RNA-seq无比对直接定量(Kallisto - sleuth流程)

RNA-seq数据下载

数据来自文献:An RNA-Seq transcriptome and splicing database of neurons, glia, and vascular cells of the cerebral cortex,GEO编号GSE52564。用Aspera下载原始数据:

# -l设置大些速度更快,默认大概10M; -k 1 设置断点续传 -T不加密
for((i=83; i<=99; i++)); do ascp -k 1 -T -l 800M -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh anonftp@ftp-private.ncbi.nlm.nih.gov:/sra/sra-instant/reads/ByStudy/sra/SRP/SRP033/SRP033200/SRR10337$i/SRR10337$i.sra . ; done &

SRA to fasta

# 并行处理
ls SRR*.sra | xargs -i -n1 -P 5 sh -c "fastq-dump --gzip --split-3 {} && rm {}" &

另外github上有支持多线程的pfastq-dump。需要先安装sratoolkit,可执行的fastq-dump和sra-stat在path中。

pfastq-dump -t 8 -O ./tmp SRR5047994.sra --split-3 --gzip

转录本数据下载

gencode下载需要的小鼠fasta文件Transcript sequences。当然也可以从Ensemble或者UCSC下载。gencode的转录本有很多预测的,建议用gencode basic子集。本次直接用的UCSC的refMrna.fa

Kallisto 可以直接用来处理原始的reads

You can run kallisto directly on your (untrimmed) reads.

​ --Lior Pachter

Kallisto定量处理

index

kallisto index -i refMrna.idx refMrna.fa

quant

# -t 核数 -b 自助法的样本数,作者推荐至少设为30
# 如果下游不需要用booststraps值(比如不做sleuth、QTL分析),
# -b 可以设为0,加快运行速度
for ((i=83;i<=99;i++)); do kallisto quant -i ./ref/mouse_tr/refMrna.idx -o SRR10337$i -t 8 -b 100 SRR10337${i}_1.fastq.gz SRR10337${i}_2.fastq.gz; done &
# 或者如下,单独留个核解压缩
for ((i=83;i<=99;i++)); do kallisto quant -i ./ref/mouse_tr/refMrna.idx -o SRR10337$i -t 7 -b 100 <(zcat SRR10337${i}_1.fastq.gz) <(zcat SRR10337${i}_2.fastq.gz); done &
1507717803356.png

另外,对于单端测序的命令为

kallisto quant -i transcripts.idx -o output -b 100 --single -l 180 -s 20 reads_1.fastq.gz

除了--single外,还必须给出与建库片段长度(不是read的长度)有关的两个参数:l和s。(典型的Illumina文库的片段长度为180-200bp)

180/20 is a reasonable insert size/std dev estimate for TruSeq RNA v2 library preps

-l 指定建库用的片段长度 -s 建库片段长度的标准差

双端测序会自动估计这两个参数,不需要提供。(官方推荐程序自动估计)

Sleuth差异分析

suppressMessages(library(sleuth))
rm(list = ls())
options(mc.cores = 6L)

### 构造kallisto输出文件路径
setwd(file.path("E:/0ngs","output"))
sample_id <- list.files(pattern = "SRR*")
kal_dirs <- file.path("E:/0ngs","output", sample_id)

### 样品设计分组数据准备
s2c <- read.table(file.path("..","SraRunTable.txt"),header = T,stringsAsFactors = F,sep = "\t")
s2c <- dplyr::select(s2c, sample = Run_s, condition = cell_type_s) # machine = Machine_s
s2c <- dplyr::mutate(s2c, path = kal_dirs)

# 从NCBI下载再转换,注释更准确
# ascp -k 1 -T -l 800M -i ~/.aspera/connect/etc/asperaweb_id_dsa.openssh anonftp@ftp-private.ncbi.nlm.nih.gov:/gene/DATA/gene2refseq.gz .
# gene <- read.delim("gene.txt",stringsAsFactors = F)
# gene$target_id <- gsub("\\.\\d+","",gene$target_id,perl=T)
# gene <- unique(gene)
# t2g <- gene[gene$target_id %in% transcrip_id,c(3,4,2)]
# t2g <- t2g[order(t2g$Symbol),]  #gene排序
# write.table(t2g,"tx2gene.txt",sep = "\t",row.names = F,quote = F)
### 转录本到对应基因注释文件准备
tx2gene <- read.delim("tx2gene.txt",stringsAsFactors = F)

简单两分组的比较

### 定义差异比较函数
# condition_ref为对照组, condition_treat为处理组
# level: 'transcript' 或者 'gene'
# bootstrap_summary默认不使用,QTL,plot_bootstrap需要
diff_exp_sleuth <- function(condition_ref, condition_treat, level, bootstrap_summary = FALSE) {
  tab_metadata <- s2c
  rownames(tab_metadata) <- tab_metadata$sample
  conditions <- c(condition_ref, condition_treat)
  
