做过1000遍RNA-seq的老司机告诉你如何翻车
熟悉我的人都知道RNA-seq是我的拿手好戏(如果你不熟悉我,今天过后请记住)。
但是我今天处理了一个公共数据,比对率低的惊人。
究竟为什么会发生这种小概率事情呢?
- 是测序数据质量不好?
- 难道grcm38与mm10有差别?
- 比对工具的默认参数不行?
这篇文章告诉你,老司机如我,也有翻车的时候。
数据比较新,所以理所当然的认为测序数据肯定是OK的。
数据下载地址
https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE81916
下载sra数据,转换为fastq的过程我就不讲解了!(请翻看我以前的文章)
(17)一个ChIP-seq实战-生信菜鸟团博客2周年精选文章集
(18)一个mRNA-seq实战-生信菜鸟团博客2周年精选文章集
(19)一个affymetrix表达芯片实战-生信菜鸟团博客2周年精选文章集
总之,这次处理了GEO里面的4个公共数据,数据量如下:
Written 30468155 spots for SRR3589959.sraWritten 52972617 spots for SRR3589960.sraWritten 36763726 spots for SRR3589961.sraWritten 43802631 spots for SRR3589962.sra
我用的是hisat2工具来比对,一般情况下就用默认参数。
reference=/home/jianmingzeng/reference/index/hisat/grcm38/genome~/biosoft/HISAT/current/hisat2 -p 5 -x $reference -U SRR3589959.fastq -S control1.sam 2>control1.log~/biosoft/HISAT/current/hisat2 -p 5 -x $reference -U SRR3589960.fastq -S control2.sam 2>control2.log~/biosoft/HISAT/current/hisat2 -p 5 -x $reference -U SRR3589961.fastq -S Akap951.sam 2>Akap951.log~/biosoft/HISAT/current/hisat2 -p 5 -x $reference -U SRR3589962.fastq -S Akap952.sam 2>Akap952.logls sam |while read id;do (nohup samtools sort -n -@ 5 -o ${id%%.}.Nsort.bam $id &);done
但是让我意外的是比对率出奇的低!请看我结果。。。
0.48% overall alignment rate0.62% overall alignment rate0.48% overall alignment rate0.49% overall alignment rate
起初我怀疑是参考基因组用错了,但是我查看了GEO里面的介绍,的确是mouse的ESC,所以我用grcm38没有问题!然后我怀疑是测序数据质量的问题,但是质量再差也不会导致如此低的比对率啊!所以我还是用fastqc检查了一下:
果然,质量值好到爆!
而且我抽取了几条序列去blat一下,发现也可以比对,而且明显是跨越intron的比对,超级经典的RNA-seq数据呀,这完全没问题啊。( 其实我这个blat结果也没有看仔细,正常的reads不应该被截成比对到基因组的正负链的,这其实预示着我把PE序列拼接了。)
那么就是我hisat2这个步骤的问题,我首先怀疑是不是我下载hisat的index搞错了,虽然看起来我命名是grcm38,但是有可能是我下载错误!我打开了sam文件看了看开头:
貌似的确是mouse基因组的染色体长度呀!很诡异,而且我清楚的记得,我下载的就是mouse的基因的索引。这里也没有问题。
https://ccb.jhu.edu/software/hisat2/index.shtml
难道grcm38与mm10有差别? 我就先用bowtie2测试一下mm10吧,毕竟我还没有hisat2的mm10的index。
head -1000 SRR3589959.fastq >tmp.fq~/biosoft/bowtie/bowtie2-2.2.9/bowtie2 -p 6 -x ~/reference/index/bowtie/mm10 -U tmp.fq -S tmp.sam
结果我挑出来的这1000条序列,全军覆没了,0.00% overall alignment rate,我傻眼了! 没办法呀,逼着我换hg19参考基因组看看:
~/biosoft/bowtie/bowtie2-2.2.9/bowtie2 -p 6 -x ~/reference/index/bowtie/hg19 -U tmp.fq -S tmp.hg19.sam
仍然是全军覆没了,0.00% overall alignment rate,心好累,继续傻眼!
回过头看了看fastqc的报告,发现前面10个碱基的确有问题的!如果只是对RNA-seq进行定量,可能需要trim掉,但是我以前从来不trim,照样不影响比对。(如果你认真研究过测序流程,你应该知道前面这十个左右的碱基其实是bias)
不过,暂时看到这个问题,我就试着解决一下吧,先从这个思路来,而且比对工具里面本来就有这个选项,没必要自己来trim的!
