宏基因组学分析一讲义

组学分析（一 组研究概 组数据质 组组 预 组物种注 组功能注 组研究概 组数据质 组组 预 组概AntonivanLeeuwenhoekLouisPasteur RobertKoch 组学（Metagenomics，又称 组），最早由 组学（Metagenomics，又称 组），最早由 研究对象：环境样品中的微生物群 研 ：高通 和功 筛研究目的：微生物多样性、种群结构、进化关系 功能性、相互协作关系 表达与环境之间的关 Q20、N50、诺禾 组实验上机流 组研究概 组数据质 组组 预 组数据质基本概

质控结•常用格

去Ns碱去宿 read GCcontent：GC Removehost在NCBI中搜索宿主（或近缘物种） 在NCBI中搜索宿主（或近缘物种） 目 组序质量值<=20的含量较数据优碱基含量分布正常，AT%，GC%，N 样品名插入片段大策下机始数（M）有效数据（M）Q20百分Q30百分比GC含量有效百分比FASTX-NGSQC

组研究概 组数据质 组组 预 组组基本概

基本

基本…

基本ContigScaffold

基本概念具有指定长度为K(suchasK=15)的DNAKmer种类：假设K=15，共有4种碱基型，则共有415种Kmer个数：沿着read每走1bp取1个Kmer。可以得到Kmer的总数：N=L-假设read长为31bp，K=15，一共可以产生31-15+1=17个 基本概念基本概念基本概念Scaffold：通过使用具有paired-end关系的reads对Contig进行Gap：序列中未确定的区域，通常用N或n表示 基本概念将组装得到的scaffold从N连接处打断，得到不含N的序列片段称为 组组装简单示意 DeBrujin图算法（DeBrujingraph ：：DeBrujin图算法deBrujinAssembly 2222

••Clippedtheshorttipsthathadlengthslessthan2Kmers(50bpKmers=25)inthegraph.Filteredlow-coverageUsingreadpathinformation,resolvedtinyMerge••• a e e StoreStorethekmersofcontiginahash,usekmeraskey,contigidandpositionasvalues.

PEreadsmappedtoFInsertF

PEreadsmappedtotwocontigsonthesamestandRR

Mapsdirectlyonthereferencesequence,denoteasMapsreverselyandcomplementarilyonthereferencedenoteas1、read1与参考序列直接匹配2、F表示上游；R表示下 read1

read1 read11

2

read11

2Note:contig1andcontig2aretheoriginalcontigs,contig1’andcontig2’arereverseandcomplementaryAreliablelinkwillbebuiltbetweentwocontigs,whenthereare>=3pair-endreadssupport.Besidescontigorderanddirection,thegapsizecanalsobeestimatedfromtheinsertsizeandmap positionofeachreadpair.SmallGapFillFillthesmallgapbysingleLongGapFillFillthelonggapbypair-end样品名称Scaftigs总长Scaftigs总条数Scaftigs平均长度N50N90Scaftigs最长值 常用组基于OLC原理构建Contig：

基于DBG原理构建 其它 Reads,Length100UsethesamewaytogetKmers,onereadcangenerateL-K+1Kmers(100-69+1=32).如果总 条数为N，read的长度为L，kmer的总个数为那么：n=（L-当，k6（-6）NN；当，k6（-6）NN；因此，增加read的长度，能够有效提升kmer利用率以及的深度，更利于组装；还能减少gap数量，使组装结果更完 组研究概 组数据质 组组 预 预•…

基本原基本常用

预测结Gff文结果展基本概念有遗传效应的 段，控制生物性状的 位结基本概念2：CDSVSCDS（Codingsequence）：编码一段蛋白产物的序ORF（OpenReadingFrame）由编码氨基酸的三。组成的连续DNA序列，由起 子开始，终 子终。-Usuallydeterminedfrom andthusareknowntobecodingfor-ThebasesequenceisdetermineddirectlyfromDNA,not Theyarepotentiallycodingforsomething,butnoconfirmedthatactuallydooraretranscribed translationtranscription是事实存在基本概念3：其 组组rRNA（ribosomalsRNA（small串联重复序列：小DNA，微•同源预测： 常 预测软MetaGeneandGeneMarkand 基本原理一：同源预测（Similaritybasedmethods，evidenced-method,homologybasedusehomologysearchestofindgenessimilartothoseobserved 能够预测出在referencedatabases预测依赖于已知 信不能发现novelor 基本原理二：从头预测（AbBasedonintrinsicfeaturesoftheDNAsequencetodifferentiatebetweencodingregionsofasequencefromnon-codingregions.(statisticalmodels)采用的features包括：codonusagestart/stopcodonpatternsandso 基本原理二：从头预测（AbThehiddenMarkovmodelsSupportvectorGlimmer-Artificialneuralnetworks(ANN): 预测软件—MetaGeneandStatisticalmodelsofbacterial,archaeaandprophageFeatures:GCcontentandthedi-codonVerysensitivemethod(overOnlyworkswithreadsthatareofatleast100MetaGeneAnnotator(MGA)AnextensionofFeatures:AddingribosomalbindingsiteSlightlymoreaccuratethanMetaGeneonfragmented 预测软件—BasedonFeatures:integratescodonusagebias,sequencingerrormethodsandstart/stopcodonpatterns.Takesintoaccountsequencingerrors,showntoimprovethetruegenepredictionRhoM,TangH,YeY.FragGeneScan:predictinggenesinshortanderror-pronereads[J].Nucleicacidsresearch,2010,38(20):e191-e191.，CDSORFMetaGeneandGeneMarkand 预 是Sanger 行描述的一种数据格式,已经成为序列注释的通用格式,比如序列的哪里到哪里是已经成为序列注释的通用格式，GFF格式举例如下:.-0.-03.+0.+0.-0.+0“seqid”序列的编号,编号的有效字符有[a-zA-Z0-9.:^x!+_?-,- 0.95）进行聚类，选取代表性序列作为UniqueGenes ，然后统计各个UniqueGene比对上的reads数目，并计算得到UniqueGenes在各统计各样品中，UniqueScaftigs比对上的reads综合得到各样品 丰度信息 丰度统0600000000000000000000预测基本概预测基本原预测常用软预测基本过程及结软件安组装测ovo2