匹配与筛选
R 中的 Bioconductor 入门
Paula Andrea Martinez, PhD.
Data Scientist
重复序列
- 生物序列的重复在自然界中存在
- 文库制备（PCR）扩增导致
- 对样本进行多次测序
删除或至少标记重复
- 全基因组测序或外显子组测序
按阈值标记重复
- RNA-seq 和 ChIP-seq
srduplicated
library(ShortRead)# 统计重复；TRUE 表示重复数 table(srduplicated(dfqsample))
FALSE TRUE
500 500
# 去除重复读取 x[fun(x)] cleanReads <- mydReads[srduplicated(mydReads) == FALSE]# 再次统计重复 table(srduplicated(cleanReads))
FALSE
500
自定义筛选器
使用 srFilter 按条件筛选 x[fun(x)]
筛选示例
library(ShortRead)# 使用自定义筛选器移除 fqsample 中的读取 # 此筛选器移除短于最小碱基数的读取 readWidthCutOff <- srFilter(function(x) {width(x) >= minWidth}, name = "MinWidth")minWidth <- 51fqsample[readWidthCutOff(fqsample)]
nFilter
library(ShortRead)# 保存筛选器，.name 可选 myFilter <- nFilter(threshold = 10, .name = "cleanNFilter")# 在读入时应用筛选器 filtered <- readFastq(dirPath = "data", pattern = ".fastq", filter = myFilter) # 仅保留最多含 10 个 N 的读取 filtered
idFilter 与 polynFilter
library(ShortRead)# id 筛选示例 myFilterID <- idFilter(regex = ":3:1") # 仅返回包含该正则表达式的 id # 可选参数有 .name、fixed 和 exclude # 在读入时应用筛选器 filtered <- readFastq(dirPath = "data", pattern = ".fastq", filter = myFilterID)# 筛除 poly-A 区域 myFilterPolyA <- polynFilter(threshold = 10, nuc = c("A")) # 返回最多仅含 10 个连续 A 的序列# 用该筛选器做子集 filtered[myFilterPolyA(filtered)]
让我们用筛选来练习！
R 中的 Bioconductor 入门
