六 02

用php脚本把Rstudio公司的所有cheatsheet合并

Posted on by

R studio公司毕竟是商业化公司，在R语言推广方面做得很棒。网站什么总共有9个cheatsheet，R语言入门完全可以把这个当做笔记，写代码随时查用！

我批量下载了所有，但是想打印的时候，发现挺麻烦的，因为我不知道批量打印的方法，索性我还是半个程序猿，所以搜索了一下批量合并pdf的方法，这样就可以批量打印了，也方便传输这个文件。

其实如果在linux系统里面，一般都会自带pdf toolkit工具，里面有命令可以合并PDF文档。 Continue reading →

六 01

生信分析人员数据处理脚本实战

Posted on by

我前面写到了生信分析人员如何入门linux和perl，后面还会写R和python的总结，但是在这中间我想插入一个脚本实战指南。其实在我前两篇日志里面也重点提到了学习编程语言最重要的就是实战了，也点出了几个关键词。在实际生物信息学数据处理中应用perl和linux，可以借鉴EMBOSS软件套件，fastx-toolkit等基础软件，实现并且模仿该软件的功能。尤其是SMS2/exonerate/里面的一些常见功能,还有DNA2.0 Bioinformatics Toolbox的一些工具。如果你这些名词不懂，请赶快谷歌！！！ 它们做了什么，输入文件是什么，输出文件是什么，你都可以用脚本实现！

Continue reading →

五 23

生信分析人员如何系统入门linux？

Posted on by

生信分析人员如何系统入门linux？

linux系统在生物信息学数据处理中的重要性就不用我多说了，鉴于一直有学生问我一些很显而易见的问题，对系统性的学习并理解了linux系统操作的专业人士来说是显而易见的。
我在这里仅以过来人的角度给大家总结一下linux该如何学，该学什么，该花多少工夫，学习重点是什么？
就我个人这么多年处理生物信息学数据经验来看，可以把linux的学习过程分成三个阶段:
一是把linux系统玩得跟windows系统一样顺畅。
这一阶段的主要目的就是去可视化，熟悉黑白命令行界面。
如何连接服务器(xshell,putty,VNC~~~)，了解你在服务器上面有什么权限。
左右鼠标单击双击如何实现？磁盘文件浏览如何实现？文件操作如何实现？绝对路径和相对路径区别？
需要了解的命令有下面这些：
pwd/ls/cd/mv/rm/cp/mkdir/rmdir/man/locate/head/tail/less/more
cut/paste/join/sort/uniq/wc/cat/diff/cmp/alias
wget/ssh/scp/curl/ftp/lftp/mysql/
大家可以搜索(每天一个linux命令的博客)来跟着练习，或者看一些linux视频(百度云盘(http://pan.baidu.com/s/1jIvwRD8 )共享了一大堆，建议看鸟哥linux私房菜)，或者关注一些linux学习相关公众号，加入一些linux社区，论坛，当然如果你只是简单了解，搞生物信息学其实没必要那么深入理解，跟着一本像样的入门书籍，完整的学习即可！
不懂的名词，赶紧谷歌搜索，多记笔记。
需要深度理解的概念有：
软硬链接区别
文本编辑，文件权限设置
打包压缩解压操作(tar/gzip/bzip/ x-j x-c vf)
软件的快捷方式如何实现？
软件如何安装(源码软件，二进制可执行软件，perl/R/python/java软件)
软件版本如何管理，各种编程语言环境如何管理，模块如何管理？(尤其是大部分没有root权限)
这些知识需要深度理解，所以一般初学者肯定会遇到问题，自己要多看教程和视频跟着了练习，但总会有一些不是你立即就能解决的，不要纠结，继续学习，不久之后回过头来就明白了。
翻译成生物信息学语言就是：测序文件在哪里？测序文件有多大？测序文件的格式fastq/fasta是什么？
前几行怎么看，参考基因组如何下载？参考基因组如何建立比对索引？blast软件如何安装以及使用？
比对结果如何看？结果如何过滤？两次结果如何比较？
建议自己安装bio-linux系统，里面会自带很多生物信息学测试数据(fastq,fasta,sam,bam,vcf,gff,gtf,bed,MAF......),安装系统的过程也是熟悉linux的过程，熟悉这些数据格式既能加强生物信息学技巧，也能练习linux操作。
不懂的名词，赶紧谷歌搜索，多记笔记。

