人类参考基因组

人类参考基因组

一、人类参考基因组的来源

1、人类基因组计划

1）2001年草图，绘制人类基因组图谱

2、数据库的名称

1）UCSC：hg19，hg38

2）NCBI：GRCH19，GRCH38

二、如何下载参考基因组

在 linux 中下载参考序列数据库：

1. hg38：wget http://hgdownload.cse.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz
2. hg19：wget http://hgdownload.cse.ucsc.edu/goldenPath/hg19/bigZips/chromFa.tar.gz 
# 下载时间会比较久，建议网速不好时候，用其他方法。

三、参考基因组的后续处理

1、对下载的基因组进行初步整理：

tar zvfx chromFa.tar.gz
# 与 chrNo.fa 无关的文件删除掉。（chrNo 指 chr1、chr2......chrX、chrY、chrM）

cat  *.fa  >>  genome.fa
rm  chr*.fa    
# 即可获得人类参考基因组序列的所有染色体的汇总文件：genome.fa

2、用 bwa 软件，对 genome.fa 建立索引文件：

[bwa path]  index  genome.fa
# 构建索引后，会生成文件：hg19.fa.amb、hg19.fa.ann、hg19.fa.bwt、hg19.fa.pac 和 hg19.fa.sa

四、参考基因组的信息统计

1、染色体的长度统计，用 python 画个条形图。
答：请参见以下程序1。

2、染色体的 GC 含量，用 python 画个条形图。
答：请参见以下程序2。

五、.fai 的深入研究

1、如何得到 .fai 文件 ?
答：用 samtools 软件的 faidx 参数，可对参考基因组 .fa 文件进行索引，生成 .fai 文件。
例如：[samtools path] faidx input.fa

2、.fai 文件总共有 5 列信息：
1）序列所在染色体号
2）序列的长度
3）该序列的第一个碱基，在文件中的偏移位置，从 0 开始计数，first.base_offset
4）每行有多少个碱基， base_number_each_line
5）每行的字节长度， byte_each_line
例如：chr1 12345678 68 70 71

示例：
比如，2号染色体的第一个碱基的偏移量 = 1号染色体的长度/每行的碱基数 X 每行的字节数 + （>chr1\n 和 >chr2\n）的字节数。

3、如何利用 fai 文件快速得到某个 region 的参考序列 ?
答：用 samtools 软件的 faidx 参数，可快得到某个 region 的参考序列。
例如，如果要获得参考序列 hg19 的1号染色体上的 2377-2399 位置的序列：samtools faidx hg19.fa ’ chr1: 2377-2399 ’

4、给定一个 region，自己用 python 实现参考序列的快速查找 ？
答：利用 seek 函数，用 python 实现参考序列的快速查找。
请参见以下程序3。

程序1：

#!python3

# 读取genome.fa，进行染色体的长度统计，并用条形图呈现出来。

import sys
import matplotlib.pyplot as plt
import numpy as np

if len(sys.argv) != 2:
        print('Usage: python3 %s  ' % sys.argv[0])
        sys.exit()

genome_fa = sys.argv[1]
fasta_open = open(genome_fa, "r")
l_hash = {}

# 染色体的长度统计，将染色体号和对应的长度，保存在字典中。
for line in fasta_open:
    line = line.strip()
    if line.startswith('>'):
        chr_key = line.lstrip('>')      
        l_hash[chr_key] = 0
    else:
        l_hash[chr_key] += len(line)        
fasta_open.close()

chrnum = list(l_hash.keys())
length = list(l_hash.values())

fig1 = plt.figure(num=1, figsize=(8,6))
plt.title('The length of each chromosome', fontweight='bold', fontsize=12)
plt.xlabel('Chromosome', fontsize=9)
plt.ylabel('Number of Base', fontsize=9)
plt.yscale('linear')
plt.xticks(rotation=45, fontsize=7)
plt.bar(chrnum, length)
plt.show()
fig1.savefig('Length_of_Chromosome.png')

