Matchen en filteren
Introductie tot Bioconductor in R
Paula Andrea Martinez, PhD.
Data Scientist
Dubbele sequenties
- Dubbele biologische sequenties komen in de natuur voor
- Vermeerdering door stappen in bibliotheekvoorbereiding (PCR)
- Dezelfde sample meer dan eens sequencen
Verwijder duplicaten of markeer ze minimaal
- Whole genome sequencing of exoom-sequencing
Duplica(a)ten markeren met een drempel
- RNA-seq en ChIP-seq
srduplicated
library(ShortRead)# Duplicaten tellen: TRUE is het aantal duplicaten table(srduplicated(dfqsample))
FALSE TRUE
500 500
# Reads opschonen van duplicaten x[fun(x)] cleanReads <- mydReads[srduplicated(mydReads) == FALSE]# Duplicaten tellen table(srduplicated(cleanReads))
FALSE
500
Je eigen filters maken
srFilter om te filteren op een conditie x[fun(x)]
Filtervoorbeeld
library(ShortRead)# Gebruik een aangepaste filter om reads uit fqsample te verwijderen # Deze filter verwijdert reads korter dan een minimum aantal basen readWidthCutOff <- srFilter(function(x) {width(x) >= minWidth}, name = "MinWidth")minWidth <- 51fqsample[readWidthCutOff(fqsample)]
nFilter
library(ShortRead)# sla je filter op, .name is optioneel myFilter <- nFilter(threshold = 10, .name = "cleanNFilter")# gebruik de filter bij het inlezen filtered <- readFastq(dirPath = "data", pattern = ".fastq", filter = myFilter) # je haalt alleen reads op met maximaal 10 N's filtered
idFilter en polynFilter
library(ShortRead)# voorbeeld van id-filter myFilterID <- idFilter(regex = ":3:1") # retourneert alleen ids die de reguliere expressie bevatten # optionele parameters zijn .name, fixed en exclude # gebruik de filter bij het inlezen filtered <- readFastq(dirPath = "data", pattern = ".fastq", filter = myFilterID)# filter om poly-A-regio's te verwijderen myFilterPolyA <- polynFilter(threshold = 10, nuc = c("A")) # retourneert sequenties met maximaal 10 opeenvolgende A's# gebruik de filter voor subsetting filtered[myFilterPolyA(filtered)]
Laten we oefenen met filters!
Introductie tot Bioconductor in R