二是shell脚本，类似于windows的bat批处理文件

懂很多预定义变量 .bashrc/env/HOME/
学会一些控制语句 while/if/for/ 批量执行命令
开始自定义函数，避免重复造轮子。
了解 awk/sed/grep等文件操作语言，短小精悍，很多时候可以不需要编程。
正则匹配技巧,find函数使用
了解编程技巧 ()[]{} $$ 等符合如何使用，技巧有哪些，加快你数据处理能力(建议看shell 13问)
翻译成生物信息学语言就是：要深度组合这些命令，并且通过shell脚本，把它们在实际生物信息学数据处理中应用起来，需要很多的实践操作，可以借鉴EMBOSS软件套件，fastx-toolkit等基础软件，实现并且模仿该软件的功能。
尤其是SMS2/exonerate/里面的一些常见功能,还有DNA2.0 Bioinformatics Toolbox的一些工具。
不懂的名词，感觉谷歌搜索，多记笔记。
基本上要了解到这里才能勉强算是一个合格的生物信息学工程师。

三是高级运维技巧

w/last/top/qsub/condor/apache/socket/IO/ps/who/uid/
磁盘挂载/格式化/重启系统/文件清理/IP查看/网络管理/用户管理/目录结构了解/计划任务
各种库文件了解。
这个强烈建议初学者不要过于纠结，稍微了解为佳。
不懂的名词，赶紧谷歌搜索，多记笔记。
学习linux基础知识的同时，就可以开始项目实战，在实战的过程中要随时思考记录如何应用linux知识辅助生物信息数据处理？
并整理学习笔记以及经验分享。
五 23

生物医疗大数据高峰论坛参会笔记（全）

Posted on by

呀，这是去年（2015）蹭的一个论坛，不记得是第几届了，反正是生物谷举办的，他们搞论坛已经成为一个产业了，非常挣钱的！我那时候还很认真的做了笔记，现在回过头来看看，他们好像讲的都很有道理，虽然我直到现在也用不上，不过我丝毫不担心。我一直拼命的学习各种知识，就是因为有着坚定的信念，所学的一切终将会有一天对我的人生有所帮助。

Continue reading →

五 23

读书笔记（R语言）

Posted on by

R与ASReml-R统计分析教程（林元震）中国林业出版社

1-3章简单介绍了R的基本语法，然后第4章着重讲了各种统计方法，第5章讲R的绘图，最后一张讲ASReml-R这个包
语法重点:

1,install.packages(),library(),help(),example(),demo(),length(),attribute(),class(),mode(),dim(),names(),str(),head(),
tail()

2,rep,seq,paste,array,matrix,data.frame,list,c(),factor(),

3,缺失值处理（na.omit,na.rm=T），类型转换（as.numeric(),as.character(),as.factor(),as.logical()）

Continue reading →

五 19

用GISTIC多个segment文件来找SCNA变异

Posted on by

这个软件在TCGA计划里面被频繁使用者，用这个软件的目的很简单，就是你研究了很多癌症样本，通过芯片得到了每个样本的拷贝数变化信息，芯片结果一般是segment结果，可以解释为CNV区域，需要用GISTIC把样本综合起来分析，寻找somatic的CNV，并且注释基因信息。

