前期准备:
#仍然是前面的那个目录
../../bowtie2 -x ../index/lambda_virus -1 reads_1.fq -2 reads_2.fq > tmp.sam
- 统计共多少条reads(pair-end reads这里算一条)参与了比对参考基因组
cat tmp.sam | grep -v '^@'|cut -f1|sort |uniq -c|wc -l
- 统计共有多少种比对的类型(即第二列数值有多少种)及其分布。
cat tmp.sam | grep -v '^@'|cut -f2|sort |uniq -c|less -N
3）筛选出比对失败的reads，看看序列特征。
cat tmp.sam |grep -v '^@'|awk '{if($6 =="*") print}'|less -S
- 比对失败的reads区分成单端失败和双端失败情况，并且拿到序列ID
cat tmp.sam |grep -v '^@'|awk '{if($6 =="*") print$1}'|sort -n |uniq -c |grep -w 1
cat tmp.sam |grep -v '^@'|awk '{if($6 =="*") print$1}'|sort -n |uniq -c |grep -w 2
- 筛选出比对质量值大于30的情况（看第5列）
cat tmp.sam |grep -v '^@'|awk '{if($5>30) print}' |less -SN
- 筛选出比对成功，但是并不是完全匹配的序列
cat tmp.sam |grep -v '^@'|awk '{if($6!="*") print$6}'|grep [IDNXSHP]
- 筛选出inset size长度大于1250bp的 pair-end reads
cat tmp.sam |grep -v '^@'|awk '{if($9>1250) print}'|less -SN
- 统计参考基因组上面各条染色体的成功比对reads数量
cat tmp.sam |grep -v '^@'|cut -f 3 |sort -u
- 筛选出原始fq序列里面有N的比对情况
cat tmp.sam |grep -v '^@'|awk '{if($10 ~"N")print}'|less -SN
- 筛选出原始fq序列里面有N，但是比对的时候却是完全匹配的情况
cat tmp.sam | grep -v '^@'|awk '{if($10 ~"N")print}'|awk '{if($6 !~ "[IDNSHP]")print}'|awk '{if($6!="*")print}'|less -S
- sam文件里面的头文件行数
cat tmp.sam | grep '^@'|wc -l
- sam文件里每一行的tags个数一样吗
cat tmp.sam | grep -v '^@' |cut -f 12- |less -S
- sam文件里每一行的tags个数分别是多少个
grep -v '^@' tmp.sam |cut -f 12-|awk '{split($0,a, " ");print length(a)}' |sort|uniq -c
- sam文件里记录的参考基因组染色体长度分别是？
cat tmp.sam | grep '^@' | grep 'LN'
- 找到比对情况有insertion情况的
cat tmp.sam | grep -v '^@'|awk '{if($6~ "I")print}'|less -S
- 找到比对情况有deletion情况的
cat tmp.sam | grep -v '^@'|awk '{if($6 ~"D")print}'|less -S
17）取出位于参考基因组某区域的比对记录，比如 5013到50130 区域
cat tmp.sam |grep -v '^@'|awk '{if($4 > 5013 && $4 < 50130)print}'|less -S
- 把sam文件按照染色体以及起始坐标排序
cat tmp.sam | grep -v '^@'|sort -k4|less -SN
- 找到 102M3D11M 的比对情况，计算其reads片段长度。
grep 102M3D11M tmp.sam |cut -f 10|wc -m
- 安装samtools软件后使用samtools软件的各个功能尝试把上述题目重新做一遍。
概念题目
1.高通量测序数据分析中，序列与参考序列的比对后得到的标准文件为什么文件？
sam文件
2.sam文件是一种比对后的文件，能直接查看吗？
可以.直接用vim就可以看了
3.Sam/Bam文件分为两部分，一部分以@开头的是什么序列，另一部分是什么序列？
以@开头的是头部注释信息，另一部分是比对结果。
4.Sam文件除头文件，以什么符号分割文本的，比对部分信息一行是多少列？你能用awk计算列数吗？
sam格式是以制表符分隔文本的.
一共有11列:
以制表符分隔文本，比对部分信息一行由11个必须字段（mandatory fields）和数量可变的可选字段（optional fields）构成。计算列数 cat tmp.sam | grep -v '@' | awk '{print NF}'。
5、Sam/Bam文件的@SQ开头的行是什么？你能生成一个文本，两列，一列是参考基因组染色体/sca id，一列是长度吗？
开头是参考序列的说明，SN--是参考序列的名称，LN--是长度
cat tmp.sam | grep @SQ | cut -f 2,3 | tr -d 'SN:' | tr -d 'LN:' > test.txt
6.Sam文件的比对位置是从1还是0开始的？
1
7.常见CIGAR 字符串各字母代表的意义
比对质量的数字是哪一列？越大比对质量越好还是越小越好？
image.png
质量值是第5列，数据越大,质量越好。
8.Sam文件的flag是第几列，数字代表什么意义？是怎么计算来的？
第二列,
9.Sam文件怎么转bam文件？用什么指令？为什么要转换？
可以用samtools进行转换.转换之后,可以缩小文件的大小
10.Bam文件查看用什么指令？如果需要查看头文件需要增加参数？
samtools view 查看
-H,
11.Bam文件为什么要排序？排序后的bam和未排序的bam头文件和chr position列有什么区别？
要先进行排序，才能进行index,否则会报错。
会由unsorted变为coordinate
12.Bam文件建索引的指令是什么？
samtools index tmp_sorted.bam
13.Bam文件可视化用什么工具？查看时需要建立索引吗？
IGV可视化工具
应该是需要建立引索的
14.Bam文件统计reads比对情况用samtools的哪一个子命令？
samtools idxstats tmp_sorted.bam
15.SE测序和PE测序的所比对后得到的sam文件的区别在哪里？
se是单片段的
pe是双片段的
16.Bam能用gzip再压缩吗？
还能,直接用gzip就可以了
17.Sam文件通常由哪些比对软件得到的
bwa,hisat2
18.Sam/Bam文件能转成fastq文件吗？
可以,用samtools fastq就可以了
19.有时候不能通过文件名的后缀来区别是sam还是bam，你是怎么区别的？
打开来看看吧.vim