生信分析是个什么玩意儿？

生信小白：老板最近说，要搞搞高大上的全基因组测序，让我去做测序数据分析，可我都不懂哇...

生信猿：这不就是生物信息分析嘛，搭建集群，搭建流程，跑跑数据...

生信小白：听说你有一个朋友很厉害，可以让他教教我吗？

生信猿：你说的是西克孚肉吧，他可是生信方面的专家。我把他的名片给你了，你们好好交流吧。

生信小白：肉哥好，能跟我讲讲生信分析到底是个啥玩意儿吗？

西克孚肉：白白好，那我先跟你捋捋如何读取生命的密码吧。且听我慢慢道来...

Q：如何读取生命的密码？

西克孚肉：

DNA序列承载着控制生物性状的遗传信息，DNA是长链大分子，你以看看我身上穿的这件衣服，是一个小的DNA片段。DNA有四种碱基A（腺嘌呤）、T（胸腺嘧啶）、C（胞嘧啶）、G（鸟嘌呤）。

人类基因组有30亿个碱基对，可以理解为这是一本由30亿个ATCG字母构成的“书”。

如何从这本书中翻译出生命的奥秘呢？目前主流的方法是使用二代测序来测整个人全基因组。按照经验，一个标准的人全基因组测序原始数据可以达到100GB。

二代测序技术是将DNA的长链分子随机打断，然后用化学方法一批批地将小片段DNA扩增和读取出来。

我们可以这样简单理解：

测序相当于将生命之“书”投进碎纸机，变成了一条条碎纸片段（序列打断），每个片段一般只有几百个字母。由于碎纸片段实在细碎繁多，可能遗漏某些重要片段，所以通常会把碎纸片复印（聚合酶链式反应，PCR）多份，再进行扫描（基于荧光标记dNTP的光学检测），把这些碎纸片段的字母读取出来。

拿到这些扫描后的片段数据（短序列），我们需要用计算机去处理（生物信息分析），尽可能拼回原来完整的书，并寻找书中独特的词（基因变异）。然后去查字典（变异数据库），看看究竟这些词表达什么意思（信息注释）。

典型的生物信息过程包括：首先去掉质量不高、破损严重的短序列数据（质量控制 Quality Control/Filtering），然后完成基因组比对/组装（ Mapping/Assembly），进而寻找基因变异（Variant Calling）。

从大体量的数据中，找到基因突变信息，这就是生物信息分析的工作。

生信小白：听你这么一说，我大致明白了生物信息分析是在做什么的了，但我应该如何上手呢？

西克孚肉：别急，一步步来嘛，干我们这行的，没点“家伙”怎么行？

 

Q：生信分析的工具有哪些？

西克孚肉：

生物信息的工具有很多，主要是：bwa，samtools，picard，GATK，bedtools，bcftools，vcftools，FastQC，MultiQC，VEP等等，GATK是目前被广泛使用和认可的分析软件 。

通常来讲，一个成年人的变异大概有两百多万个，但对于特定的疾病，可能只有几个或几百个有意义的，突变的寻找有如大海捞针。幸运的是，我们并不是漫无目的地寻找，我们可以借助一些公开的数据库，来过滤掉不相关的信息

生信小白：肉哥你这讲解深入浅出，我觉得老板交代给我的任务已经完成了一大半...

 

西克孚肉：不着急，这只是一个开始噢。我们将在这一系列的连载，来告诉你生信分析需要做些什么。