具体参数网站:https://ccb.jhu.edu/software/hisat2/manual.shtml
-5/--trim5 <int> trim <int> bases from 5'/left end of reads (0)-3/--trim3 <int> trim <int> bases from 3'/right end of reads (0)
所以我加上了-p 6 -5 10 -3 10 --local 参数,比对人,可以拿到 35.60% overall alignment rate,比对mouse,可以拿到 98.80% overall alignment rate ,我勒个去,问题出来了,看起来好像是应该trim掉呀。以前的万能默认参数不行了?
但是有个问题,虽然我用local模式都比对上了,但是首先100bp的reads我切成了80,而且都是40M,40S,说明只有reads的一半成功比对到了参考基因组序列!
我然后用同样的参数,测试了hisat2工具,但是hisat2里面压根就没有local的选项,仅仅是trim一下,对比对的改善毫无意义,所以重点在于--local这个参数,但它只是表象,本质还是这个测序数据出问题了!
数据为什么会出问题呢?
终于,我想起了最开始的fastqc,决定再回过头看看测序数据的fastqc报告,请看下图,这么重要的图我居然忽略掉了,忽略掉了,略掉了,掉了,了。。。
再联想到前面的40M,40S我瞬间明白了,这肯定是一个双端测序被我搞成了单端测序数据!
而且我再去GEO介绍上面看,上面赫然写着PAIRED! 我死也想不明白,我明明是加了--split-3 参数呀,为什么sra转换成fastq会出这么明显的错误呢?
然后我检查我的脚本,我自己从我的博客里面复制了我的代码。
唯一值得你看的就是上面这个图
是--不—是全角半角害死人,而且这个参数不识别它居然不停止,而是忽略我的参数! 是--不—是全角半角害死人,而且这个参数不识别它居然不停止,而是忽略我的参数! 是--不—是全角半角害死人,而且这个参数不识别它居然不停止,而是忽略我的参数!
更要命的是我把wget跟fastq-dump一起运行,而wget会给出一大堆的log日志把fastq-dump的报错日志给掩盖了。
此处请脑补我内心的呐喊!
因为前面一直处理的是单端的数据,所以这个错误没有被发现。
我痛恨我自己直接拷贝了博客的脚本!我痛恨 --
这样的参数设置!
下面是我修改后的代码!
cut -f 3 config.txt |while read id ; do wget $id 2>/dev/null ;donels *sra |while read id; do ~/biosoft/sratoolkit/sratoolkit.2.6.3-centos_linux64/bin/fastq-dump --gzip --split-3 $id;done
这就是老司机翻车以及我debug的心路历程,希望你们引以为戒!
- 因为太熟练了,所以我已经很久没有关心过完整的fastqc报告。
- 因为太熟练了,所以我把wget跟fastq-dump一起运行,很久没关心过log文件。
- 因为太熟练了,所以我对用了一千遍fastq-dump的命令产生了一万个放心。
- 因为太熟练了,所以我先想了各种复杂的情况而没有一开始就从最简单的问题入手。
所以,一切看起来都是因为我是一个老司机!
对了,顺便说一句,我已经把下好的sra数据删除了!(你想笑就笑吧)
如果你认为自己还是一个菜鸟就请记住老司机的这句话:
行走江湖,靠的是一个稳字
文:Jimmy
编辑校对:一只思考问题的熊
- SQL SERVER 2008 Hierarchyid数据类型
- Html5 学习利器 Web Standards Update for Microsoft Visual Studio 2010 SP1
- MongoDB 客户端 MongoVue
- HttpClient介绍
- 10个使用 Foundation 框架开发的WordPress 主题推荐
- jQuery 效果使用
- 几款更换WordPress 后台UI 的插件推荐
- 入门:构建简单的Web API
- WordPress 编辑器快捷键——让写作来得更方便些吧!
- ASP.NET Web API: 宿主(Hosting)
- 在 Windows Phone上使用QQConnect OAuth2
- WordPress 开发之使用WordPress 3.8+后台图标(dashicons)
- 基础(二)
- Ionic:高级的 HTML5 移动APP(Web App)开发框架
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- Linux core dump有什么用?
- Linux系统搭建C++开发环境
- Spring入门
- TKE容器实现限制用户在多个namespace上的访问权限(上)
- TKE容器实现限制用户在多个namespace上的访问权限(下)
- 小程序Android可以请求,ios请求失败wx.request
- css中的box-shadow详解
- 迭代器和foreach原理。
- Windows 开机自启VMware虚拟机
- CMake的使用
- 使用ant触发Tomcat的reload操作
- 访问tomcat manager应用遇到的403 access denied错误
- 使用ant执行Java代码
- TypeScript 类型注解和类型推断
- 目前解决移动端1px边框最好的方法