生物信息學100個基礎問題 —— 第16題 高通量測序的回貼問題 I

Hello大家好！我們又見面了！

昨天我們公布了生物信息學100個基礎問題第6~10題的答案，如果還沒有查看的老鐵請點擊下方的鏈接去看看~

生物信息學100個基礎問題——第6~ 10題 答案公布

在這之前，我們一直在討論怎麼去做FASTQ文件的質控，怎麼trim，怎麼cutadapt；還為大家介紹了從雙序列比對的最根本的原理及演算法；再到後來學習了低通量的找相似序列的辦法BLAST以及基因組快速定位的辦法BLAT。那麼從今天開始以後的若干問都是與高通量測序結果的回貼（mapping）問題有關。

首先來看一下技術路線圖：

我們的核心任務是從FASTQ文件開始，經過中間的質控，最終找到序列在基因組上的定位。

那麼，我們之前的演算法和方法能不能高效完成這個問題呢，答案是不行的！因為這次我們的輸入常常是10^7 甚至更多的reads，而且是要在全基因組上尋找定位，比如人的基因組有3Gbp大！所以如果不優化演算法，估計mapping這個問題就要等到地老天荒。關於mapping的演算法問題，我之前錄過1期視頻，專門推導了為什麼應用BWT演算法就可以完成我們這項艱巨的任務。

踏踏實實做技術：BWA，Bowtie，Bowtie2的比對演算法推導

談完了演算法，我們再談談比對軟體。目前市面上針對DNA測序的結果mapping的比對軟體有很多。針對2代測序優化過的，最常用的有Bowtie，Bowtie2，BWA這三款；針對3代測序優化的比對軟體有BLASR，LAST，BWA-MEM等等。因為目前二代測序佔據了90%以上的市場份額，因此我們前期主要討論的內容是二代測序的比對問題，也就是Bowtie，Bowtie2，BWA這三款軟體。

其實，看過我上面BWT推導的朋友應該能夠知道，這三個軟體本質上的演算法是沒有區別的，有區別的地方都是小修小改。所以上，理解了其中的1個，其他的也都很好理解。我們會發現，這些演算法的最基礎的要點就是都要有1個index。那麼什麼是index呢？簡單來說就是若干個文件，方便我們快速地訪問及搜索基因組。上面我說的這些比對軟體都需要建立index。

一般建立index的輸入文件為參考基因組序列（FASTA格式）和1個我們指定的index-name；輸出為若干個以index-name為開頭的index文件。比如我們使用Bowtie2，以human reference genome建立index的命令為：

# build-index by Bowtie2> bowtie2-build hg19_only_chromosome.fa hg19_only_chromosome &# 解釋#### bowtie2-build為建立index的命令，安裝bowtie2以後就可以用；#### hg19_only_chromosome.fa 為human genome的參考基因組，FASTA格式；#### hg19_only_chromosome 為建立index需要指定的名稱；

最終建立index輸出結果如圖2：

那麼今天的任務是，請觀看我的兩個視頻：

第1個視頻是介紹BWT演算法的及推導的；

• 視頻鏈接：踏踏實實做技術：BWA，Bowtie，Bowtie2的比對演算法推導；

第2個視頻是介紹怎麼從UCSC genome browser上下載參考基因組然後構建index的；

• 視頻鏈接：高通量測序技術交流錄像
• 請觀看視頻的 24:45 - 41:00部分，參考基因組的下載與bowtie2 index的建立

那麼我們今天的問題是：

1. 為什麼FASTQ文件的快速比對需要建立index？

2. 如果我從1個網站上下載的是1個物種的參考轉錄組的序列，其中包含了A,U,C,G鹼基，我的FASTQ為該物種轉錄組測序的結果，用A,G,T,C，4種鹼基來表示。那麼需不需要在建立index之前把參考轉錄組中的U全部都換成T？

3. 請在Linux環境下，下載human genome 19參考基因組的1號染色體序列；並使用bowtie 建立index。

推薦閱讀：