转录组HTseq对基因表达量进行计数

  • A+
所属分类:Bioinformatics

一:下载安装该软件

下载htseq这个python模块安装解压包,依赖于很多python的其它安装包及库,模块,我最讨厌python了,在有些电脑上特别难安装,而且服务器还有权限的问题。

解压进入该目录,输入 python setup.py   install  –user  记住,是- – 而不是—

这样只是把这个软件安装到自己的目录

安装完毕后,会出现这两个程序,在自己的python库里面,可以直接调用这两个程序的,我这里它们的路径是 .local/bin ,很奇怪的一个路径,我也是用find命令才找到的

转录组HTseq对基因表达量进行计数451

我在这里主要讲解,在这里调用这个命令来进行操作,直接把它当做一个程序来使用,而不是仅仅当做是python里面的一个模块调用,不需要import HTseq。

二:准备数据

输入文件

输入为sam格式的文件,如果是paired-end数据必须按照reads名称排序(sort by name)。先用samtools先对bam文件(tophat2的输出结果为bam)排序,再转换为sam。

命令:

samtools sort -n file.bam #sort bam by name
samtools view -h bamfile.bam>samfile.sam

其实可以是任意的sam文件,在这里我主要演示我自己跑tophat出来的bam文件转为的sam文件,就是三个RNA数据的结果

转录组HTseq对基因表达量进行计数1002

    这样得到的三个sam文件特别大,bam文件是sam的二进制文件才三五个G,到了sam格式就是十几二十个G了,其实完全没必要自己把它转为sam文件,因为htseq有个参数-f可以控制输入格式是bam文件

转录组HTseq对基因表达量进行计数1315

三:运行命令

官方的Usage:htseq-count [options]

HTSeq的作者Simon Anders建议使用ENSEMBL的gtf文件。  但是如果用了ensembl的,那么之前tophat就应该用ensembl的gtf作为参考来比对

也可以使用python -m HTSeq.scripts.count instead of htseq-count

我的命令是:

/home/jmzeng/.local/bin/htseq-count case1.sam   /home/jmzeng/ref-database/hg19.gtf

但是我还是喜欢批处理来运行,一次性解决所有的bam文件计数问题

转录组HTseq对基因表达量进行计数1852

出来得到的日志是这样的

转录组HTseq对基因表达量进行计数2063

 

约等待几个小时就OK啦

转录组HTseq对基因表达量进行计数2275

四:输出文件解读

转录组HTseq对基因表达量进行计数2484

共两万多个基因,每个基因一行,基因名加上count数

转录组HTseq对基因表达量进行计数2709

可以head看一下里面的内容如下

转录组HTseq对基因表达量进行计数2924

tips; 1,你可以用–idattr transcript_id来指定程序计算转录本而不是基因,但是这样会导致共有转录本重合地方太多

参考

安装:

https://www.plob.org/article/9633.html

操作htseq的方法:

http://www-huber.embl.de/users/anders/HTSeq/doc/tour.html

https://www.plob.org/article/9635.html

http://www-huber.embl.de/users/anders/HTSeq/doc/count.html

avatar

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: