转录组有参考生物信息分析结题报告模版-V2.0

转录组有参考基因组生物信息分析结题报告

获得原始测序序列（Sequenced Reads）后，并且其相应的基因组参考序列( Reference Genome )可以获得的情况下，可以用有参考基因组信息分析流程对数据进行详细的分析，分析流程图如下：

1. 原始序列数据

高通量测序（如Illunima HiSeq TM2000/ Miseq等测序平台）测序得到的原始图像数据文件经碱基识别（Base Calling）分析转化为原始测序序列（Sequenced Reads），我们称之为Raw Data或Raw Reads，结果以FASTQ（简称为fq）文件格式存储，其中包含测序序列（reads）的序列信息以及其对应的测序质量信息。测序样品中真实数据随机截取结果如下：

@HWI-ST1106:227:D14F6ACXX:1:1101:1202:2188 1:N:0:GCCAAT CGGATGATCTTCTTAATCTCTCCTTGCATAGTTATGAAACAGTCCGTGGACTTGCTGGAAAATCTCTCTTGAAGATGATGAAGAGATGGCCCTCTACAAT +

CCCFFFDFFHHHHJJJJJIJIGGGIGICIGIIJEIIJIIJJI@DHEDHECFGGAHGGJGHIICGEEIEHGGGIECEEHH@HE>C@EBBE@CCDDCCCDDC @HWI-ST1106:227:D14F6ACXX:1:1101:1237:2217 1:N:0:GCCAAT GAAGGTGAGTCTGAGGAGGCCAAGGAGGGAATGTTTGTGAAAGGATATGTCTACTAAGATATTAGAAAGTATGTACTACTACTACTACTACATGTTTTCA +

@@@FDADDFDHFHIIIDHIIJJJGICGGGCGHGFIGHBHEHHGI;BDHHCFGCHIIIIEHGIGHHIJJE7??ACHCDFFFFFEEECCEE>C>ACCCDC>@ @HWI-ST1106:227:D14F6ACXX:1:1101:1382:2195 1:N:0:GCCAAT TTTTGCAACAATGGCTTCCACCATGATGACTACTCTACCACAGTTCAATGGACTCAAACCCCAACCTTTCTCAGCTTCTCCAATTCAAGGCTTGGTGGCA +

@@@DD3DDFFFF:CDGI@GIEEDH@AAD;;;@@####### @HWI-ST1106:227:D14F6ACXX:1:1101:1255:2239 1:N:0:GCCAAT CGGATTTTCAAGGGCCGCCGGGAGCGCACCGGACACCACGCGACGTGCGGTGCTCTTCCAGCCGCTGGACCCTACCTCCGGCTGAGCCGATTCCAGGGTG +

CCCDFFFFHHH?FHIIIJJJJJIGBEHHJJBHBDDCDAC??@@BDBBBBD8BDDCDDACC@A?@BBB@<(8>?395?4:(:<@## @HWI-ST1106:227:D14F6ACXX:1:1101:1423:2239 1:N:0:GCCAAT CTTGTATTGCTCTCCCACAACCCCGTTTTCACGGTTTAGGCTGCTCCCATTTCGCTCGCCGCTACTACGGGAATCGCTTTTGCTTTCTTTTCCTCTGGCT +

CCCFDFFFHHHHHJJIJJJJJIJJGGIHIIGIIJGIGGIJJGGGJGIJ>FGIIGHGGBEHBCCBBDDD@BB@@@C::@C

2.测序数据质量评估

2.1 测序错误率分布检查

测序错误率与碱基质量有关，受测序仪本身、测序试剂、样品等多个因素共同影响。通常测序序列（Sequenced Reads）5’端前几个碱基的错误率相对较高，随着序列的延伸，3’端碱基错误率会不断升高，这是由高通量测序的技术特点决定的。项目结果见图1。

图1测序错误率分布图

横坐标为reads的碱基位置，纵坐标为单碱基错误率。其中前100个碱基位置为双端

测序序列的第一端测序Reads的分布情况，随后100bp是另一端测序reads的分布情况。

2.2 A/T/G/C含量分布检查

对于RNA-seq来说，因随机性打断及G/C和A/T含量分别相等的原则，理论上GC及AT含量每个测序循环上应分别相等，且整个测序过程稳定不变，呈水平线。项目结果见图2。

图2GC含量分布图

横坐标为reads的碱基位置，纵坐标为单碱基所占的比例。不同颜色代表不同的碱基类型

2.3 测序数据过滤

测序得到的原始测序序列（Sequenced Reads）或者raw reads，里面含有带接头的、低质量的reads，为了保证信息分析质量，必须对raw reads过滤，得到clean reads，后续分析都基于clean reads。项目结果见图3。

图３原始数据过滤结果

2.4 测序数据质量情况汇总

样品测序产出数据质量评估情况详见表1。

表1数据产出质量情况一览表

Sample Raw reads Clean reads Bases Error(%) Q20(%) Q30(%) GC(%) Dup(%) TS-1_1 48900437 48857403 4.89G 0.03 98.24 94.22 43.69 79.61 TS-1_2 48900437 48857403 4.89G 0.03 96.96 91.59 43.68 78.21 TS-2_1 50753113 50709069 5.07G 0.03 98.26 94.3 43.41 79.26 TS-2_2 50753113 50709069 5.07G 0.03 97.11 91.92 43.44 77.83 TR-3_1 37877095 37819080 3.78G 0.03 97.41 92.21 47.79 82.78 TR-3_2 37877095 37819080 3.78G 0.04 95.91 89.18 47.81 81.45 TR-5_1 55854530 55791168 5.58G 0.03 97.9 93.38 45.57 81.97 TR-5_2 55854530 55791168 5.58G 0.03 96.66 90.83 45.54 80.75

Raw Reads：由测序得到的原始图像数据经base calling 转化而来的原始序列reads。

Clean reads：将Raw Reads过滤得到的reads。

Bases (Clean bases)：过滤得到的数据的总碱基数。

Error (Error rate)：指测序错误率，与碱基质量值之间有一定的对应关系。

Q20：测序错误率≤1%的碱基数目比例。

Q30：测序错误率≤0.1%的碱基数目比例。

GC content：G+C的数量占总的碱基数量的百分比。

Dup (Duplication level)：重复的reads数占总reads数的比例。