Skip to content

Latest commit

 

History

History
21 lines (20 loc) · 4.72 KB

hw2.md

File metadata and controls

21 lines (20 loc) · 4.72 KB
Raw

2주차 숙제

본격적인 숙제에 앞서 각 프로그램에 대해 간략하게 설명 드리도록 하겠습니다.
먼저 assembly-stats, bioawk, seqtk는 모두 FASTA와 FASTQ 등 다양한 포맷을 다룰 수 있도록 도와주는 아주 빠르고 꽤 직관적인 도구들입니다.
assembly-stats는 N50을 비롯해서 몇 가지 수치값을 간단하게 뽑아주는 도구로, 압축이 풀린 FASTA 또는 FASTQ에만 적용이 가능합니다. 다른 두 도구는 gzip으로 압축된 파일도 인풋으로 받을 수 있습니다.
bioawk는 awk와 굉장히 유사한 도구입니다. awk가 행렬을 다루듯, bioawk는 각 포맷에 존재하는 다양한 정보, 예컨대 리드 이름, 염기서열, 품질값 등을 awk의 컬럼처럼 다룰 수 있게 도와줍니다. awk '{print $1}'이 첫 번째 컬럼을 뽑아주는 기능을 한다면 bioawk -c fastx '{print $name}'은 리드 이름만 쭉 뽑아주는 기능을 하는 셈입니다. 공식 홈페이지와 다른 사람이 적어둔 설명서에 나와있는 예제를 쭉 따라해보시면 bioawk에 대해 더 잘 이해하실 수 있을 겁니다.
seqtk는 포맷 변경, GC 조성 확인, 랜덤 추출, 특정 리드 추출 등을 도와주는 도구입니다. 마찬가지로 공식 홈페이지에 나와있는 예제를 따라해보시면 좋을 것 같습니다. 이 세 개 프로그램은 프로그램 이름만 치면 자세한 설명을 추가로 확인할 수 있으니 읽어보셔도 좋겠습니다. 예컨대 seqtk만 치면 이 프로그램으로 다룰 수 있는 다양한 하위 명령어들의 리스트가 출력되고, seqtk sample 등 하위 명령어까지 함께 쳐보면 사용례가 나오니 참고하세요.
samtools는 FASTA 뿐만 아니라 이후에 배울 SAM 포맷을 다루는 데 널리 쓰이는 아주 유용한 도구입니다. 시퀀싱이 끝난 뒤에는 보통 표준 유전체(reference genome)에 시퀀싱된 리드를 갖다 붙이고(mapping or aligning) 비교하는 과정을 많이 거치게 되는데, 매핑이 얼마나 잘 됐는지 확인하거나 매핑된 파일을 압축하고 정렬하는 데 쓰입니다. 마찬가지로 공식 홈페이지에 방문해봅시다.
hisat2는 시퀀싱된 리드를 매핑해주는 프로그램입니다. 매핑하는 프로그램은 정말 많은데, 요새 graph genome 개념이 나오면서 새로 등장한 가벼운 도구입니다. 자세한 건 역시나 공식 홈페이지를 참고해주세요. DNA 시퀀싱 데이터를 다룰 때는 bwa나 bowtie 등이 많이 쓰이고, RNA 시퀀싱 데이터를 다룰 때는 STAR나 kallisto 등이 많이 쓰입니다.

다음 질문에 답해봅시다.

  1. cb4856.pacbio.subseq.fq.gz은 C. elegans CB4856 strain의 PacBio 롱리드 시퀀싱 결과에서 일부만 뽑아낸 것이다. 이 플랫폼에서는 다양한 길이의 리드가 생산되기 때문에 길이에 대한 정보를 알아둘 필요가 있다. 해당 파일에 포함된 리드의 수는? 평균값은? N50은? 가장 긴 리드의 길이는?
  2. cb4856.pacbio.subseq.fq.gz 파일에 포함된 10 kb 이상되는 리드의 개수는? 평균값은? N50은?
  3. srr3440952.sub.1.fq.gz과 srr3440952.sub.2.fq.gz은 같은 C. elegans CB4856 strain의 Illumina 숏리드 시퀀싱 결과에서 일부만 뽑아낸 것이다. 해당 파일에 포함된 리드의 수는? 평균값은? N50은? 가장 긴 리드의 길이는?
  4. 가끔은 본격적인 분석을 하기 전에 랜덤 추출한 일부 리드만을 이용해 테스트 실험을 해보기도 한다. srr3440952.sub.1.fq.gz과 srr3440952.sub.2.fq.gz에서 리드를 100개씩 짝지어 추출하는 방법은?
  5. wbcel235.mt.fa는 C. elegans reference genome에서 마이토콘드리아 지놈만 뽑아놓은 것이다. 크기는? 이 파일에 포함된 ATGC를 소문자로 바꾸는 방법은? 다시 대문자로 바꾸는 방법은? MtDNA:100-200 구간의 염기서열 정보를 알아보는 방법은?
  6. 다음 명령어를 차례로 입력하면 CB4856 리드가 표준 마이토콘드리아 지놈에 매핑되고 정렬된 파일이 만들어집니다.
hisat2-build wbcel235.mt.fa mt
hisat2 -x mt -1 srr3440952.sub.1.fq.gz -2 srr3440952.sub.2.fq.gz | samtools sort -O SAM -o mt.sam

매핑된 리드 수는? 리드 비율은?