KeepNotes blog

GATK Best Practices的目的：Best Practices for Germline SNP & Indel Discovery in Whole Genome and Exome Sequence

准备按照下述教程对其做个小笔记（流程参照官网，并结合公众号），熟悉一下如何寻找变异位点的GATK流程

这个KEGG WebLinks简单的说，就是利用url命名规则，直接通过网页访问KEGG数据库

1. 首先有一个概念需要理清楚

   map00010
   ko00010
   hsa00010

   上述3个通路命名表示的是同一个通路（Glycolysis / Gluconeogenesis），但是从图上也可以看出三者有点细微的区别：

   • map00010：以灰色背景显示通路里的所有的点
   • ko00010：以蓝色显示通路里的所有KO号
   • hsa00010：以绿色显示通路里的所有与人有关的点，并显示(鼠标移到某个点)对应的gene entries
     Read more »

Blast2go本地化教程网上也有不少，但是都是13年之前的，由于最近有这个需求，我也重新收集了下资料，然后整理了下：

主要参考：
http://blog.shenwei.me/local-blast2go-installation/
http://www.blast2go.com/b2glaunch/resources/35-localb2gdb
各种百度+google

在搞blast2go本地化的时候，发现我ubuntu系统默认将mysql安装在根目录下的，因而mysql的默认数据库路径也就是/var/lib/mysql，在我导入大文件时就出问题了，根目录满了。因此我需要将mysql的默认数据库目录改到我的home目录下

最近想学习下使用GATK所介绍的best practice流程来call SNP流程

最开始按照网上的教程，在BWA比对后，准备用picard来压缩排序sam文件为bam文件，并对bam文件进行duplicates marking，这是就需要用到picard软件

BWA介绍

BWA 全名 Burrow-Wheeler Aligner

BWA是一款将DNA序列mapping到参考基因组上的软件，例如比对到人类基因组。其由三个算法组成BWA-backtrack，BWA-SW和BWA-MEM。在该软件作者的github上可以看到对三个算法的不同用处的解释https://github.com/lh3/bwa

1. The first algorithm is designed for Illumina sequence reads up to 100bp, while the rest two for longer sequences ranged from 70bp to a few megabases.
2. BWA-MEM and BWA-SW share similar features such as the support of long reads and chimeric alignment, but BWA-MEM, which is the latest, is generally recommended as it is faster and more accurate.
3. BWA-MEM also has better performance than BWA-backtrack for 70-100bp Illumina reads.

并且在BWA命令中可以分别调用这三个算法，如：aln/samse/sampe for BWA-backtrack，bwasw for BWA-SW，mem for the BWA-MEM

Shiny是RStudio公司开发的一个R包，通过它可以用R语言开发交互式web应用。

karyoploteR是一个bioconductor的一个R包，用于定制非环形全基因组数据的可视化。其绘图绘图过程按照R的基本绘图系统，并且不需要其他图形包。karyoploteR旨在给使用者提供一种可以创建任何线性染色体基因组的表征，并在染色体上绘制相关基因组注释和实验数据。

当我们需要一些NGS数据时，一般会想到去NCBI或者EBI的数据库中下载。但是当我们用wget下载时，如果网络不给力的话，那只能是龟速的下载，对于那些几十G或者上百G的数据，那就实在无能为力了。这时我们可以使用Aspera来下载NGS数据

当你不满足只是在RStudio上只能自己查看自己写的shinyapp时，但又没服务器作为媒介来分享自己的shiny程序，那么shinyapp.io是你不二的选择。

一般来说，我们现在平时用的最多的数据库应该算NCBI和Ensembl了，所以我们应该对其的一些名词要有一定的了解，如：

InterPro是一个数据库，其提供蛋白序列的功能分析并归纳为一个个蛋白家族，同时还预测了presence of domains和important sites。为了将蛋白分类，InterPro使用先验模型，整合了不同的数据库形成一个整体

ComplexHeatmap其实是一个很全面的R包，它除了可以绘制简单热图还有其他复杂实用的热图，这里主要简单的介绍一下如何用这个R包来绘制简单热图

Usage

DT包主要用到的函数是datatable()，其参数如下：

datatable(data, options = list(), class = "display", callback = JS("return table;"), 
rownames, colnames, container, caption = NULL, filter = c("none", "bottom", 
    "top"), escape = TRUE, style = "default", width = NULL, height = NULL, 
elementId = NULL, fillContainer = getOption("DT.fillContainer", NULL), autoHideNavigation = getOption("DT.autoHideNavigation", 
    NULL), selection = c("multiple", "single", "none"), extensions = list(), 
plugins = NULL)

下面主要介绍下几个参数的用法

首先需要说明的是，limma是一个非常全面的用于分析芯片以及RNA-Seq的差异分析，按照其文章所说：

limma is an R/Bioconductor software package that provides an integrated solution for analysing data from gene expression experiments.

在这我只是对其中的一种情况进行简单的总结，比如这个包可以处理RNA-Seq数据，我简单的以两个比较组进行分组为例，至于其他分组情况，请看limma说明文档，有非常详细的说明，非常亲民。

DESeq2和EdgeR都可用于做基因差异表达分析，主要也是用于RNA-Seq数据，同样也可以处理类似的ChIP-Seq,shRNA以及质谱数据。

这两个都属于R包，其相同点在于都是对count data数据进行处理，都是基于负二项分布模型。因此会发现，用两者处理同一组数据，最后在相同阈值下筛选出的大部分基因都是一样的，但是有一部分不同应该是由于其估计离散度的不同方法所导致的。

DESeq这个R包主要针对count data，其数据来源可以是RNA-Seq或者其他高通量测序数据。类似地，对于CHIP-Seq数据或者质谱肽段数据也是使用的。

TransDecoder按照其官网的说明，主要用于识别转录本序列中的潜在的编码区域，也就是预测CDS。转录本可以由RNA-Seq数据通过Trinity组装来的，也可以由RNA-Seq比对到参考基因组上构建的转录本。

强烈推荐这篇文章：http://deanattali.com/blog/building-shiny-apps-tutorial/

我按照上述教程做了下个人的总结，主要是一些最基础的东西，可能不太全，只是对上述教程的一个总结。

安装Shiny

1. 安装R

   sudo apt install r-base