  # 选取待处理的两组样品
  tab_metadata <- tab_metadata[tab_metadata$condition %in% conditions, ]
  cond <- factor(tab_metadata$condition, levels = conditions) # ordered = T
  md <- model.matrix(~cond,tab_metadata)
  
  # sleuth_prep
  if (level == 'gene') {
    so <- sleuth_prep(tab_metadata, md, target_mapping = tx2gene, aggregation_column = 'Symbol', extra_bootstrap_summary = bootstrap_summary)   
  } else if (level == 'transcript') {
    so <- sleuth_prep(tab_metadata, md, target_mapping = tx2gene, extra_bootstrap_summary = bootstrap_summary)
  } else {
    stop(paste0(level," isn't a valid level!"))
  }
  
  # 使用condition设计矩阵回归
  so <- sleuth_fit(so)
  
  # 使用截距项回归
  so <- sleuth_fit(so, ~1, 'reduced')
  
  # likelihood ratio test(LRT)检验以上两个模型
  # 找到受condition_treat影响转录本或者基因
  so <- sleuth_lrt(so, 'reduced', 'full')
  
  # Wald test(WT)提供变化倍数信息(自然对数形式)
  # LRT统计功效比WT更强,所以结合LRT的p值等信息和
  # WT的变化倍数信息
  so <- sleuth_wt(so, paste0('cond',condition_treat))
  
  # 输出标准化的转录本表达值(no needed for gene-level)
  if (level == 'transcript') {
    otab = paste0("normalized_abundance_", level, "_", condition_treat, "_", condition_ref, ".tsv")
    write.table(kallisto_table(so), otab, sep = "\t", quote = FALSE, row.names = FALSE)
  }
  
  # 添加beta(b), beta's standard error(se_b)和mean expression in the samples(mean_obs)信息
  # 输出合并后的变量,便于后续的筛选
  res_lrt <- sleuth_results(so, 'reduced:full', test_type = 'lrt')
  res_wt <- sleuth_results(so, paste0('cond',condition_treat))
  res <<- merge(res_lrt, res_wt[, c('target_id', 'b', 'se_b', 'mean_obs')], on = 'target_id', sort = FALSE)
  
  # 输出信息合并后的表格
  otab = paste0("differential_expression_analysis_", level, "_", condition_treat, "_", condition_ref, ".tsv")
  write.table(res, otab, sep = "\t", quote = FALSE, row.names = FALSE)

  return(so)
}

执行差异分析

sleuth_object <- diff_exp_sleuth("whole cortex", "neuron", 'transcript',bootstrap_summary = T)

sleuth_object <- diff_exp_sleuth("whole cortex", "neuron", 'gene',bootstrap_summary = T)

plot_bootstrap(sleuth_object,"NM_001081178",color_by = 'condition')

### PCA分析
so <- sleuth_object
par(mfrow = c(1, 2))
p1 <- plot_pca(so, pc_x = 1L, pc_y = 2L, color_by = 'condition')
p2 <- plot_pc_variance(so, PC_relative = TRUE)
cowplot::plot_grid(p1, p2, align = "h")
1509094120171.png

Note if you are using an Ensembl transcriptome, the easiest way to create the tx2gene data.frame is to use the ensembldb packages. The annotation packages can be found by version number, and use the pattern EnsDb.Hsapiens.vXX. The transcripts function can be used with return.type="DataFrame", in order to obtain something like the df object constructed in the code chunk above. See the ensembldb package vignette for more details.

对比文献报道在不同组织类型验证的差异表达基因,发现sleuth的定量还是挺准确的。


1507796715976.png

1507796893825.png
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

推荐阅读更多精彩内容

  • 什么是高通量测序? 高通量测序技术(High-throughput sequencing,HTS)是对传统Sang...
    翠湖心影阅读 21,583评论 2 81
  • 作为一个已经在生物信息行业摸爬两年的小白,还是有必要重新认识一下高通量测序领域的一些常用名词。什么是高通量测序?高...
    相见很不晚阅读 9,938评论 1 30
  • Introduction What is Bowtie 2? Bowtie 2 is an ultrafast a...
    wzz阅读 11,177评论 0 5
  • 第一个年轮,经历懵懵懂懂的岁月,但简单而快乐;第二个年轮,经历生离死别,感受枯燥的学业,那是一阵刻在内心深处的疼痛...
    Emily_love阅读 1,313评论 0 0
  • 前段时间一直坚持早起吃早餐,一天感觉也很充实,这周开始不知是晚上休息晚了还是到了疲倦期早上也就没有起那么早了,感觉...
    哇哇一阅读 1,625评论 0 1