全，分享给大家，希望初学者能多花点时间好好钻研！
https://www.biostars.org/p/55351/
很多时候，我们都无法确定到底是基于symbol来进行分析，还是基于entrez ID，当我们要进行ID转换的时候也想当然的以为它们的一一对应的， 但是最近我写了一个脚本来分析CCLE的数据的时候，发现其实有一些特例:
all_symbol=mappedkeys(org.Hs.egSYMBOL2EG)
报错如下：ERROR MESSAGE: SAM/BAM file input.marked.bam is malformed: SAM file doesn't have any read groups defined in the header. The GATK no longer supports SAM files without read groups ！
它们虽然被GEO数据标记了不同的ID号，但是其实都是一种芯片，都是昂飞公司的U133++2芯片，分析过芯片数据的人肯定不会陌生了
http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GPL15308
事实上，这个平台应该是GPL570，但是被CCLE数据库给稍微变通了一下，就给了一个GPL15308的标签，平台主页也写的很清楚，它的探针ID是伪ID，其实就是entrez gene ID
| 本来这个芯片设计的是五万多个探针，最后只剩下了18926个基因 |
| This array is identical to GPL570 but the data were analyzed with a custom CDF Brainarray Version 15, hgu133plus2hsentrezg. |
how to download GSEA ?
what's the input for the GSEA?
start to run the GSEA !
what's the output ?
[perl]
open FH,"bigy_targets.txt";
while(<FH>){
chomp;
@F=split;
$all+=$F[2]-$F[1]+1;
foreach ($F[1]..$F[2]){
$h{$_}=1;
}
}
close FH;
open FH,$ARGV[0];
while(<FH>){
chomp;
@F=split;
next unless $F[0] eq 'chrY';
if (exists $h{$F[1]}){
$pos++;
$depth+=$F[2];
}
}
close FH;
$average=$depth/$pos;
$coverage=$pos/$all;
print "$pos\t$average\t$coverage\n" ;
[/perl]
try the GATK "DepthOfCoverage" ?http://www.broadinstitute.org/gsa/wiki/index.php/Depth_of_Coverage_v3.0
or you can run 'samtools pileup' and calculate the mean value for the coverage column.