程序2：

#!python3

# 读取 genome.fa，进行染色体的GC总含量的统计，并用条形图呈现出来。

import sys
import matplotlib.pyplot as plt

if len(sys.argv) != 2:
        print('Usage: python3 %s  ' % sys.argv[0])
        sys.exit()

genome_fa = sys.argv[1]
fasta_open = open(genome_fa, "r")

b_hash = {}

# 染色体号为 key，GC 含量为 value，将统计数值保存在字典中。
for line in fasta_open:
    line = line.strip()
    if line.startswith('>'):
        chr_key = line.lstrip('>')
        b_hash[chr_key] = 0
    else:
        for base in line:
            if base == 'C' or base == 'G':
                b_hash[chr_key] += 1
fasta_open.close()

chrnum = list(b_hash.keys())
gc = list(b_hash.values())

# 绘制条形图。
fig1 = plt.figure(num=1, figsize=(8,6))
plt.title('The GC contents of each chromosome', fontweight='bold', fontsize=12)
plt.xlabel('Chromosome', fontsize=9)
plt.ylabel('GC Contents', fontsize=9)
plt.yscale('linear')
plt.xticks(rotation=45, fontsize=7)
plt.bar(chrnum, gc)
plt.show()
fig1.savefig('GC_Content_of_Chromosome.png')

程序3：

# 实现同 samtools faidx 一样功能的程序。 

import sys

def Read_Base(filefa, offset, pos2, pos1):
    seek = offset + pos1 - 1    # 该染色体第一个碱基偏移位置 + 序列的第一个碱基在染色体上的位置（-1是为了包括序列的第一个碱基，否则，会从序列的第二个碱基开始）
    pos = pos2 - pos1 + 1   # 序列的长度。
    with open(filefa, 'r') as fin:  # 读 genome.fa，找序列的碱基段。 
        frontline = pos1 // 50  # 因为 genome.fa 是 50 个碱基为一行，看这条序列前面的碱基跨越了多少行。
        remainline = pos1 % 50  # 看序列的第一个碱基在genome.fa中，是不是刚好在 \n 上（\n算是一个字节）
        if remainline == 0: seek = seek + frontline - 2  # 如果在 \n 上，则指针要后移2个位置。
        else: seek = seek - 1   # 如果不在 \n 上，指针只需要后移1个位置。

        seekinitial = seek  # 保存此时指针的位置，以防下面不满足规定时，需要回到这个位置上。
        fin.seek(seek, 0)   # 从头开始，看 seek 位置的碱基。
        text = fin.read(pos + 1)    
        flag = True
        while flag: # 循环程序目的：加上这条序列横跨的行，即\n的字节数。
            if '\n' in text:    # 如果该序列包括\n的话。
                seek = seekinitial  # 从原来的指针位置开始读。              
                count_n = text.count('\n')  # 计算 \n 的数量。
                seek = seek + count_n   # 原来seek需要加上 \n 的字节数。
                fin.seek(seek, 0)
                text = fin.read(pos + 1)
                if text.count('\n') <= count_n: # 如果seek加上原来\n的字节数后，又遇到\n，则再循环确保新的\n囊括进来。
                    flag = False
            else:   # 如果该序列不包括\n，则不用加\n的字节数。
                flag = False
        
        text = text.replace('\n','')  # 去掉\n，只留下碱基。      
        lenbase = len(text)
        baseline = lenbase // 60   # 模仿 samtools faidx 输出，每行为60个碱基。便于核对。
        for l in range(baseline+1):
            for t in text[0+60*l:60+60*l]:  # 读取60个碱基，输出为同一行。
                print(t, end='')
            print('\n')        
    return 

if __name__ == '__main__':
    if len(sys.argv) != 6:
        print('Usage: python3 run.py     ')
        sys.exit()

    chrnum = sys.argv[3]   # 读取哪一条染色体的序列。
    num = chrnum.lstrip('chr')  

    # 如果是 chrX chrY chrM，转化为对应的数字。
    if num == 'X':
        num = 23
    elif num == 'Y':
        num = 24
    elif num == 'M':
        num = 25
    num = int(num)
    pos1 = int(sys.argv[4])
    pos2 = int(sys.argv[5])
    print('>{0}:{1}-{2}'.format(chrnum, pos1, pos2))    # 输出类似 >chrY:1000-1050 的信息。

    with open(sys.argv[2], 'r') as f:  # 读取 genome.fa.fai 文件。
        for i in range(num):   # 看看是哪一条染色体，则读取对应行的信息。
            line = f.readline() # 获取想要读取的那一条染色体的信息。
        linelst = line.strip().split('\t')
        offset = int(linelst[2])
        Read_Base(sys.argv[1], offset, pos2, pos1)