安装multiqc最简单的方式是用conda进行安装
conda install -c bioconda multiqc
报错
原因如下:
Conda 是一个开源的软件包管理系统和环境管理系统,用于安装多个版本的软件包及其依赖关系,并在它们之间轻松切换。 Conda 是为 Python 程序创建的。
即conda的使用会受到Python环境的影响,而在前期我们对下载的Python进行了更新使得当前的conda无法使用。
解决如下:
1.将原本的anaconda3删除
rm -rf anaconda3
2.直接运行
sh Anaconda3-5.2.0-Linux-x86_64.sh
3.在下载过程中直到
输入no
4.此时conda还是无法找到,应当启动它
cd anaconda3/bin
ls
会发现有一个activate
给activate加权限,激活conda
chmod +x activate
最后启动conda即可
source ./activate
上述解决办法参照https://www.jianshu.com/p/edaa744ea47d
下面开始安装multiqc
一、conda安装multiqc
conda install -c bioconda multiqc
报错如下:
解决办法参照https://blog.csdn.net/ada0915/article/details/78529877
1.添加清华的镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
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/pkgs/free/
conda config --set show_channel_urls yes
2.如果失败
vim ~/.condarc
删除部分内容如下即可:
3.重启后重新输入
conda install -c bioconda multiqc
查看multiqc是否安装成功及其功能
multiqc -h
二、获得fastq文件
1.在NCBI中获取SRA文件2.为了运行快捷选择两个较小的SRR序列
由于前期安装了SRA toolkit,直接
prefetch SRR7511222
prefetch SRR7511256
软件自动建立~/ncbi/public/sra文件夹,并将序列放入其中
3.将SRA文件解压为fastq格式
fastq-dump --gzip --split-files SRR7511222
fastq-dump --gzip --split-files SRR7511256
4.fastqc进行数据质量评价
fastqc SRR7511222_1.fastq.gz
fastqc SRR7511222_2.fastq.gz
fastqc SRR7511256_1.fastq.gz
fastqc SRR7511256_2.fastq.gz
得到如下文件
三、multiqc进行整合
在当前目录下
multiqc .
生成如下 两个文件
multiqc_data和multiqc_report.html
将multiqc_report.html download下来并打开该网页
四、结果分析
以下内容参考自https://www.jianshu.com/p/85da4dcc6020
1.所有样本数据基本情况统计
重复reads的比例(%Dups)、GC含量占总碱基的比例(%GC,比例越小越好)、总测序量(M Seqs,单位:millions)
2.序列的计数
可以查看reads的数量和其百分比。
根据表可知该四条序列的重复序列都较多。
3.每个read各位置碱基的平均测序质量
横坐标——碱基的位置
纵坐标——质量分数=-10log10p(p代表错误率),所以当质量分数为40的时候,p就是0.0001。此时说明测序质量非常好。
绿色区间——质量很好,橙色区间——质量合理,红色区间——质量不好。
由此可知,四个样本在200个碱基前的测序质量平均线都在绿色区域内,质量很好,而200个碱基后测序质量大部分合理,SRR7511256_2的不合格。
4.具有平均质量分数的reads的数量
绿色区间——质量很好
橙色区间——质量合理
红色区间——质量不好
由上图可知4个样本基本都在绿色区域,测序质量合格。
5.每个read各位置碱基ATCG的比列
reads每个位置的颜色显示由4种颜色的比例混合而成,哪一个碱基的比例大,则趋近于这个碱基所代表的颜色。
正常情况下每个位置每种碱基出现的概率是相近的。
由上图可知4个样本在14个bp前的ATCG的含量比例是非常不均匀的,可能有过表达序列的污染,测序质量不好。
6.reads的平均GC含量
正常的样本的GC含量曲线会趋近于正态分布曲线。
由上图可知GC含量曲线不符合正态分布曲线,曲线形状的偏差往往是由于文库的污染或是部分reads构成的子集有偏差,测序质量不好。
7.每条reads各位置N碱基含量比例
当测序仪器不能辨别某条reads的某个位置到底是什么碱基时,就会产生“N”,统计N的比率。正常情况下,N值非常小。
由上图可知样本的N碱基的含量为0,每个位置的碱基都能确定,测序质量很好。
8.序列长度的分布
所有样本的序列都是单一长度(250bp)。
9.每个序列的相对重复水平
横坐标:每个序列的相对重复水平
纵坐标:在文库中的比例
由上图可知每个样本序列的相对重复水平都较高,测序质量不好。
10.文库中过表达序列的比例
横坐标——过表达序列的比例
一条序列的重复数,因为一个转录组中有非常多的转录本,一条序列再怎么多也不太会占整个转录组的一小部分(比如1%),如果出现这种情况,不是这种转录本巨量表达,就是样品被污染。
由上图可知4个样本的过表达序列比例都远远超过了1%,不是这种转录本巨量表达,就是样品被污染。测序质量不好。
11.接头含量
4个样本的接头含量都小于0.1%