有两个难点，一是在linux下面安装matlab工作环境，二是如何制作输入文件。

Continue reading →

五 18

2016-TCGA数据挖掘系列文章之癌症男女有别

Posted on by
这是TCGA数据挖掘系列文章之一，是安德森癌症研究中心的Han Liang主导的，纯粹的生物信息学数据分析文章。
文章题目是：comprehensive characterization of molecular differences in cancer between male and female patients.
研究意义：癌症病人的性别对肿瘤发生，扩散的意义不言而喻。不仅仅是因为很多癌症本来就是有性别特异性，比如卵巢癌之于女性、前列腺癌之于男性。即使对于其它并非性别特异性的癌症种类，男女病人在肿瘤发生，扩散，以及治疗阶段的反应也大不一样。但是以前对这样分子机理研究的很有限，一般集中在某些性别相关的分子pattern，比如非小细胞肺癌女性患者的EGFR突变，但那些研究要么就局限于单一的基因，要么局限于单一的数据类型，或者研究单一的癌症。严重缺乏一个全面的，系统的分析癌症患者的性别差异。而且TCGA数据库的出现让这一个研究变成了可能，这也就是本文章的出现的原因。
数据挖掘的对象：
如表所示，涉及到13种癌症，TCGA的六种数据()都用上了，因为是2016年，所以数据量也比较全面了。

Continue reading →

五 16

假基因资源中心

Posted on by
假基因是原来的能翻译成蛋白的基因经过各种突变导致丧失功能的基因。
比如
PTEN-->PTENP1
KRAS-->KRASP1
NANOG-->NANOGP1
很好理解，一般来说看到结尾是P1,等字眼的都是假基因，现在共有一万多假基因，我一般以http://www.genenames.org/cgi-bin/statistics （人类基因命名委员会）为标准参考。
研究的时候可能需要更全面一点，所以我又谷歌了一下，发现了一个还算比较全面的收集。
就是 http://pseudogene.org/Human/  （中心网站）
现在主要是 ENCODE计划的GENCODE 21. 和 耶鲁大学的Ensembl genome release 79.
Human Pseudogene Annotation

GENCODE Annotation

- Data: The current human pseudogene annotation is in GENCODE 21. .

- Description: The GENCODE annotation of pseudogenes contains models that have been created by the Human and Vertebrate Analysis and Annotation (HAVANA) team, an expert manual annotation team at the Wellcome Trust Sanger Institute. This is informed by, and checked against, computational pseudogene predictions by thePseudoPipe and RetroFinder pipelines.

PseudoPipe Output

- Data: The current PseudoPipe results are on Ensembl genome release 79. .

- Description: Genome-wide human pseudogene annotation predicted by PseudoPipe. PseudoPipe is a homology-based computational pipeline that searches a mammalian genome and identifies pseudogene sequences.

- Reference:

Other Human Pseudogene Sets

- Data: .

- Description: Archived pseudogene annotation on previous human genome releases from PseudoPipe. Genome-wide annotation or specific subset.
五 16

TCGA数据挖掘系列文章之-pseudogene假基因探究

Posted on by
这是TCGA数据挖掘系列文章之一，是安德森癌症研究中心的Han Liang主导的，纯粹的生物信息学数据分析文章。
TCGA数据库的数据量现在已经非常可观了，一万多的肿瘤样本数据，关于假基因的这篇文章是2014年发的，所以他们只研究了2,808个样本数据，也只涉及到7个癌症种类。

Continue reading →

五 06

所有TCGA的maf格式somatic突变数据均可下载

Posted on by

如果你研究癌症，那么TCGA计划的如此丰富的公共数据你肯定不能错过，一般人只能获取到level3的数据，当然，其实一般人也没办法使用level1和level2的数据，毕竟近万个癌症样本的原始测序数据，还是很恐怖的，而且我们拿到原始数据，再重新跑pipeline，其实并不一定比人家TCGA本身分析的要好，所以我们直接拿到分析结果，就足够啦！

Continue reading →

五 06

用SomaticSignatures包来解析maf突变数据获得mutation signature

Posted on by

mutation signature这个概念提出来还不久，我看了看文献，最早见于2013年的一篇nature文章，主要是用来描述癌症患者的somatic mutation情况的。

