RNA-seq——上游分析练习（数据下载+hisat2+samtools+htseq-count）

写在前面——之前使用的数据是单端测序，但是现在的数据基本都是双端测序。所以又找了个双端测序的例子来练习。之前在单端测序数据中，因为参考基因组注释文件找的不对，所以reads计数没有做好。这次数据质量不错，所以省略了质控和清洗，直接进入主题。由于租的服务器是2核＋8G的，所以在生成sam文件和sort以及htseq-count都花费了大量的时间（四个样本集整整跑了将近一整天）。不过最后结果算是复现出来了，甚是欣慰。

文章名：AKAP95 regulates splicing through scaffolding RNAs and RNA processing factors

参考：https://www.jianshu.com/p/6d4cba26bb60

0. 练习前准备

a. 建好相关文件夹

b. 00ref：存放参考基因组和基因组注释文件（红色框框内为本文需要的文件）

c. 01raw_data：双端测序，所以一个样本有两个文件。

d. clean_data：存放处理过后的数据，本文数据质量不错，所以不用清洗即可使用
e. align_data：存放比对后的文件
f. matrix：存放reads计数文件

1. 找到文章对应的数据集

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE81916

2. 下载数据集

具体：快速下载SRA数据

for ((i=59;i<=62;i++)) ;do prefetch -v SRR35899$i; done
fastq-dump --gzip --split-3 SRR35899*.sra

# 在另一个Linux用户下载的，需要传到自己的目录下
scp SRR35899*.gz root@dzfly:/root/project/RNA/akap95/01raw_data/
1
2
3
4
5

检测公司给的数据是否完整：md5sum -c md5.txt

3. 与参考基因组进行比对

# 使用hisat2进行比对
# -t 显示时间
# -p 设置线程
for ((i=59;i<=62;i++)); do hisat2 -t -p 2 -x 00ref/mm10/genome -1 01raw_data/SRR35899${i}_1.fastq.gz -2 01raw_data/SRR35899${i}_2.fastq.gz -S 03align_out/SRR35899${i}.sam; done

# 默认为pos排序，即默认按染色体顺序排列
for ((i=59;i<=62;i++)); do samtools sort -O bam -@ 2 -o SRR35899${i}.bam SRR35899${i}.sam; done
for ((i=59;i<=62;i++)); do samtools index SRR35899${i}.bam; done

# flagstat检查一下结果
for ((i=59;i<=62;i++)); do samtools flagstat -@ 2 SRR35899${i}.bam > SRR35899${i}.flagstat; done
1
2
3
4
5
6
7
8
9
10
11

具体意义例子 参考：https://cloud.tencent.com/developer/article/1703017

注意：sam文件真的很大，一个大概有30G。如果你的服务器磁盘容量不够，建议生成一个sam就将其转化为bam文件，然后将sam文件删除，再进行下一个。

for ((i=59;i<=62;i++)); do hisat2 -t -p 2 -x 00ref/mm10/genome -1 01raw_data/SRR35899${i}._1.fastq.gz -2 01raw_data/SRR35899${i}._2.fastq.gz -S 03align_out/SRR35899${i}.sam | samtools sort -O bam -@ 2 -o SRR35899${i}.bam SRR35899${i}.sam | samtools index SRR35899${i}.bam | rm SRR35899${i}.sam; done
1

4. reads计数

# 方法一
# 首先将bam文件按照name进行排序，默认为pos排序
for ((i=59;i<=62;i++)); do samtools sort -@ 2 -n SRR35899${i}.bam -o SRR35899${i}_nsorted.bam; done
# 使用htseq-count进行计算
for ((i=59;i<=62;i++)); do htseq-count -r name -f bam 03align_out/SRR35899${i}_nsorted.bam 00ref/gencode.vM10.chr_patch_hapl_scaff.annotation.gtf > 04matrix/SRR35899${i}.count; done

# 方法二
# 不按name排序，直接计算
for ((i=59;i<=62;i++)); do htseq-count -r pos -f bam 03align_out/SRR35899${i}.bam 00ref/gencode.vM10.chr_patch_hapl_scaff.annotation.gtf > 04matrix/SRR35899${i}.count; done

head -n 4 SRR35899*.count
tail -n 4 SRR35899*.count
1
2
3
4
5
6
7
8
9
10
11
12

no_feature：比对区域与任何基因都没有重叠 。

ambiguous：比对区域与多个基因都发生重叠

too_low_aQual：比对质量低于设定阈值（默认是10）

not_aligned：无法比对上

alignment_not_unique：比对位置不唯一

至此，上游分析就结束了。最后获得的count文件真是来之不易呀。之后就可以使用R语言等进行分析、绘图等等了。

5. 踩过的一点小坑

没有找到对应的参考基因组注释文件，导致我的htseq-count结果全都是0。后来发现参数使用的也不对。具体如下：

注意 -r name；这里我用的文件其实是按默认pos排序的bam文件，所以结果都是0！！！

htseq-count -r name -f bam 03align_out/SRR3589959.bam 00ref/Mus_musculus.GRCm38.102.gtf > 04matrix/test1.count
1

看一下htseq-count的具体参数 :
-f 可以自动识别文件类型
-r 默认处理按name排序的文件

这里使用 -r pos，但是结果还是0。所以是参考基因组注释文件的问题。

htseq-count -r pos -f bam 03align_out/SRR3589959.bam 00ref/Mus_musculus.GRCm38.102.gtf > 04matrix/test2.count
1

找到准确的参考基因组注释文件：https://www.gencodegenes.org/mouse/release_M10.html
将文件按照name排序，再进行计算，结果终于不是0了！！！

samtools sort -n SRR3589959.bam -o SRR3589959_nsorted.bam

htseq-count -r name -f bam 03align_out/SRR3589959_nsorted.bam 00ref/gencode.vM10.chr_patch_hapl_scaff.annotation.gtf > 04matrix/test3.count
1
2
3

这里设置 -r pos，直接对没有按name排序的文件进行计算，可以看到结果跟test3一样。( •̀ ω •́ )y

htseq-count -n 10 -r pos -f bam 03align_out/SRR3589959.bam 00ref/gencode.vM10.chr_patch_hapl_scaff.annotation.gtf > 04matrix/test4.count
1

这个问题告诉我们，在处理数据之前一定要确保参考基因组和注释文件是正确的。不然会浪费很多时间！！！