物信息学数据格式的习题(blast/blat/fa-fq/sam-bam/vcf/bed/gtf-gff),收集这些格式的说明书。

VCF格式文件的shell小练习

原文链接

首先使用bowtie2软件自带的测试数据生成sam/bam文件,还有vcf文件

代码如下:

mkdir -p ~/biosoft
cd ~/biosoft
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh 
bash Miniconda3-latest-Linux-x86_64.sh 
source ~/.bashrc 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda
conda config --set show_channel_urls yes
conda create -y -n test
conda activate test
conda install -y samtools bcftools

wget https://sourceforge.net/projects/bowtie-bio/files/bowtie2/2.3.4.3/bowtie2-2.3.4.3-linux-x86_64.zip 
unzip bowtie2-2.3.4.3-linux-x86_64.zip 
cd ~/biosoft/bowtie2-2.3.4.3-linux-x86_64/example/reads

../../bowtie2 -x ../index/lambda_virus -1 reads_1.fq -2 reads_2.fq | samtools sort -@ 5 -o tmp.bam - 
bcftools mpileup -f ../reference/lambda_virus.fa tmp.bam |bcftools call -vm > tmp.vcf

LINUX练习题

  1. 把突变记录的vcf文件区分成 INDEL和SNP条目
  2. 统计INDEL和SNP条目的各自的平均测序深度
  3. 把INDEL条目再区分成insertion和deletion情况
  4. 统计SNP条目的突变组合分布频率
  5. 找到基因型不是 1/1 的条目,个数
  6. 筛选测序深度大于20的条目
  7. 筛选变异位点质量值大于30的条目
  8. 组合筛选变异位点质量值大于30并且深度大于20的条目
  9. 理解DP4=4,7,11,18 这样的字段,就是 Number of high-quality ref-forward , ref-reverse, alt-forward and alt-reverse bases 计算每个变异位点的 AF
  10. 在前面步骤的bam文件里面找到这个vcf文件的某一个突变位点的测序深度表明的那些reads,并且在IGV里面可视化bam和vcf定位到该变异位点。

其它思考题

  1. vcf的全称是什么?是用来记录什么信息的标准格式的文本?

  2. 一般选用哪个指令查看vcf文件,为什么不用vim?

  3. vcf文件以’##’开头的是什么信息?请认真查看这些信息。’#’开头的是什么信息?

  4. Vcf文件除头信息,每行有多少列,请详细叙述每行的含义!请准确记忆。

  5. 理解format列和样本列的对应关系以及GT AD DP的含义。

  6. Vcf文件第三列如果不是’.’,出现的rs号的id是什么?

  7. Vcf文件的ref,alt列和样本列的0/1 1/1 或者1/2的联系?

  8. Vcf文件一般用什么软件生成?请至少说出两个软件。请注意不同软件生成的vcf格式的稍有不同的地方。

  9. Vcf文件一般都比较大,压缩后的.gz文件用什么指令直接查看而不用解压后查看?

  10. 了解gvcf是什么格式,gvcf全称是什么?他与vcf有什么前后联系?

  11. 把alt列出现’,’的行提取出来

  12. 请将chrid、postion、ref、alt、format、样本列切割出来生成一个文本

  13. 将一个含snp,indel信息的vcf拆成一个只含snp,一个只含indel信息的2个vcf文件。可借鉴软件

  14. 用指令操作indel的vcf文件,提取indel长度>4的变异行数,存成一个文本。

  15. 用Vcftools过滤vcf文件,如maf 设置成0.05, depth设置成5-20,统计过滤前后的变异位点的总个数

  16. 利用vcftools提取每个样本每一个位点的变异信息和深度信息,生成一个矩阵的文件,至少含义以下信息

Eg:

CHRID POSTION SAMPLE_DP SAMPLE_GT
chr1 1010 5 AA
  1. 提取出变异位点上样本有纯和突变的行数

  2. 统计一下1号染色体上的变异总个数。

  3. 提取一下BRCA1基因上发生变异的行数,如果是人类wes变异结果文件

  4. 统计vcf文件各样本的缺失率,如果是多个样本的群体call结果。

进阶思考题:可视化vcf中变异位点质量值,横坐标是质量值,纵坐标是百分比或者该质量值时的变异位点的总个数,可以化成线图或者点图(可能需要学一些代码,还有R画图)

你可能感兴趣的:(物信息学数据格式的习题(blast/blat/fa-fq/sam-bam/vcf/bed/gtf-gff),收集这些格式的说明书。)