首先要自己分析癌症样本数据，拿到somatic mutation，TCGA计划发展到现在已经有非常多的somatic mutation结果啦，大家可以自行选择感兴趣的癌症数据拿来研究，解析一下mutation signature 。

我这里给大家推荐一个工具，是R语言的Bioconductor系列包中的一个，SomaticSignatures

其实它的说明书写的非常详细了已经，如果你理解了mutation signature的概念，很容易用那个包，其实你自己写一个脚本也是非常任意的，就是根据mutation的位置在基因组中找到它的前后一个碱基，然后组成三碱基突变模式，最后统计一下那96种突变模式的分布状况！

我这里简单讲一讲这个包如何用吧！

首先下载并加载几个必须的包：

library(SomaticSignatures)  ## 程序
library(SomaticCancerAlterations) ## 自带测试数据
library(BSgenome.Hsapiens.1000genomes.hs37d5)  ## 我们的参考基因组
library(VariantAnnotation)
## 这个对象很重要： GRanges class of the GenomicRanges package
##其中SomaticCancerAlterations这个包提供了测试数据，来自于8个不同癌症的外显子测序的项目。
sca_metadata = scaMetadata()
###可以查看关于这8个项目的介绍，每个项目都测了好几百个样本。但是我们只关心突变数据，而且只关心somatic的突变数据。
sca_data = unlist(scaLoadDatasets())

然后根据突变数据做好一个GRanges对象，这个可以看我以前的博客

sca_data$study = factor(gsub("(.*)_(.*)", "\\1", toupper(names(sca_data))))
sca_data = unname(subset(sca_data, Variant_Type %in% "SNP"))
sca_data = keepSeqlevels(sca_data, hsAutosomes())
## 这个对象就是我们软件的输入数据
sca_vr = VRanges(
    seqnames = seqnames(sca_data),
    ranges = ranges(sca_data),
    ref = sca_data$Reference_Allele,
    alt = sca_data$Tumor_Seq_Allele2,
    sampleNames = sca_data$Patient_ID,
    seqinfo = seqinfo(sca_data),
    study = sca_data$study
)
## 这里还可以直接用readVcf或者readMutect 来读取本地somatic mutation文件
## 提取突变数据，并且构造成一个Range对象。
sca_vr
###可以简单看看每个study都有多少somatic mutation
sort(table(sca_vr$study), decreasing = TRUE)
    LUAD   SKCM   HNSC   LUSC   KIRC    GBM   THCA     OV
   208724 200589  67125  61485  24158  19938   6716   5872
##用mutationContext函数来根据Range对象和下载好的参考基因组文件来获取突变的上下文信息。
sca_motifs = mutationContext(sca_vr, BSgenome.Hsapiens.1000genomes.hs37d5)
head(sca_motifs)
##可以看到Range对象，增加了两列：alteration        context
## 接下来根据做好的上下文突变数据矩阵来构建 the matrix MM of the form {motifs × studies}
sca_mm = motifMatrix(sca_motifs, group = "study", normalize = TRUE)
## 根据96种突变的频率，而不是次数来构造矩阵
head(round(sca_mm, 4))
## 然后直接画出每个study的Mutation spectrum 图
plotMutationSpectrum(sca_motifs, "study")
 mutation spectrum
## 还要把spectrum分解成signature！！
## 这个包提供了两种方法，分别是NMF和PCA
n_sigs = 5
sigs_nmf = identifySignatures(sca_mm, n_sigs, nmfDecomposition)
sigs_pca = identifySignatures(sca_mm, n_sigs, pcaDecomposition)
##还提供了很多函数来探索：signatures, samples, observed and fitted.
需要我们掌握的是assessNumberSignatures，用来探索我们到底应该把ｓｐｅｃｔｒｕｍ分成多少个ｓｉｇｎａｔｕｒｅ
n_sigs = 2:8
gof_nmf = assessNumberSignatures(sca_mm, n_sigs, nReplicates = 5)
gof_pca = assessNumberSignatures(sca_mm, n_sigs, pcaDecomposition)
plotNumberSignatures(gof_nmf)　## 可视化展现
## 接下来可视化展现具体每个cancer type里面的各个个体在各个signature的占比
library(ggplot2)
plotSignatureMap(sigs_nmf) + ggtitle("Somatic Signatures: NMF - Heatmap")
plotSignatures(sigs_nmf) + ggtitle("Somatic Signatures: NMF - Barchart")
plotObservedSpectrum(sigs_nmf)
plotFittedSpectrum(sigs_nmf)
plotSampleMap(sigs_nmf)
plotSamples(sigs_nmf)
同理，PCA的结果也可以同样的可视化展现：
plotSignatureMap(sigs_pca) + ggtitle("Somatic Signatures: PCA - Heatmap")
plotSignatures(sigs_pca) + ggtitle("Somatic Signatures: PCA - Barchart")
plotFittedSpectrum(sigs_pca)
plotObservedSpectrum(sigs_pca)
mutation signature NMF
值得一提的是，所有的plot系列函数，都是基于ggplot的，所以可以继续深度定制化绘图细节。
p = plotSamples(sigs_nmf)
## (re)move the legend
p = p + theme(legend.position = "none")
## (re)label the axis
p = p + xlab("Studies")
## add a title
p = p + ggtitle("Somatic Signatures in TGCA WES Data")
## change the color scale
p = p + scale_fill_brewer(palette = "Blues")
## decrease the size of x-axis labels
p = p + theme(axis.text.x = element_text(size = 9))
###当然，对上下文突变数据矩阵也可以进行聚类分析
clu_motif = clusterSpectrum(sca_mm, "motif")
library(ggdendro)
p = ggdendrogram(clu_motif, rotate = TRUE)
p
## 最后，由于我们综合了8个不同的study，所以必然会有批次影响，如果可以，也需要去除。
五 06

