转录组入门（4）：了解参考基因组及基因注释

作业要求

在UCSC下载hg19参考基因组，群主博客有详细说明，从gencode数据库下载基因注释文件，并且用IGV去查看你感兴趣的基因的结构，例如TP53，EGFR等等。
截图几个基因的IGV可视化结构！还可以下载ENSEMBL，NCBI的GTF，也导入IGV看看，截图基因结构。了解IGV常识。
来源于生信技能树：http://www.biotrainee.com/forum.php?mod=viewthread&tid=1750#lastpost

实验过程

1.参考基因组hg19下载

Jimmy大神的博客：生信菜鸟团，详细介绍了各种基因组版本的对应关系以及下载方法。

# 下载USCS版本的hg19
$ mkdir -p ~/disk2/data/reference/genome
$ cd ~/disk2/data/reference/genome
$ nohup wget http://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/chromFa.tar.gz &
# 解压，得到所有染色体的信息
$ tar -zxvf chromFa.tar.gz
# 将所有的染色体信息整合在一起，重定向写入hg19.fa文件，得到参考基因组
$ cat *.fa > hg19.fa
# 将多余的染色体信息文件删除，节省空间
$ rm -rf chr*

• 查找基因组的过程介绍及USCS页面简单介绍:
  1.打开USCS官网：http://genome.ucsc.edu/，导航栏：我们主要利用Downloads第五个标签，其下还有很多工具。
  
  

  图1 UCSC官网首页信息
  
  2.Downloads 标签，选择下拉菜单Genome data，进入图三页面,第一个大类是脊椎动物，人类自然是包括在内的。
  
  

  图2 Genome data
  
  
  

  图3 Genome data点击后的页面内容
  
  3.下载人类Human的基因组，点击human，进入基因组页面，点击所有数据集（full data set），看到很多文件，我们要下载的就是chromFa.tar.gz(The assembly sequence in one file per chromosome.)。
  
  

  图4 基因版本，hg19
  
  
  

  图5 hg19版本所有数据列表

2.参考基因组注释下载

进入人和小鼠基因组注释信息官网GENCODE，选择data->human->GRCh37-mapped Releases，下载最新第26版本的hg19人类基因组注释信息。点击进入下载页面，将GTF和GFF3全部下载，解压。

图6 hg19版本基因组注释信息

图7 基因组注释信息版本GFF和GTF

GTF和GFF之间的区别：

数据结构：都是由9列构成，分别是reference sequence name; annotation source; feature type; start coordinate; end coordinate; score; strand; frame; attributes.前8列都是相同的，第9列不同。
GFF第9列：都是以键值对的形式，键值之间用“=”连接，不同属性之间用“；”分隔，都是以ID这个属性开始。下图中有两个ID，说明是不同的序列。

图8 gff第9列格式

GTF第9列：同样以键值对的形式，键值之间是以空格区分，值用双引号括起来；不同属性之间用“；”分隔；开头必须是gene_id, transcipt_id两个属性。

图9 gtf第9列格式

参考资料： http://www.jianshu.com/p/48b5a0972301
http://www.gencodegenes.org/faq.html

# gtf及gff3下载代码
$ mkdir -p ~/disk/data/reference/genome/hg19
$ cd ~/disk2/data/reference/genome/hg19
$ wget ftp://ftp.sanger.ac.uk/pub/gencode/Gencode_human/release_26/GRCh37_mapping/gencode.v26lift37.annotation.gtf.gz
$ wget ftp://ftp.sanger.ac.uk/pub/gencode/Gencode_human/release_26/GRCh37_mapping/gencode.v26lift37.annotation.gff3.gz
$ gunzip *.gz && rm -rf *.gz

3.IGV下载及使用

Integrative Genomics Viewer(IGV)是一种探索大型综合基因组数据的高性能交互式可视化工具。它支持各种各样的数据类型，包括基于芯片测序、二代测序数据和基因组注释数据等。

• IGV下载

# 进入IGV官网，并下载相应的软件包，有Windows，Mac，和LINUX，这里我下载Linux二进制包
$ cd ~/src
$ wget http://data.broadinstitute.org/igv/projects/downloads/IGV_2.3.97.zip
$ unzip IGV_2.3.97.zip && mv IGV_2.3.97 ~/biosoft
# 添加环境变量
$ vim ~/.bashrc
PATH=$PATH:~/biosoft/IGV_2.3.97
$ source ~/.bashrc
# 运行IGV，Linux直接运行igv.sh可以开启IGV窗口，但是会比较慢，要耐心等待。
$ igv.sh

• IGV使用

  
  
  

  初始化窗口
  
  

  1.载入基因组，选择Genome标签，load我们之前已经下载好的hg19.fa基因组。
  

  2.载入基因组注释，但是在载入之前需要将gff3进行排序，选择Tools-Run igvtools，进入以下igvtools窗口：
  

  igvtools窗口
  
  3.获得sorted文件：command选择sort，再选择输入的注释文件，点击Run，就可以生成sorted.gff3文件。
  4.通过file->load from file...选择sorted文件，打开。选择区域的大小，来看某些基因的信息，蓝色的粗线条就是代表基因。说到底，IGV就是一个将基因组及其注释信息可视化的工具。
  

  载入基因组和注释信息后的窗口

参考资料：
http://blog.sina.com.cn/s/blog_165caa4fd0102wh0n.html
http://www.cnblogs.com/leezx/p/5603481.html