庐州月光

摘要： 二代测序的分析过程中，经常需要统计原始下机数据的数据量，看数据量是否符合要求；另外还需要统计q20,q30,GC含量等反应测序质量的指标； 在kseq.h 的基础上稍加改造，就可以实现从fastq 文件中统计这些指标的功能，而且速度非常的快 源代码保存为 parse.c , 然后编译 阅读全文

摘要： 插入排序的过程和斗地主时整理扑克牌的过程是类似的，对于一张新的扑克牌，从第一张手牌开始依次比较，如果位置合适，就在这个位置插入新的扑克牌； 有两点比较关键的地方： 1) 判断何时需要插入； 2）插入新的元素后，在插入位置之后的所有元素的位置都会改变，变成之前的元素； 阅读全文

摘要： 对于双端比对的数据，生成的BAM文件中，R1端序列和R2端序列的标识符是一样的，之前一直不知道如何根据bam文件区分哪条序列是R1端，哪条序列是R2端，昨天仔细研究了一下，原来代表R1端和R2端的信息都存储在flag中，即bam文件的第二列； 在bam文件格式中定义了各种flag代表的意思 1 ： 阅读全文

摘要： 在16S数据分析中，为了减少聚类的时间，提高准确度，需要去除重复序列，而singleton序列因为没有其他的序列作为验证，可信度不是很高，也需要去除，通常情况下使用usearch 完成这2项任务，但是usearch 64位是收费的，而32为的usearch 在64位的red hat 上测试时，去除重 阅读全文

摘要： Fastqc 能够自动识别序列的碱基编码格式，我查看一下源代码，发现是碱基编码格式一共分为 1）sanger/illumina 1.9 2) illumina 1.3 3) illumina 1.5 其核心的代码为 通过找到对应的ASCII值最小的碱基质量值来判断对应的编码格式， 在ASCII码表中 阅读全文

摘要： 横坐标代表每个每个碱基的位置，反映了读长信息，比如测序的读长为150bp,横坐标就是1到150； 纵坐标代表碱基质量值， 图中的箱线图代表在每个位置上所有碱基的质量值分布， 中间的红线代表的是中位数 用黄色填充的区域的上下两端分别代表上四分位数和下四分位数； 箱线图最上方的短线代表90%，最下方的短 阅读全文

摘要： 在分析中经常需要统计fasta/fastq文件的序列数和碱基数， 但是没有找到一些专门做这件事的小工具，可能是这个功能太简单了； 之前用自己写的perl的脚本统计这些信息， 当fastq文件非常大时，就变的很慢； 今天在网上搜到kseq.h可以parse fasta/fastq文件，用C写的， 速度 阅读全文

摘要： 今天看了下bowtie 的论文， 里面描述了BWT转换的过程和bowtie的比对算法； NGS测序数据的数据量非常大， 为了更快的处理， 通常需要对数据进行压缩；而BWT实际上就是一种数据转换方法， 将原始序列经过BWT转换后， 可以更方便的进行压缩；而且BWT转换是一个可逆的转换，能够根据转换后的 阅读全文

摘要： 今天运行tophat2的时候看到下面这条记录： [2016-02-27 11:40:03] Checking for reference FASTA file Warning: Could not find FASTA file /home/pub/database/Human/hg19/bowti 阅读全文

摘要： samtools faidx 能够对fasta 序列建立一个后缀为.fai 的文件，根据这个.fai 文件和原始的fastsa文件， 能够快速的提取任意区域的序列 用法： samtools faidx input.fa 该命令对输入的fasta序列有一定要求：对于每条序列，除了最后一行外， 其他行的 阅读全文