突变频谱探究mutation siganures

Posted on by

这也是对TCGA数据的深度挖掘，从而提出的一个统计学概念。文章研究了30种癌症，发现21种不同的mutation signature。如果理解了，就会发现这个其实蛮简单的，他们并不重新测序，只是拿已经有了的TCGA数据进行分析，而且居然是发表在nature上面！

研究了4,938,362 mutations from 7,042 cancers样本，突变频谱的概念只是针对于somatic 的mutation。一般是对癌症病人的肿瘤组织和癌旁组织配对测序，过滤得到的somatic mutation，一般一个样本也就几百个somatic 的mutation。

paper链接是：http://www.nature.com/nature/journal/v500/n7463/full/nature12477.html

从2013年提出到现在，已经有30种mutation siganures，在cosmic数据库有详细记录，更新见：http://cancer.sanger.ac.uk/cosmic/signatures
它的概念就是：根据突变上下文分成96类，然后每类突变的频率不一样画一个条形图，可视化展现。
mutation signature

Each signature is displayed according to the 96 substitution classification defined by the substitution class and sequence context immediately 3′ and 5′ to the mutated base. The probability bars for the six types of substitutions are displayed in different colours.
仔细看paper，还是蛮好理解的，自己写一个脚本就可以做这个分析了，前提是下载各个癌症的somatic mutation文件，一般是maf格式的，很多途径下载。
In principle, all classes of mutation (such as substitutions, indels, rearrangements) and any accessory mutation characteristic, for example, the sequence context of the mutation or the transcriptional strand on which it occurs, can be incorporated into the set of features by which a mutational signature is defined. In the first instance, we extracted mutational signatures using base substitutions and additionally included information on the sequence context of each mutation. Because there are six classes of base substitution—C>A, C>G, C>T, T>A, T>C, T>G (all substitutions are referred to by the pyrimidine of the mutated Watson–Crick base pair)—and as we incorporated information on the bases immediately 5′ and 3′ to each mutated base, there are 96 possible mutations in this classification. This 96 substitution classification is particularly useful for distinguishing mutational signatures that cause the same substitutions but in different sequence contexts.

