Faire correspondre et filtrer

Introduction à Bioconductor en R

Paula Andrea Martinez, PhD.

Data Scientist

Séquences en double

Les doublons de séquences biologiques existent dans la nature
Amplification lors de la préparation de la banque (PCR)
Séquençage de l'échantillon plus d'une fois

Supprimez les doublons ou au moins marquez-les

Séquençage du génome entier ou de l'exome

Marquez les doublons à l'aide d'un seuil

RNA-seq et ChIP-seq

srduplicated

library(ShortRead)

# Compter les doublons : TRUE est le nombre de doublons
table(srduplicated(dfqsample))

FALSE  TRUE 
500   500

# Nettoyer les lectures des doublons x[fun(x)]
cleanReads <- mydReads[srduplicated(mydReads) == FALSE]

# Recompter les doublons
table(srduplicated(cleanReads))

FALSE
500

Créer vos propres filtres

srFilter pour filtrer selon une condition x[fun(x)]

Exemple de filtre

library(ShortRead)

# Utiliser un filtre personnalisé pour enlever des lectures de fqsample
# Ce filtre enlève les lectures plus courtes qu'un nombre minimal de bases
readWidthCutOff <- srFilter(function(x) {width(x) >= minWidth}, 
                            name = "MinWidth")

minWidth <- 51

fqsample[readWidthCutOff(fqsample)]

nFilter

library(ShortRead)

# enregistrer votre filtre, .name est facultatif
myFilter <- nFilter(threshold = 10, .name = "cleanNFilter")

# utiliser le filtre au moment de la lecture    
filtered <- readFastq(dirPath = "data", 
                      pattern = ".fastq",
                       filter = myFilter)

# vous ne récupérerez que les lectures ayant au plus 10 N
filtered

idFilter et polynFilter

library(ShortRead)

# exemple de filtre sur id
myFilterID <- idFilter(regex = ":3:1")
# retournera seulement les id qui contiennent l'expression régulière

# paramètres facultatifs : .name, fixed et exclude
# utiliser le filtre au moment de la lecture    
filtered <- readFastq(dirPath = "data", pattern = ".fastq",
                       filter = myFilterID)

# filtre pour enlever les régions poly-A
myFilterPolyA <- polynFilter(threshold = 10, nuc = c("A"))
# retournera les séquences ayant au maximum 10 A consécutifs

# utiliser le filtre pour le sous-échantillonnage    
filtered[myFilterPolyA(filtered)]

Passons à la pratique !

Introduction à Bioconductor en R