很多癌症都发现了不止一种mutation signature，甚至高达6种，说明癌症之间差异还是蛮大的！
In most cancer classes at least two mutational signatures were observed, with a maximum of six in cancers of the liver, uterus and stomach. Although these differences may, in part, be attributable to differences in the power to extract signatures, it seems likely that some cancers have a more complex repertoire of mutational processes than others.
Most individual cancer genomes exhibit more than one mutational signature and many different combinations of signatures were observed
但是，我最后也没能绝对的界限是什么，因为总不能用肉眼来看每个突变频谱不一样吧？
The set of signatures will be updated in the future. This will include incorporating additional mutation types (e.g., indels, structural rearrangements, and localized hypermutation such as kataegis) and cancer samples. With more cancer genome sequences and the additional statistical power this will bring, new signatures may be found, the profiles of current signatures may be further refined, signatures may split into component signatures and signatures may be found in cancer types in which they are currently not detected.
分类会持续不断更新，随着更多的cancer type和样本加入，新的signature会被发现，现有的signature也可能会被重新定义，或者被分割成多个小的signature
五 05

华大soap系列的比对软件

Posted on by

也不知道是什么原因，对国产软件总是提不起兴趣，所以尽管SOAP系列都已经发展到了十几个软件了，我依然没有去试用一下。

软件下载：
官网直接找到：http://soap.genomics.org.cn/
SOAPaligner/soap2 is a member of the SOAP (Short Oligonucleotide Analysis Package).
很久以前，大家说soap其实指的是类似于bwa这样的比对工具，但是后来这个工具箱丰富了，所以我们现在如果只看比对工具，要看的是SOAPaligner
我是linux系统，用wget下载：wget http://soap.genomics.org.cn/down/soap2.21release.tar.gz
解压，由于下载是可执行程序，就不需要安装啦！
1
安装之后把该软件添加到环境变量！
输入数据：
这里选择两个网络上的测试数据:
如果是真想用这个软件的话，需要参考基因组和测序数据，这个链接貌似已经年久失修啦~！
# download a test reference genome (TAIR9 Chromosome 1)
wget http://biocluster.ucr.edu/~tbackman/query.fastq 
# download some test Illumina reads from Arabidopsis

运行命令：

2bwt-builder genome.fasta
   # create binary of reference genome
soap -a query.fastq -D genome.fasta.index -o output.soap
   # align query to genome and store output

结果解读：

由于测试数据没有下载下来，我安装了软件就懒得玩了，其实正经的来讲，应该写一个详细的测评，包括软件运行速度，比对准确率，等等，不过那样做就是发paper的节奏了，我随便玩玩，就算啦。
不过soap是一直在更新的，所以我相信他比对的结果，肯定是sam格式的。
所以结果就不用解读啦！
五 05

很老的比对软件maq

Posted on by
MAQ在2008年还是蛮火的，但是现在基本都是BWA和bowtie的天下了。
就当怀念一下它吧，给它写一个教程！
软件下载：
官网直接找到：http://maq.sourceforge.net/
解压，很容易观察到是C++源码，所以用源码安装三部曲来安装
tar jxvf software.tar.bz2
cd software
./configure --prefix=$path
make
make test
安装之后把该软件添加到环境变量！
输入数据：
这里选择两个网络上的测试数据:
如果是真想用这个软件的话，需要参考基因组和测序数据，这个链接貌似已经年久失修啦~！
# download a test reference genome (TAIR9 Chromosome 1)
wget http://biocluster.ucr.edu/~tbackman/query.fastq 
# download some test Illumina reads from Arabidopsis

运行命令：

maq # inspect command line options
maq fasta2bfa genome.fasta genome.bfa
   # create binary of reference genome
maq fastq2bfq query.fastq readBinary.bfq
   # create a binary of dataset
maq match out.map genome.bfa readBinary.bfq
# align query to genome and store output

结果解读：

我在想，这个MAQ软件发明之前，好像还没有SAM文件格式的定义，那么它的结果out.map肯定不是sam格式的。
哈哈，这个软件我无法安装，换了好几系统也没成功，如果是太老了，很多库文件却是。
我也懒得去解决了。
这种报错，对我这样的非计算机专业来说，简直是天书！
1
五 05

用samr包对芯片数据做差异分析

Posted on by

本来搞差异分析的工具和包就一大堆了，而且limma那个包已经非常完善了，我是不准备再讲这个的，正好有个同学问了一下这个包，我就随手测试了一下，顺便看看它跟limma有什么差异没有！手痒了就记录了测试流程！

学习一个包其实非常简单，就是找到包的官网看看说明书即可！说明书链接

 

Continue reading →

五 05

用GEMINI来探索vcf格式的突变数据

Posted on by

第一次听说这个软件，是一个香港朋友推荐的：http://davetang.org/muse/2016/01/13/getting-started-with-gemini/ 他写的很棒，但是我当初以为是一个类似于SQLite的数据库浏览模式，所以没在意。实际上，我现在仍然觉得这个软件没什么用！

软件官网有详细的介绍：https://gemini.readthedocs.io/en/latest/

而且提供丰富的教程：

We recommend that you follow these tutorials in order, as they introduce concepts that build upon one another.

  • Introduction to GEMINI, basic variant querying and data exploration. html pdf
  • Identifying de novo mutations underlying Mendelian disease html pdf
  • Identifying autosomal recessive variants underlying Mendelian disease html pdf
  • Identifying autosomal dominant variants underlying Mendelian disease html pdf
  • Other GEMINI tools html pdf

软件本身并不提供注释，虽然它的功能的确包括注释，号称可以利用(ENCODE tracks, UCSC tracks, OMIM, dbSNP, KEGG, and HPRD.)对你的突变位点注释，比如你输入1       861389  .       C       T       ，它告诉你这个突变发生在哪个基因，对蛋白改变如何？是否会产生某些疾病？

虽然它本身没有注释功能，但是它会调用snpEFF或者VEP进行注释，你需要自己先学习它们。

1

软件安装：

GEMINI是用python写的，有一个小脚本可以自动完成安装过程：

7.3K May  4 14:44 gemini_install.py

下载这个脚本，然后安装即可

wget https://github.com/arq5x/gemini/raw/master/gemini/scripts/gemini_install.py

python gemini_install.py $tools $data

PATH=$tools/bin:$data/anaconda/bin:$PATH

where $tools and $data are paths writable on your system.

我把$tools用的就是当前文件夹，$data也是当前文件夹下面的gemini文件夹。

这样就会在当前文件夹下面生成两个文件夹，bin是存储程序，gemini是存储数据用的，而且注意要把bin目录的全路径添加到环境变量！

输入数据：

我们可以直接下载软件作者提供的测试数据

首先是22号染色体的所有突变位点经过WEP注释的文件

然后是一个三口直接的突变ped格式数据

数据存放在亚马逊云，所有的教程pdf也在

http://s3.amazonaws.com/gemini-tutorials

如果是你自己的vcf文件，需要自己用VEP注释一下

1

运行命令：

2

结果解读：

产生是chr22.db就是一个数据库格式的文件，但是需要用gemini 来进行查询，个人认为，并没有多大意思！

你只要熟悉mySQL等SQL语言，完全可以自己来！

五 05

用VEP对vcf格式的突变数据进行注释

Posted on by

VEP是国际三大数据库之一的ENSEMBL提供的，也是非常主流和方便，但它是基于perl语言的，所以在模块方面可能会有点烦人。跟snpEFF一样，也是对遗传变异信息提供更具体的注释，而不仅仅是基于位点区域和基因。如果你熟悉外显子联盟这个数据库EXAC(ExAC.r0.3.sites.vep.vcf.gz)，你可以下载它所有的突变记录数据，看看它对每个变异位点到底注释了些什么，它就是典型的用VEP来注释的。 Continue reading →

五 05

用snpEFF对vcf格式的突变数据进行注释

Posted on by

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 →